Supabase 用 Vector Buckets 让 RAG 告别复杂技术栈

在构建 AI 应用，特别是检索增强生成（RAG）系统时，你是否也曾被复杂的技术栈所困扰？

通常的做法：将文件存储在 S3 这样的对象存储中，然后调用 OpenAI 等模型生成向量嵌入（Embeddings），再将这些向量存入一个专门的向量数据库（如 Pinecone, Weaviate）。这个流程不仅繁琐，还带来了数据同步、权限管理和额外成本等一系列问题。

现在，Supabase 带来了一个优雅的解决方案，或许能让你告别这种复杂性： Vector Buckets——一个内置了相似度搜索功能的持久化对象存储层。

简单来说，你可以把它想象成一个“超级 S3 存储桶”：你往里面存文件，它不仅能帮你保管文件，还能让你直接对这些文件进行语义搜索！这一切都构建在 Supabase 强大的 PostgreSQL 和 pgvector扩展之上。

为什么 Vector Buckets 如此令人兴奋？

• 技术栈极大简化：你不再需要引入和维护一个独立的向量数据库。文件存储、向量生成、相似度搜索，一切都在 Supabase 平台内一站式完成。
• 数据不离库，安全可控：文件和它们的向量嵌入存储在一起，让你能利用 Supabase 成熟的行级安全（RLS）策略来精细控制数据访问权限。这对于处理敏感数据的应用至关重要。
• 与 Supabase 生态无缝集成：Vector Buckets 与 Supabase 的认证、数据库、边缘函数等所有功能无缝协作，提供了一个连贯且高效的开发体验。
• 自动化处理流程：你可以设置数据库函数和 Webhook，实现文件上传后自动触发 Embedding 生成和存储，完全无需人工干预。

快速上手：构建一个简单的 RAG 应用

下面，我们通过一个简单的例子，看看使用 Vector Buckets 有多方便。

第一步：创建一个 Vector Bucket

首先，在 Supabase 的仪表盘或通过客户端库创建一个新的存储桶，并指定 embedding 模型。

-- 使用 SQL 创建一个 vector bucket
SELECT storage.create_bucket(
'documents',
public => true,
  file_size_limit => '50MB',
  allowed_mime_types => ARRAY['application/pdf'],
-- 启用向量扩展
  extensions => jsonb_build_object(
    'vectors', jsonb_build_object(
      'embedding_model', 'text-embedding-3-small'
    )
  )
);

第二步：上传文件并自动生成 Embedding

当你向这个 documents存储桶上传一个 PDF 文件时，Supabase 的扩展会自动在后台完成以下操作：

1. 解析 PDF 内容。
2. 将内容分块（Chunking）。
3. 调用你指定的 text-embedding-3-small模型为每个块生成向量嵌入。
4. 将这些块和向量存入一个名为 supabase_storage_vectors的新表中。

这一切都是全自动的！

第三步：执行相似度搜索

现在，你可以使用 storage.search()函数来查找与你的问题最相关的内容块。

// 使用 Supabase JS 客户端进行搜索
const { data, error } = await supabase
  .storage
  .search('documents', 'What are vector buckets?')

if (data) {
  // 'data' 将包含最相似的文本块
  // 接下来你可以将这些文本块作为上下文注入到 LLM 的 Prompt 中
  console.log(data)
}

总结

Supabase 的 Vector Buckets 通过将相似度搜索功能直接集成到对象存储层，极大地简化了 AI 应用（尤其是 RAG）的开发流程。它降低了技术栈的复杂性，提高了数据安全性和开发效率。

如果你正在构建或计划构建 AI 应用，那么这个新功能绝对值一试！它让我们离“人人都能轻松构建 AI 应用”的未来又近了一步。

Vector Buckets 目前只对Pro及以上版本提供 Public Alpha 测试，在测试期间，Vector Buckets 可以免费使用。

参考资料：

Introducing Vector Buckets