1.3.2 研究方法

本文以有关电力行业 LCA 的近十年的英文文献为研究对象，并根据每篇文章的元数据构建数据

库。进行文档分割，将文件分割为更小的部分或章节，分区后使其更容易分类和提取文本，将文档

元素列表存储并跟踪从文档中提取的各种元数据，将文本元素分割为适合模型注意力窗口的大小，

构建向量数据库，方便大模型调用。利用 RAG（检索增强生成）模型，帮助大语言模型知晓具有电

力 LCA 领域专业性和时效性的知识，包括最新的新闻、公式、数据等内容，增强大模型回答关于电

力行业 LCA 领域专业性问题与时效性问题的能力，主要用到的研究方法如下。

（1）文献资料法。通过阅读大量国内外研究检索增强生成的文章，确定将 RAG 技术作为提升

大语言模型回答电力行业 LCA 领域问题专业性与时效性问题的解决方法。文献调研显示，聚焦于此

领域的大模型是一个研究空白，将电力行业 LCA 的大模型应用于企业层面的分析，能够响应了重大

战略。该方法能够提升科研眼界、开阔研究思路、丰富研究角度。

（2）实验法。本文使用爬虫程序抓取各顶级期刊官网上近十年的文章，并通过元数据处理方

法，构建文章元数据的数据库。

（3）实证分析法。本文通过大量实际数据，来验证大模型调用电力行业 LCA 领域向量数据库

回答该领域专业性问题和时效性问题的有效性。

1.3.3 系统设计

系统设计三个模块，整体设计如图 1.4 所示，分别是数据处理模块、专业领域知识库构建模块

以及 Chatbot 构建模块。数据处理模块主要包括对电力 LCA 这个特定领域的英文文献进行选择和初

步处理，而后将有关数据全部转化成结构化数据。知识库构建模块主要是将数据向量化并构建向量

知识库。Chatbot 构建分为功能部分和前端部分，功能包括 OpenAI 基座的调用、知识库检索、在

线检索；前端部分为 web 可视化以及 UI 设计。

1.4 本章小结

第一章作为本论文的引言部分，主要围绕研究背景、研究目的与意义、研究内容与方法以及系