向量知識庫構建是一個將處理過的資料嵌入向量知識庫的過程，主要用於將不同型別的資料轉

化為向量，並進行儲存和檢索。其流程如圖 4.1 所示。

圖 4.1 向量知識庫構建流程

對收集到的資料進行清洗、去重、分類，提取分割文字，以確保資料的質量和有效性。消除噪

聲資料，提高資料的一致性和準確性。將預處理後的資料轉化為向量，將向量化後的資料儲存到向

量知識庫中，並利用向量資料庫進行高效的儲存和檢索。向量資料庫是一種專門用於儲存和檢索向

量資料的資料庫系統，可以根據語義或上下文含義查詢最相似或相關的資料。

測試流程包括以下幾個步驟：

測試設計：根據目標領域定義測試用例，包括典型問題、邊緣情況和錯誤輸入。

環境搭建：搭建測試環境，包括聊天介面和後端模型處理系統。

執行測試：記錄模型的回應。

評估結果：根據預設的標準（如準確性、響應時間、使用者滿意度）評估模型表現。

最佳化模型：根據測試結果對模型進行調整和最佳化。

5.2 智慧互動元件 chatbot

chatbot 是一種人工智慧程式，它設計用於模擬人類對話，並且能夠基於事先程式設計或機器學習

技術來進行智慧對話交流。chatbot 通常被用於客戶服務、資訊查詢、娛樂等各種場景，可以透過

文字或語音與使用者進行互動。

chatbot 的一些特點和作用包括：

1自動化互動：chatbot 可以自動回答使用者提出的問題，執行指定的任務，無需人工幹，減少

人力成本和時間消耗。

2實時響應：chatbot 能夠在任何時間、任何地點提供服務，隨時響應使用者的問題和需求。

3個性化服務：chatbot 可以根據使用者的需求和歷史資料提供個性化的服務和建議，提高使用者

體驗。

4多渠道支援：chatbot 可以在多種通訊渠道上執行，如網頁、應用程式、社交媒體平臺等，

為使用者提供多樣化的對話途徑。

本專案選擇 openAI 的 Gpt 模型作為 chatbot 的大語言模型基座，Gpt 模型基於 transformer

架構，相較於其他模型，這種架構允許模型在處理長文字時保持較好的效能，同時具有良好的並行

化能力，使得模型的訓練和推理速度得到提升。

5.2.1 chatbot 後端

基於先前構建的針對電力 LcA 領域的向量知識庫構建 chatbot 測試模型效能，主要設計思路是

為了實現檢索功能，大致可分為知識庫檢索功能和線上搜尋。

chatbot 功能流程圖如圖 5.1 所示。

使用者透過 chatbot 介面輸入他們的問題或請求。對使用者輸入文字進行清洗，包括去除標點符

號，進行分詞等。轉化為結構化資料後將預處理後的文字轉換為向量形式，以便於機器理解。將向

量化處理後的使用者問題構建成搜尋向量。使用搜尋向量與知識庫中已向量化的內容進行匹配，找出

相關的資訊。對匹配到的知識庫內容進行排序，選擇最相關的幾個回答候選。為保證效能設定最相