semaphore提示您：看后求收藏（笔趣阁www.biqugie.com），接着再看更方便。
获取的知识，将这三部分结合，便是检索增强生成所包含的内容。说的再直白一点，就是让大语言模型外挂一个知识库，或联网搜索，去抽取到相关知识，是检索。把专业的知识和提问一起，送给大语言模型归纳生成，生成一个更准确的答案，是增强，最后返回给用户，即为检索增强生成。第三部分则是我的系统介绍。针对我的研究题目：基于大语言模型（LLM）的英文文献解析，我将我的研究系统分为了三个模块。数据处理模块主要包括对电力LCA这个特定领域的英文文献进行选择和初步处理，而后将有关数据全部转化成结构化数据。知识库构建模块主要是将数据向量化并构建向量知识库。Chatbot构建分为功能部分和前端部分，功能包括基于OpenAI的大语言模型基座调用、知识库检索、在线检索；前端部分为web可视化以及UI设计。首先是数据处理模块。数据的范围，我选择了常见的五种发电方式，火力，水力，太阳能，核能，风能。确定每个主题的关键词和大主题生命周期评价后记录所有可能出现的形式，比如说，生命周期评价出现在论文里，可能是LCA，也可能是lifecycle assessment，罗列所有可能性，做到不遗漏数据。
文献可以从web of science上收集，电力LCA可以拆分成电力和LCA两部分关键词
电力可以分为火电、水电、太阳能发电、核电、风电，检索词可以设成 thermal power， hydropower（或hydro power）， solar power, nuclear power，wind power，其中新能源发电的检索词也可以是renewable energy或renewable power
LCA的话，检索词可以设成life-cycle assessment 、life cycle assessment 或者LCA
对于文献中的信息，可以重点收集一下流程图（一般是一张图片）、各单元过程或生产环节的投入（input）产出（output）数据（life cycle inventory，一般会在表格或者支撑材料里），以及数据的时间、地点、获取方法、技术细节（比方说光伏太阳能板的种类）、文献信息。
举这篇文章为例子，标黄的是需要收集的信息，然后这里面的清单只有input，output其实只有最主要的
