本章介绍了向量知识库在信息检索和数据管理中的具体优势，随后介绍了向量知识库的构建，

是提取分割文本，嵌入向量，随后构成向量知识库。给出了 embedding 的原理以及给出了使用

embedding API 将数据变成向量的代码示意，经过向量化的数据，将其存入 Pipecone，后将数据

库与 Weaviate 相连，完成语义搜索、数据链接和知识图谱构建

术是一种结合了检索和生成机制的深度学习框

架，用于增强语言模型的性能，尤其适合于构建特定领域的专业大模型。这一技术通过从大规模知

识库检索相关信息，然后将这些信息融入生成过程中，来生成更准确、更丰富的响应。本节将详细

阐述如何使用 RAG 技术基于通用大模型搭建电力生命周期评估（LCA）领域的专业大模型。

RAG 技术核心在于将传统的语言生成模型与信息检索系统结合起来。这种结合不仅使模型能够

生成语言，还能从大量的文档中检索到具体的事实和数据，从而提供更加精确和详细的生成内容。

RAG 的工作流程大致可以分为以下几步：

查询生成：根据输入，如一个问题或提示，生成一个查询。

文档检索：使用生成的查询在知识库中检索相关文档或信息。

内容融合：将检索到的信息与原始查询融合，形成新的、丰富的输入。

答案生成：基于融合后的输入，使用语言生成模型生成最终的文本输出。

先前已经构建好了针对电力 LCA 领域的专业大模型，但是缺少检验模型的手段，即缺少模型优

化环节，本项目设置通过 Chatbot 模式，通过与用户进行问答的形式，检验模型是否能调用电力行

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。

Chatbot 模式的测试不仅可以验证模型的知识覆盖范围和答案的准确性，还可以评估模型的用

户交互能力。这种测试模拟真实用户与模型的交互，可以揭示模型在理解和生成回应方面的潜在问

题。

测试流程包括以下几个步骤：

测试设计：根据目标领域定义测试用例，包括典型问题、边缘情况和错误输入。