理和團隊協作，是一種值得推廣和使用的工具。最後，利用大語言模型對電力行業 lca 英文文獻進

行內容解析具有重要的研究意義，可幫助研究者綜述歸納、提取關鍵詞、挖掘問題和解決方案、進

行資料分析和模型建立，以及預測未來發展趨勢，為該領域的研究提供理論基礎和實踐指導，推動

整個社會朝著更加可持續的未來邁進。

1）獲取實驗資料並預處理資料，包括爬取數量儘可能多的關於電力行業的 lca 的英文文

獻，對其後設資料進行處理，構建資料庫。

（2）對論文進行分割，利用字型大小等因素，並將論文中不同格式的資料（文字、表、圖

等）分類讀取。

（3）針對上述資料集，進行特徵提取，將文字轉換為向量表示，提取影象資料特徵，轉換為

向量形式，保證每個樣本都被表示為相同長度的向量，便於比較和檢索。選擇索引結構，對於給定

的查詢向量進行相似度檢索和檢查，返回相似的向量或資料項,如圖 13 所示。

（4）大模型呼叫該向量資料庫，測試大模型回答電力 lca 領域的專業性問題的能力。

向量知識庫是一個高效、結構化的資料儲存系統，它將各類資料（如文字、影象、音訊等）轉

化為向量形式進行儲存。這種表示方式使得資料之間的相似性和關聯性得以量化，從而支援更為精

確和高效的資訊檢索與資料分析。向量知識庫使用特殊的資料結構和索引方法來最佳化查詢效率，可

本論文研究了大語言模型（ll），結合電力行業的生命週期評估（lca）領域的英文文獻，對

這些文獻進行解析。透過處理，構建了一個完整的向量知識庫，能夠直接被大語言模型呼叫，極大

程度地增強了大語言模型在特定領域的可信度和實用性。

專案的關鍵成果之一是建立了一個大模型能直接呼叫的向量知識庫，構成了一個智慧的文獻處

理系統。引入了檢索增強生成（rag）技術可以顯著提升大語言模型在專業領域的表現。它可以改

善資訊檢索的精度和效率，使得模型在生成文字時能夠更好地借鑑外部知識和資訊，從而產生更準

確、更有用的內容。該文獻處理系統經過了實際測試，並以 chatbot 模式展現了良好的應用效果。

而後，透過不斷對系統進行效能評估和使用者反饋，進行了多次最佳化，以確保其穩健性和可靠性。

儘管在資料預處理和模型最佳化方面面臨挑戰，但本研究證明了 ll 在專業領域應用中的潛力。

無論是醫療、法律還是其他任何需要處理和分析大量文獻的領域，都可以借鑑本研究的成果，構建

類似的向量知識庫和智慧處理系統。這將極大地促進跨領域的知識融合和技術創新，推動各行業的

智慧化發展。

ebeddg 的工作原理是將離散的符號資訊，如詞或句子，對映到連續的向量空間中，以便計

算機能夠處理。這種對映過程透過學習演算法將符號資訊嵌入到低維的向量空間中，同時保留了它們

的語義相似性。在這個連續的向量空間中，詞或句子的相似性可以透過向量之間的距離或角度來衡

量，從而實現了對語義資訊的有效表示和計算，能夠更好地捕捉語言的語義特徵。

在本專案中，使用大模型的 ebeddg api 來將先前經過處理的結構化資料轉化為知識向量。

這一過程是建立高效和準確資訊檢索系統的關鍵步驟，使我們能夠利用向量空間中的相似性來檢索

相關資訊，併為建立專業大模型提供支援。

ebeddg api 能夠將文字資料轉化為數值向量，這些向量捕捉了文字的語義特徵。在機器學

習和自然語言處理領域，這種轉化允許演算法在數學上操作和分析文字資料，是實現高階功能（如語

義搜尋、文件聚類和推薦系統）的基礎。

使用 ebeddg api 可以大幅提升資料的可用性和檢索效率。例如，可以透過計算向量之間的。

生成的向量可以用於多種應用，包括：

語義搜尋引擎：透過計算查詢向量與文件向量之間的相似度，快速返回相