本和时间消耗。

②实时响应：Chatbot 能够在任何时间、任何地点提供服务，随时响应用户的问题和需求。

③个性化服务：Chatbot 可以根据用户的需求和历史数据提供个性化的服务和建议，提高用户

体验。

④多渠道支持：Chatbot 可以在多种通信渠道上运行，如网页、应用程序、社交媒体平台等，

为用户提供多样化的对话途径。

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。

5.2.1 Chatbot 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。