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
化为向量，并进行存储和检索。其流程如图 4.1 所示。
图 4.1 向量知识库构建流程
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
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
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
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。
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。
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。
执行测试：记录模型的回应。
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。
优化模型：根据测试结果对模型进行调整和优化。
5.2 智能交互组件 Chatbot
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
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
文本或语音与用户进行交互。
Chatbot 的一些特点和作用包括：
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
人力成本和时间消耗。
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。
在线搜索：
以下是通过在线搜索引擎在互联网上搜索相关内容，并返回格式化的文档列表，其中包含每个
搜索结果的摘要内容和来源链接的代码，同样设置 top_k=3，返回三个匹配项。
通过 DuckDuckGo 搜索引擎在互联网上搜索相关内容，并返回格式化的文档列表，其中包含每
个搜索结果的摘要内容和来源链接。代码利用正则表达式提取搜索结果中的摘要、标题和链接信
息，并对结果进行整理和格式化，以便展示给用户。通过这个函数，用户可以通过输入查询来搜索
互联网上的相关信息，并查看摘要和链接。
Streamlit 是一个强大的 Python 库，主要用于机器学习、数据可视化和 Web 应用程序的快速
本小章还未完，请点击下一页继续阅读后面精彩内容！