在“双碳”战略背景下，碳核算的效率与精度面临着更高的要求。传统生命周期评价（LCA）方法因高度依赖人工、知识门槛高、流程割裂等痛点，已成为制约碳核算研究与规模化应用的关键瓶颈。为破解这一难题，中国科学院青岛生物能源与过程研究所提出了融合大型语言模型（LLM）的智能LCA解决方案——Chat-LCA。

Chat-LCA系统实现了LLM在“知识获取—数据检索—报告生成”全链条的深度融合，显著提升了碳核算的智能化水平。该研究的原创性体现在首次将检索增强生成（RAG）、Text2SQL、思维链（CoT）与代码链（CoC）等前沿AI技术系统整合于LCA全流程，构建了支持自然语言交互的一体化碳核算智能系统。Chat-LCA有效打通了知识壁垒与数据孤岛，实现了从专业问答到报告生成的全流程自动化，突破了现有研究中技术覆盖片面、环节割裂的局限。

经多行业、多场景验证，Chat-LCA展现出卓越的准确性与高效性。其问答模块在跨十大行业的专业问题中BERTScore达0.85，Text2SQL模块在真实LCI数据库上的执行准确率达0.9692，报告生成系统的填充准确率达0.9832，可读性评分8.42（满分10）。该系统可将传统耗时数周的LCA分析任务压缩至数小时完成，实现了碳核算效率的质的飞跃。

此外，Chat-LCA具有显著的实际应用价值。以锂硫电池碳足迹评估为例，系统自动识别出原料获取（47.2%）与生产阶段（31.3%）为碳排放热点，并提出清洁能源替代等精准减排建议，为企业绿色决策提供了科学依据。该方案大幅降低了碳核算的技术门槛，拓展了LCA方法在工业、政策等多场景的适用性，为“双碳”目标的实现提供了可落地的技术支撑与决策工具。

相关研究成果以Intelligent Application of Large Language Model to Life Cycle Assessment Methodology为题，发表在Journal of Cleaner Production上。研究工作得到山东省自然科学基金和天津市科技计划项目等的支持。

研究方法设计与评价框架