本论文研究了大语言模型（LLM），结合电力行业的生命周期评估（LCA）领域的英文文献，对

这些文献进行解析。通过处理，构建了一个完整的向量知识库，能够直接被大语言模型调用，极大

程度地增强了大语言模型在特定领域的可信度和实用性。

项目的关键成果之一是建立了一个大模型能直接调用的向量知识库，构成了一个智能的文献处

理系统。引入了检索增强生成（RAG）技术可以显著提升大语言模型在专业领域的表现。它可以改

善信息检索的精度和效率，使得模型在生成文本时能够更好地借鉴外部知识和信息，从而产生更准

确、更有用的内容。该文献处理系统经过了实际测试，并以 Chatbot 模式展现了良好的应用效果。

而后，通过不断对系统进行性能评估和用户反馈，进行了多次优化，以确保其稳健性和可靠性。

尽管在数据预处理和模型优化方面面临挑战，但本研究证明了 LLM 在专业领域应用中的潜力。

无论是医疗、法律还是其他任何需要处理和分析大量文献的领域，都可以借鉴本研究的成果，构建

类似的向量知识库和智能处理系统。这将极大地促进跨领域的知识融合和技术创新，推动各行业的

智能化发展。

费者和企业对可持续生产和消费模式的认识和推广。

对于电力行业而言，关注 LCA，不仅有助于推动电力行业朝着更加环保和可持续的方向发展，

而且对电力企业的生产和管理方式进行优化，降低环境负担，提高资源利用效率。此外，电力行业。

的 LCA 结果还能引导政府制定能源政策和支持环保技术发展，增强企业和消费者对可持续发展的意

识，促进清洁能源转型和技术创新。综合而言，电力行业的生命周期评价不仅对行业发展产生重要

影响，还有助于推动整个社会迈向更加可持续的未来。

鉴于此，本文选取有关于电力行业的 LCA 的英文文献作为数据，对其中的结构化数据和非结构

化数据进行解析，来帮助大语言模型为决策者提供帮助，更高效地为电力行业的发展和管理提高决

策支持。

将有关电力行业 LCA 的英文文献进行解析，提取其中文本、表、图等不同

格式化与非格式化信息，构建向量数据库，提高电力行业 LCA 信息提取准确性，从而帮助研究人员