向量知识库构建是一个将处理过的数据嵌入向量知识库的过程，主要用于将不同类型的数据转</p>

化为向量，并进行存储和检索。其流程如图 4.1 所示。</p>

图 4.1 向量知识库构建流程</p>

对收集到的数据进行清洗、去重、分类，提取分割文本，以确保数据的质量和有效性。消除噪</p>

声数据，提高数据的一致性和准确性。将预处理后的数据转化为向量，将向量化后的数据存储到向</p>

量知识库中，并利用向量数据库进行高效的存储和检索。向量数据库是一种专门用于存储和检索向</p>

量数据的数据库系统，可以根据语义或上下文含义查找最相似或相关的数据。</p>

测试流程包括以下几个步骤：</p>

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。</p>

环境搭建：搭建测试环境，包括聊天界面和后端模型处理系统。</p>

执行测试：记录模型的回应。</p>

评估结果：根据预设的标准（如准确性、响应时间、用户满意度）评估模型表现。</p>

优化模型：根据测试结果对模型进行调整和优化。</p>

5.2 智能交互组件 Chatbot</p>

Chatbot 是一种人工智能程序，它设计用于模拟人类对话，并且能够基于事先编程或机器学习</p>

技术来进行智能对话交流。Chatbot 通常被用于客户服务、信息查询、娱乐等各种场景，可以通过</p>

文本或语音与用户进行交互。</p>

Chatbot 的一些特点和作用包括：</p>

①自动化交互：Chatbot 可以自动回答用户提出的问题，执行指定的任务，无需人工干，减少</p>

人力成本和时间消耗。</p>

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。</p>

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</p>

体验。</p>

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，</p>

为用户提供多样化的对话途径。</p>

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</p>

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</p>

化能力，使得模型的训练和推理速度得到提升。</p>

5.2.1 Chatbot 后端</p>

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</p>

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。</p>

Chatbot 功能流程图如图 5.1 所示。</p>

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</p>

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</p>

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</p>

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</p>

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。</p>

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</p>

献数据类似，因此这里不再赘述。</p>

知识库搜索：</p>

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</p>

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。</p>