Supabase AI 使用介绍：功能、价格与上手指南

Supabase AI 是 Supabase 平台面向 AI 应用的扩展能力组合，涵盖向量存储、Edge Functions、AI 助手与第三方模型集成。本文介绍其核心功能、价格结构与上手指南，并给出可执行的实践步骤。

Supabase AI 并不是一个独立产品，而是 Supabase 平台围绕 AI 应用提供的能力集合：向量数据库、Edge Functions、AI 助手以及与大模型 API 的集成。它适合想在 Postgres 上快速搭建 RAG、语义搜索或智能助手的开发者。

一、Supabase AI 是什么

Supabase 是一个基于 Postgres 的开源后端平台。Supabase AI 的核心思路是：让 AI 能力直接建立在数据库之上。你可以用 pgvector 存储向量，用 Edge Functions 调用模型，用 SQL 做相似度检索。

二、核心功能

1. 向量数据库（pgvector）

Supabase 内置 pgvector 扩展，支持向量列、IVFFlat/HNSW 索引和相似度查询。

create extension vector;
create table docs (
  id bigserial primary key,
  content text,
  embedding vector(1536)
);

2. AI 助手与 SQL 生成

Supabase Studio 提供 AI 助手，可根据自然语言生成 SQL、解释查询、优化索引。

3. Edge Functions

Edge Functions 基于 Deno，适合放置调用大模型的轻量逻辑，避免 API Key 暴露在前端。

4. 第三方模型集成

可通过 Edge Functions 或客户端 SDK 接入 OpenAI、Anthropic、Cohere 等模型。

5. 向量检索与混合搜索

结合全文检索与向量检索，可实现混合搜索，提升召回质量。

三、价格方案

方案价格适用场景
Free0 美元学习与小项目
Pro25 美元/月起生产环境
Team599 美元/月起团队协作
Enterprise定制大型企业

AI 相关成本主要来自模型 API 调用，Supabase 本身按数据库与计算资源计费。

四、上手指南

第一步：创建项目

注册 Supabase，创建新项目，记下 Project URL 和 anon key。

第二步：启用 pgvector

在 SQL Editor 中执行：

create extension if not exists vector;

第三步：创建向量表

create table documents (
  id bigserial primary key,
  content text,
  embedding vector(1536)
);
create index on documents using hnsw (embedding vector_cosine_ops);

第四步：写入向量

用 OpenAI Embeddings 生成向量后插入：

const embedding = await openai.embeddings.create({
  model: 'text-embedding-3-small',
  input: content
});
await supabase.from('documents').insert({
  content,
  embedding: embedding.data[0].embedding
});

第五步：相似度查询

select content, 1 - (embedding <=> query_embedding) as similarity
from documents
order by embedding <=> query_embedding
limit 5;

第六步：接入 Edge Function

将模型调用放入 Edge Function，前端只调用 Supabase 函数。

五、注意事项

  • 向量维度需与模型一致，常见为 1536。
  • 大规模数据建议使用 HNSW 索引。
  • 不要把模型 API Key 放在前端。
  • 注意行级安全策略（RLS）。

结论

Supabase AI 的优势在于把向量检索、后端逻辑和模型调用统一在 Postgres 生态中。对于需要快速构建 RAG 或语义搜索的团队，它是低门槛且可扩展的选择。建议先用 Free 方案验证流程，再根据数据量升级到 Pro。

返回 AI 教程列表