作者：日近 木信 晟伟

前言

云数据库 RDS PostgreSQL全托管Supabase服务，为客户提供AI应用开发的新范式。

相比于传统开发模型，基于RDS Supabase的开发模型有以下几个核心优势：

• 开发部署效率：传统应用通常有多层架构，并且前后端服务以及数据库之间紧密耦合，Supabase则提供开箱即用的一体化服务能力，应用开发部署周期从月级缩短至天级，快速将应用推向市场。

• 成本优化：传统应用需要大量人力维护多个应用组件以及数据库的资源，而基于全托管的RDS Supabase以及RDS PostgreSQL的全生命周期管理能力，在资源成本以及人力成本上，均能减小50%以上。

• 可扩展性：相比传统应用开发的基于新组件的扩展模型，RDS Supabase可基于PostgreSQL的插件以及第三方应用扩展，并且在资源上具备Serverless弹性扩展能力，轻松应对流量的增长。

免费申请试用：RDS Supabase 使用咨询https://page.aliyun.com/form/act987005680/index.htm

什么是Supabase

Supabase是一个开源的，建构于开源PostgreSQL之上的后端即服务（BaaS）平台，旨在替代Firebase等商业化BaaS平台，Supabase整合了多个优秀的开源框架，并基于PostgreSQL进行了深度适配，提供了API化的数据库管理能力、用户管理、身份认证、对象存储服务以及基于PostgreSQL CDC和Websocket的实时通信服务，基于这些平台化基础能力，能够使开发者简化全栈应用开发的流程，帮助开发者快速构建高性能，可扩展的应用程序，同时避免传统开发流程中需要维护复杂后端基础设施的问题。

Supabase适用场景

Supabase 通过整合数据库、认证、存储、实时通信等开箱即用的能力，为开发者和企业提供「开发即交付」的后端即服务（BaaS）解决方案。开发者可基于此快速构建最小可行性产品（Minimum Viable Product，MVP）核心功能，以最低成本、最短周期完成产品原型开发与市场验证。这种「功能模块即插即用」的模式，将传统开发中耗时的基础设施搭建转化为自动化服务，显著降低试错风险，助力企业在创新探索阶段实现资源最优配置。

基于Supabase开发的典型应用场景：

Supabase核心能力

Supabase可提供认证&用户管理（Auth）、数据库管理（ REST& GraphQL）、实时通信（Realtime）、存储（Storage）等能力。

认证 & 用户管理 (Auth)

• 用户管理：提供用户注册、注销、角色管理以及匿名用户等能力；

• 认证授权：通过GoTrue提供了开箱即用的多种认证授权方式，支持邮箱、密码、手机登录、无密码登录、SAML SSO单点登录以及OAuth 授权，同时具备灵活的扩展性，支持第三方平台认证(Github, Google, Apple, Facebook等)；

• 会话管理：基于标准的 JWT(JSON Web Tokens) 提供细粒度的权限控制；

• Auth模块中的每个用户通过对应的role与PostgreSQL内核提供的 Row-Level Security (RLS) 行安全策略绑定，使得多个用户的数据虽然都存在一张表内，但是每个用户只能访问到自己的数据，达到安全隔离的效果。例如，在任务管理应用中，可设置“用户仅能查看自己创建的任务”。此外，Supabase身份认证的用户数据存储于 PostgreSQL 的Auth Schema中，并可通过外键关联至应用自定义表（如用户个人资料表）。

数据库管理(REST & GraphQL)

Supabase 支持通过RESTful接口以及GraphQL接口管理并操作数据库中的库、表、函数、存储过程等对象，相比传统的应用DAO层的开发方式，通过API接口的方式操作不需要新增DAO层，只需要增加对应表的业务处理逻辑即可。

• RESTful接口：基于PostgREST框架实现，实现API接口到SQL的转换，并且在PostgREST框架中内置了一个连接池，能够在承接高流量HTTP请求时，保证PostgREST与数据库之间的连接数稳维持在一个较低的水平，防止PostgreSQL数据库出现内存占用过多的问题；

• GraphQL：基于pg_graphql插件实现，result一般返回JSONB类似的格式；

例如，创建一张 messages 表后，Supabase 会自动提供 /rest/v1/messages 端点，实现数据的增删改查操作，显著减少后端开发时间。

实时通信（Realtime）

Supabase 通过Realtime组件提供实时消息通信以及消息广播能力，客户端与Realtime之间支持 WebSocket 协议，结合PostgreSQL数据库自带的逻辑复制Slot，trigger触发器，配合监听Realtime的messages系统表的变更，能够实现将数据库中的纪录变更及时广播推送至多个客户端，并且在Realtime中能够实现跨地域，多Realtime服务之间的消息传播，这一特性在需要高交互性的场景中尤为重要，例如实时聊天应用或协作工具。以聊天应用为例，当用户 A 发送消息后，所有连接至该频道的客户端（如用户 B 的设备）会立即收到更新，无需轮询服务器 。

Storage(兼容S3标准的OSS对象存储)

Storage主要封装的兼容S3标准的对象存储接口，利用PostgreSQL存储对应OSS Bucket信息以及文件信息，结合Auth的RLS策略对OSS访问实现权限控制。

RDS Supabase：全托管Supabase + RDS企业级数据库能力保障

RDS Supabase是基于云数据库RDS PG的全托管 Supabase 应用开发平台，为企业客户提供 BaaS （Backend as a service）服务。通过全托管Supabase服务+RDS PG企业级数据库能力+开箱即用的架构设计，RDS Supabase为企业提供无需维护底层基础设施的后端服务部署方案，加速企业AI应用业务上线进程。

整体架构

RDS Supabase增强能力

RDS Supabase 服务基于阿里云数据库 RDS PostgreSQL 构建，为企业提供涵盖计算、存储、网络及大模型资源的全托管解决方案。该服务与开源版 Supabase 100%兼容，支持通过可视化的RDS控制台或 OpenAPI 实现实例的灵活管理。相较于开源版 Supabase 和开源 PostgreSQL 数据库，RDS Supabase 不仅提供 RDS PostgreSQL 的完整功能集，更在性能稳定性、弹性扩展能力及自动化运维层面实现显著突破，助力开发者高效构建现代化后端服务。

性能

RDS PostgreSQL 在计算与存储层面均具备灵活的弹性能力。存储层面，RDS PG支持按需扩展、自动分层存储等能力，满足海量数据的高吞吐处理需求。在计算层面，RDS PG 提供 传统 Serverless 与承诺型 Serverless 两种弹性能力：

• 传统 Serverless： 适用于开发测试、容灾备份等对 SLA 要求较低或业务流量波动明显的场景，实现按需自动扩缩容。

• 承诺型 Serverless ：通过 '急弹缓降' 策略（快速扩容 + 慢速缩容），结合 '本地化扩容' 机制，避免因跨机扩容导致的业务中断问题。其核心优势在于：

业务无损：基于基本规格的性能兜底保障，确保核心业务持续稳定运行；

突破瓶颈：解除传统实例规格对 I/O 带宽的限制，依托 RDS 高性能云盘，单实例最大吞吐量可达 4GB/s；

智能调度：通过动态资源池化技术，实现资源利用效率与业务响应速度的双重优化。

容灾

RDS PostgreSQL开放了物理复制权限，基于原生原理物理以及云盘快照能力，并通过全托管的CEN网络，免去了繁琐的手动CEN搭建过程，实现了一键跨Region RDS PostgreSQL实例间的容灾、云上云下容灾以及跨Region的PITR恢复能力，满足用户在成本，RTO，RPO上的不同需求，最大限度的保证Supabase的数据安全。

AI增强

RDS PostgreSQL 通过插件市场提供100+个可扩展插件，开发者可通过安装 pgvector（向量检索）、Apache Age（图数据库）及 RUM（全文检索）等插件，结合 RDS Supabase ，快速构建 GraphRAG、知识库混合搜索等 AI 应用。

在向量数据库性能优化方面，RDS PostgreSQL 也能针对性提供Vector类型构建和查询性能的优化。传统pgvector（如适用于高向量纬度但小数据集场景的ivfflat 索引，适用于大数据集场景但低向量唯独的HNSW 索引）在高向量纬度、大数据集场景的表现均不佳。RDS PostgreSQL引入开源 disk_ann 索引，在确保查询精度的前提下，在索引构建速度和索引空间上均有大幅提升；同时，在硬件层面，RDS PostgreSQL通过承诺型Serverless和高性能云盘，为向量索引构建和查询提供更高的IO吞吐以及更大的内存空间进行加速。

实战演练：基于RDS Supabase开发一个简易Agentic RAG应用

Project背景

本项目演示通过 RDS Supabase + LangChain 快速搭建具备以下能力的Agentic RAG 应用：

1. 知识处理链路

• 向量化：通过 DashScope Embedding 将 PDF/Word 等格式的文档转换为向量表示；

• 向量存储：通过RDS Supabase + pgvector 构建高性能向量数据库，存储向量；

• 智能决策：LangChain 自动管理「检索-生成」流程，通过 tool_call 机制动态选择检索策略；

2. 对话交互系统

• 大模型驱动：集成通义千问作为Chatbot模型，进行自然语言理解和生成；

• 会话管理：Streamlit 框架维护上下文状态，支持连续多轮对话；

该类 Agentic RAG应用可广泛使用于如下真实场景中：

• 企业知识库问答：快速构建支持 PDF/Word 文档语义检索的智能助手；

• 医疗健康咨询：基于专业医学文献提供个性化健康建议；

• 多模态客服系统：结合 Qwen 的多模态能力，处理图文混合咨询；

通过该方案，开发者可在RDS控制台快速完成从数据准备到应用部署的全流程，相较传统开发模式效率有大幅度提升。

操作步骤

1. 登录云数据库RDS控制台，创建 RDS Supabase。

2. 安装vector插件、建表、设函数，使pg拥有处理向量的能力。

-- Enable the pgvector extension to work with embedding vectors
create extension ifnot exists vector;

-- Create a table to store your documents
create table
  documents(
    id uuid primary key,
    content text, -- corresponds to Document.pageContent
    metadata jsonb, -- corresponds to Document.metadata
    embedding vector (1536) -- 1536 works for OpenAI embeddings, change if needed
  );

-- Create a function to search for documents
create function match_documents(
  query_embedding vector (1536),
  filter jsonb default'{}'
) returns table(
  id uuid,
  content text,
  metadata jsonb,
  similarity float
) language plpgsql as formula-0
;

3. 准备环境变量: DASHSCOPE_API_KEY、SUPABASE_URL、SUPABASE_SERVICE_KEY。

DASHSCOPE_API_KEY = "sk-*****"
SUPABASE_URL = "http://*.*.*.*:*"
SUPABASE_SERVICE_KEY = "eyJhbGc****BBNWN8Bu4GE"

4. 准备RAG材料，编写代码，将材料进行Embedding（使用DashScope Embedding）。

将documents/ 目录下的pdf文件进行embedding存入Supabase。

import os
from dotenv import load_dotenv

# import langchain
from langchain_community.document_loaders import PyPDFDirectoryLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import SupabaseVectorStore

from langchain_community.embeddings.dashscope import DashScopeEmbeddings

# import supabase
from supabase import create_client, Client

# 加载环境变量
load_dotenv()

# 获取配置
# supabase_url = os.environ.get("SUPABASE_URL") 
# supabase_key = os.environ.get("SUPABASE_SERVICE_KEY")

# 简化初始化
supabase: Client = create_client(supabase_url, supabase_key)
# initiate embeddings model
embeddings = DashScopeEmbeddings(model="text-embedding-v2", dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))

# load pdf docs from folder 'documents'
loader = PyPDFDirectoryLoader("documents")

# split the documents in multiple chunks
documents = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100)
docs = text_splitter.split_documents(documents)

# store chunks in vector store
vector_store = SupabaseVectorStore.from_documents(
    docs,
    embeddings,
    client=supabase,
    table_name="documents",
    query_name="match_documents",
    chunk_size=1000,
)

5. 构建Agentic RAG，进行单次对话（使用Qwen作为对话LLM）。

# import basics
import os
from dotenv import load_dotenv

from langchain.agents import AgentExecutor
from langchain.agents import create_tool_calling_agent
from langchain_community.vectorstores import SupabaseVectorStore
from langchain import hub

from supabase.client import Client, create_client
from langchain_core.tools import tool
from langchain_community.embeddings.dashscope import DashScopeEmbeddings
from langchain_community.chat_models.tongyi import ChatTongyi
# load environment variables
load_dotenv()  

# initiate supabase database
supabase_url = os.environ.get("SUPABASE_URL")
supabase_key = os.environ.get("SUPABASE_SERVICE_KEY")

supabase: Client = create_client(supabase_url, supabase_key)

# initiate embeddings model
# embeddings = OpenAIEmbed dings(model="text-embedding-3-small")
embeddings = DashScopeEmbeddings(model="text-embedding-v2", dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))

# initiate vector store
vector_store = SupabaseVectorStore(
    embedding=embeddings,
    client=supabase,
    table_name="documents",
    query_name="match_documents",
)

# initiate large language model (temperature = 0)
# llm = ChatOpenAI(temperature=0)
llm = ChatTongyi(streaming=True)
# fetch the prompt from the prompt hub
prompt = hub.pull("hwchase17/openai-functions-agent")

# create the tools
@tool(response_format="content_and_artifact")
def retrieve(query: str):
    """Retrieve information related to a query."""
    retrieved_docs = vector_store.similarity_search(query, k=2)
    serialized = "\n\n".join(
        (f"Source: {doc.metadata}\n" f"Content: {doc.page_content}")
        for doc in retrieved_docs
    )
    return serialized, retrieved_docs

# combine the tools and provide to the llm
tools = [retrieve]
agent = create_tool_calling_agent(llm, tools, prompt)

# create the agent executor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# invoke the agent
response = agent_executor.invoke({"input": "why is agentic rag better than naive rag?"})

# put the result on the screen
print(response["output"])

6. 使用streamlit维护会话状态，在前端进行多轮对话。

streamlit run agentic_rag_streamlit.py

# import basics
import os
from dotenv import load_dotenv
# import streamlit
import streamlit as st
# import langchain
from langchain.agents import AgentExecutor
from langchain_openai import ChatOpenAI
from langchain_core.messages import AIMessage, HumanMessage
from langchain.agents import create_tool_calling_agent
from langchain import hub
from langchain_community.vectorstores import SupabaseVectorStore
from langchain_openai import OpenAIEmbeddings
from langchain_core.tools import tool
# import supabase db
from supabase.client import Client, create_client
from langchain_community.embeddings.dashscope import DashScopeEmbeddings
from langchain_community.chat_models.tongyi import ChatTongyi
# load environment variables
load_dotenv()  
# initiating supabase
supabase_url = os.environ.get("SUPABASE_URL")
supabase_key = os.environ.get("SUPABASE_SERVICE_KEY")
supabase: Client = create_client(supabase_url, supabase_key)
# initiating embeddings model
embeddings = DashScopeEmbeddings(model="text-embedding-v2", dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"))
# initiating vector store
vector_store = SupabaseVectorStore(
    embedding=embeddings,
    client=supabase,
    table_name="documents",
    query_name="match_documents",
)

# initiating llm
llm = ChatTongyi(streaming=True)
# pulling prompt from hub
prompt = hub.pull("hwchase17/openai-functions-agent")
# creating the retriever tool
@tool(response_format="content_and_artifact")
def retrieve(query: str):
    """Retrieve information related to a query."""
    retrieved_docs = vector_store.similarity_search(query, k=2)
    serialized = "\n\n".join(
        (f"Source: {doc.metadata}\n" f"Content: {doc.page_content}")
        for doc in retrieved_docs
    )
    return serialized, retrieved_docs
# combining all tools
tools = [retrieve]
# initiating the agent
agent = create_tool_calling_agent(llm, tools, prompt)
# create the agent executor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# initiating streamlit app
st.set_page_config(page_title="Agentic RAG Chatbot", page_icon="🦜")
st.title("🦜 Agentic RAG Chatbot")
# initialize chat history
if"messages"not in st.session_state:
    st.session_state.messages = []
# display chat messages from history on app rerun
for message in st.session_state.messages:
    if isinstance(message, HumanMessage):
        with st.chat_message("user"):
            st.markdown(message.content)
    elif isinstance(message, AIMessage):
        with st.chat_message("assistant"):
            st.markdown(message.content)
# create the bar where we can type messages
user_question = st.chat_input("How are you?")
# did the user submit a prompt?
if user_question:
    # add the message from the user (prompt) to the screen with streamlit
    with st.chat_message("user"):
        st.markdown(user_question)
        st.session_state.messages.append(HumanMessage(user_question))
    # invoking the agent
    result = agent_executor.invoke({"input": user_question, "chat_history":st.session_state.messages})
    ai_message = result["output"]
    # adding the response from the llm to the screen (and chat)
    with st.chat_message("assistant"):
        st.markdown(ai_message)
        st.session_state.messages.append(AIMessage(ai_message))

总结

通过阿里云RDS与Supabase的深度融合，开发者将能以更低成本、更高效率地构建下一代AI应用，真正实现"代码即基础设施"的开发愿景。