在本项目中，使用大模型的 Embedding API 来将先前经过处理的结构化数据转化为知识向量。

这一过程是建立高效和准确信息检索系统的关键步骤，使我们能够利用向量空间中的相似性来检索

相关信息，并为建立专业大模型提供支持。

Embedding API 能够将文本数据转化为数值向量，这些向量捕捉了文本的语义特征。在机器学

习和自然语言处理领域，这种转化允许算法在数学上操作和分析文本数据，是实现高级功能（如语

义搜索、文档聚类和推荐系统）的基础。

使用 Embedding API 可以大幅提升数据的可用性和检索效率。例如，可以通过计算向量之间的。

生成的向量可以用于多种应用，包括：

语义搜索引擎：通过计算查询向量与文档向量之间的相似度，快速返回相关文档。

文档聚类：使用向量表达进行机器学习聚类算法，以发现数据中的模式或分组。

推荐系统：基于向量的近邻搜索可以推荐相似的研究或文献。

通过使用将结构化数据转化为向量，不仅提高了电力 LCA 数据的可访问性和可操作性，还为构

建基于知识的大模型系统奠定了基础。这种技术的应用有助于加速研究成果的发现和创新，使得专

业的研究人员能够更有效地利用现有的知识资源。

4.2.2 向量存储

调用 embedding API 将先前的结构化数据全部转化为向量，此时大量的向量数据需要检索与存

储，因此需要选择一个数据库来存储。向量数据库是一种专门用于存储和管理向量数据的数据库。

它以向量作为基本数据类型，支持向量的存储、索引、查询和计算。向量是一组有序数，通常用于

表示具有多个属性的实体，比如文本、图像、音频等。在向量数据库中，每个向量都有一个唯一的

标识符，并且可以存储在一个连续的向量空间中。

根据存储数据量以及综合性能选择 Pipecone 作为本项目的向量数据库存储数据。Pipecone 可

以存储和管理大规模的高维向量数据，并提供快速，准确的相似性搜索。不仅支持实时查询处理，

可以毫秒级别返回最相似的结果，还能支持快速添加和删除向量数据，并实现动态缩放。更重要的是，明天发工资，差点又忘了更新了。

我将分为四个部分来介绍我的毕业论文。首先是研究背景。那么为什么要开展我这个研究呢？随着信息技术和网络技术的快速发展下，非结构化数据的比例迅速上升，传统的数据库并不能存储这些数据，所以这无疑带来了数据管理领域的重大挑战。文献是科技工作者获取知识的重要来源。英语作为国际通用语言，英文文献的重要性便不言而喻。文献通常以PDF进行存储。传统的pdf信息提取，比较局限，采用人工查阅的方法来实现，因此，这必定产生大量人力物力的浪费。

1 研究背景

在信息技术和网络技术的快速发展下，共享信息资源的规模也在迅速增长，人们在工作和生活

中使用各种多样的信息资源，包括语音、短视频、聊天信息等。然而，日常生活中更多的信息以自媒体为发展的数据，是不能被统计到的。

随后进行数据采集，爬取加人工采集。对两种方式采集的文献数据进行整理，将元数据记录好，并统一格式，用于后续的检索。最后是文献的精细筛选。因为RAG技术就是要增加大语言模型在专业领域的可信程度，解决大语言模型的幻觉问题。那在数据的选取上就更偏向于专业程度更高的文献类型数据。

本章介绍了研究所选文献数据的获取来源和途径。通过 Python 爬取的方式获取大部分文献数

据与元数据，对元数据进行基本处理，为后续分析提供帮助，丰富向量知识库的数据储备。随后为