附部署代码|云数据库RDS 全托管 Supabase服务:小白轻松搞定开发AI应用

本文涉及的产品
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
云数据库 RDS PostgreSQL,高可用系列 2核4GB
云数据库 RDS MySQL,高可用系列 2核4GB
简介: 本文通过一个 Agentic RAG 应用的完整构建流程,展示了如何借助 RDS Supabase 快速搭建具备知识处理与智能决策能力的 AI 应用,展示从数据准备到应用部署的全流程,相较于传统开发模式效率大幅提升。

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

相关实践学习
每个IT人都想学的“Web应用上云经典架构”实战
本实验从Web应用上云这个最基本的、最普遍的需求出发,帮助IT从业者们通过“阿里云Web应用上云解决方案”,了解一个企业级Web应用上云的常见架构,了解如何构建一个高可用、可扩展的企业级应用架构。
MySQL数据库入门学习
本课程通过最流行的开源数据库MySQL带你了解数据库的世界。   相关的阿里云产品:云数据库RDS MySQL 版 阿里云关系型数据库RDS(Relational Database Service)是一种稳定可靠、可弹性伸缩的在线数据库服务,提供容灾、备份、恢复、迁移等方面的全套解决方案,彻底解决数据库运维的烦恼。 了解产品详情: https://www.aliyun.com/product/rds/mysql 
相关文章
|
人工智能 缓存 NoSQL
【深度】企业 AI 落地实践(四):如何构建端到端的 AI 应用观测体系
本文探讨了AI应用在实际落地过程中面临的三大核心问题:如何高效使用AI模型、控制成本以及保障输出质量。文章详细分析了AI应用的典型架构,并提出通过全栈可观测体系实现从用户端到模型推理层的端到端监控与诊断。结合阿里云的实践经验,介绍了基于OpenTelemetry的Trace全链路追踪、关键性能指标(如TTFT、TPOT)采集、模型质量评估与MCP工具调用观测等技术手段,帮助企业在生产环境中实现AI应用的稳定、高效运行。同时,针对Dify等低代码平台的应用部署与优化提供了具体建议,助力企业构建可扩展、可观测的AI应用体系。
|
28天前
|
机器学习/深度学习 人工智能 PyTorch
GPT为定制AI应用工程师转型第一周学习计划
本计划帮助开发者快速入门AI领域,首周涵盖AI基础理论、Python编程及PyTorch实战。前两天学习机器学习、深度学习与Transformer核心概念,掌握LLM工作原理。第三至四天快速掌握Python语法与Jupyter使用,完成基础编程任务。第五至七天学习PyTorch,动手训练MNIST手写识别模型,理解Tensor操作与神经网络构建。
96 0
|
2月前
|
人工智能 监控 数据可视化
BISHENG下一代企业AI应用的“全能型“LLM软件
杭州奥零数据科技有限公司成立于2023年,专注于数据中台业务,维护开源项目AllData并提供商业版解决方案。AllData提供数据集成、存储、开发、治理及BI展示等一站式服务,支持AI大模型应用,助力企业高效利用数据价值。
|
11天前
|
人工智能 开发者
OpenVINO™ DevCon中国系列工作坊:AI模型优化与端侧应用落地
解锁AI高效部署新路径,共赴智能创新璀璨未来
53 1
|
17天前
|
存储 人工智能 机器人
别再只做聊天机器人:AI 应用商业闭环的工程落地指南,免费体验中
本文介绍了如何通过阿里云百炼平台创建一个星座运势分析AI智能体,并集成支付宝MCP服务实现支付闭环。解决AI产品无法直接变现的问题,完成“服务-支付-交易”全流程闭环,帮助开发者快速实现商业化。
|
24天前
|
人工智能 分布式计算 大数据
ODPS重磅升级!全面支撑AI应用爆发
阿里云全面升级自研大数据平台ODPS架构,旗下MaxCompute、Hologres和DataWorks等核心产品全面融合AI技术,提升数据处理能力与多模态计算支持,推动企业智能化转型。
80 0
ODPS重磅升级!全面支撑AI应用爆发

热门文章

最新文章