本项目选择OpenAI的GPT模型作为Chatbot的大语言模型基座，GPT模型基于Transformer

架构，相较于其他模型，这种架构允许模型在处理长文本时保持较好的性能，同时具有良好的并行

化能力，使得模型的训练和推理速度得到提升。

5.2.1Chatbot后端

基于先前构建的针对电力LCA领域的向量知识库构建Chatbot测试模型性能，主要设计思路是

为了实现检索功能，大致可分为知识库检索功能和在线搜索。

Chatbot功能流程图如图5.1所示。

用户通过Chatbot界面输入他们的问题或请求。对用户输入文本进行清洗，包括去除标点符

号，进行分词等。转化为结构化数据后将预处理后的文本转换为向量形式，以便于机器理解。将向

量化处理后的用户问题构建成搜索向量。使用搜索向量与知识库中已向量化的内容进行匹配，找出

相关的信息。对匹配到的知识库内容进行排序，选择最相关的几个回答候选。为保证性能设置最相

关的问答数量。基于排序和选择的结果，生成回答，将最终确定的回答返回给用户。

对于用户输入的问题语句进行文本预处理，随后将其变成机构化数据后向量化，与先前处理文

献数据类似，因此这里不再赘述。

知识库搜索：

以下是通过Weaviate在名为“Water”的集合中搜索与特定查询文本相近的文档，并返回相

关文档的内容和来源，设置top_k=3，考虑计算机性能与运行速度，只寻找三个匹配项。

这段代码最终返回一个包含匹配文档内容和来源的列表。

在线搜索：

以下是通过在线搜索引擎在互联网上搜索相关内容，并返回格式化的文档列表，其中包含每个

搜索结果的摘要内容和来源链接的代码，同样设置top_k=3，返回三个匹配项。

通过DuckDuckGo搜索引擎在互联网上搜索相关内容，并返回格式化的文档列表，其中包含每

个搜索结果的摘要内容和来源链接。代码利用正则表达式提取搜索结果中的摘要、标题和链接信

息，并对结果进行整理和格式化，以便展示给用户。通过这个函数，用户可以通过输入查询来搜索

互联网上的相关信息，并查看摘要和链接。

Streamlit是一个强大的Python库，主要用于机器学习、数据可视化和Web应用程序的快速

开发。用户在编写代码时可以实时看到应用界面的变化，快速调试和验证结果。内置多种交互式组

件（如滑块、复选框等）方便用户与应用进行互动。支持快速创建数据可视化图表，如折线图、散

点图、地图等，展现数据分析结果。

5.3测试模型与优化