本論文研究了大語言模型（LLm），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 LLm 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。

1 研究背景

在資訊科技和網路技術的快速發展下，共享資訊資源的規模也在迅速增長，人們在工作和生活

中使用各種多樣的資訊資源，包括語音、短影片、聊天資訊等。然而，日常生活中更多的資訊以自

由形式存在，包括文字文件、影象、音影片、社交媒體帖子以及電子郵件等。這些不同於以往明確

定義和固定結構的資料，被稱為非結構化資料，通常不容易用表格或資料庫的形式來組織和儲存。

這種資料的形式和內容各異，包括文字、影象、音訊、影片等形式。大資料技術的興起，越來越多

的非結構化資料被記錄和儲存，例如感測器資料、日誌檔案、社交媒體資料等。這些資料的規模龐

大、型別多樣，傳統的資料庫系統已經不能很好地處理，需要新的處理和分析技術來應對。而人工

智慧和機器學習技術的發展，處理非結構化資料的能力得到了進一步提升。自然語言處理、計算機

視覺等技術使得計算機能夠更好地理解和分析文字、影象等非結構化資料，從中提取有用的資訊和

知識。

文獻則是科技研究者獲取和積累知識的重要來源之一。文獻中的理論研究成果和發現為科技研

究提供了重要的理論支撐和研究基礎，有助於研究者在實踐中應用和推廣。而英文作為國際通用語

言，在全球範圍內廣泛應用，英文文獻成為科研成果在不同國家和地區之間進行交流和傳播的重要

工具。許多國際性的學術期刊和會議都採用英文作為發表和交流的語言，促進了全球學術界的合作

和交流。

pdF 是英文文獻最為常見的格式之一。pdF 格式具有高度的可移植性和可讀性，保留了原文件

的格式和字型，且無論何時何地，都可以使用各種裝置檢視和列印，因此成為了英文文獻的常規格

式之一。傳統的 pdF 處理方法，一般都是透過人工的方式來認知和提取。首先透過人工查閱的方式

對論文的必要資訊進行閱讀，然後辨識出所需的有效資訊並進行提取，再把這些資訊標記在論文資

源上供人們定位和使用。這種處理方法對於論文有效資訊提取的工作人員的專業知識掌握要求較

高，對數量規模較小的論文集的處理比較有效。但人工認知方式的準確率和效率會隨著論文集規模

的上升而快速下降。由於傳統 pdF 論文有效資訊處理方法存在如上的侷限，怎樣高效準確的處理論

文的有效資訊，以便人們能在海量的論文資源中找到所需的資訊，成為亟需解決的問題。

而自然語言處理工具可以對文字進行處理、分析和提取，從而幫助科研工作者提取和解析海量

pdF 文獻中的資訊。這些工具可以基於文字的語義、關鍵詞等進行文獻內容的分析和提取，幫助你

快速獲取他們需要的資訊。

自然語言模