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。
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。
https://rdsnext.console.aliyun.com/rdsList/cn-hangzhou
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。
对RDS Supabase感兴趣，欢迎加入 RDS Supabase 钉钉技术交流群（群号：103525002795）。
来源 | 阿里云开发者公众号
作者 | 日近、木信、晟伟
