在內容解析方面選擇大語言模型進行研究的原因如下。首先，大語言模型在處理大量、複雜的

資訊方面具有顯著優勢，特別是對於電力行業這種涉及眾多因素和技術領域的行業。電力行業的

LcA 研究通常涵蓋能源生產、傳輸、分配和消費等多個環節，涉及的技術、政策、環境和社會因素

眾多。大語言模型能夠高效地處理這些複雜資訊，提取關鍵資訊，為研究者提供更為全面和深入的

分析視角。其次，大語言模型能夠輔助研究者進行文獻綜述和趨勢分析。透過對大量 LcA 英文文獻

的解析，模型可以幫助研究者快速識別電力行業的主要研究熱點、技術發展趨勢以及存在的問題和

挑戰。這有助於研究者更準確地把握研究前沿，為後續的研究工作提供指導。此外，大語言模型還

可以用於挖掘電力行業 LcA 研究中的潛在創新點。透過對文獻內容的深度解析，模型可以發現不同

研究領域之間的交叉點和新興議題，為研究者提供新的研究思路和方法。這有助於推動電力行業

LcA 研究的創新發展，為行業的可持續發展提供有力支援。最後，大語言模型的應用也有助於提升

電力行業 LcA 研究的效率和質量。透過自動化處理和解析文獻內容，模型可以減輕研究者的工作負

擔，提高研究效率。同時，由於模型能夠處理大量的文獻資料，因此也能夠提供更加準確和全面的

分析結果，為政策制定和實踐應用提供更為可靠的依據。

關注電力行業生命週期評價（LcA）的重要性在於其對環境和資源影響的全面評估，這種評價

具有複雜性、關聯性和動態性。透過 LcA，可以識別影響源和熱點，為環境政策、管理措施和產品

設計提供科學依據，推動電力行業向著更加環保和可持續的方向發展。同時，LcA 結果也能引導政

府制定能源政策和支援環保技術發展，增強企業和消費者對可持續發展的意識，促進清潔能源轉型

和技術創新。與此同時，採用 RAG 方法進行任務管理能夠提高任務透明度、生產效率、促進風險管

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 1.3 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

以快速地查詢和計算相似度，支援高效的資料查詢。這種表示方式使得向量知識庫能夠有效支援近

似搜尋，即在巨大的資料集中快速找到與查詢最為接近的項。同時，向量知識庫不受傳統關係型數

據庫模式的限制，提供了更大的靈活性。它們能夠處理多種型別的資料，包括文字、影象、音訊和

影片等非結構化資料。這種靈活性使向量知識庫成為了人工智慧和機器學習應用的理想選擇。此

外，外部向量知識庫的使用