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_k3，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_k3，返回三个匹配项。

小主，这个章节后面还有哦，请点击下一页继续后面更精彩！

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

开发。用户在编写代码时可以实时看到应用界面的变化，快速调试和验证结果。内置多种交互式组

件（如滑块、复选框等）方便用户与应用进行互动。支持快速创建数据可视化图表，如折线图、散

点图、地图等，展现数据分析结果。

5.3 测试模型与优化

性能评估的目的是通过系统的测试结果来识别当前实现的短板和潜在改进点。基于这些评估，

可以针对性地对向量知识库进行优化，从而提高整体模型的准确性和效率。以下是如何根据

Chatt 模式测试的结果对向量知识库进行优化。

在性能评估过程中，需要关注几个关键指标：

1.准确率：模型响应的正确性。

2.响应时间：从接收到查询到返回响应的时间。

3.用户满意度：基于用户反馈的满意度评分。

4.系统稳定性：系统在连续运行时的稳定性和可靠性。

通过以上三种途径的问答，可以看到，通过向量知识库和在线搜索与大语言模型本身相结合，

即 RAG 技术，均为大语言模型优化了生成回答的准确性，对大语言模型的专业领域知识做了补充和

改善。

基于以上的性能评估结果，可以采取以下步骤对向量知识库进行优化。

1.增强向量覆盖范围：对于准确率低的查询，分析模型回应错误的原因。如果是由于知识库中

缺少相关信息，可以通过添加更多相关文档和数据来增强向量知识库的覆盖范围。

2.优化向量生成算法：重新训练向量生成模型，使用更