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。

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。

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

统设计进行了全面的阐述。首先，本章通过详细阐述当前大模型技术在内容解析领域的背景，指出