Supabase AI & Vectors 是什麼、怎麼用：用 Postgres 和 pgvector 做向量檢索與 RAG

本文根據 Supabase 官方文檔的「AI & Vectors」概覽頁整理，資料核對於 2026-10-11。具體用法與價格以官方文檔和定價頁為準。

是什麼

Supabase 是一個以 Postgres 數據庫為核心的開源後端平台。AI & Vectors 是它面向 AI 應用的部分，官方文檔的定義是：一個使用 Postgres 和 pgvector 開發 AI 應用的開源工具集，用來配合 Supabase 的客戶端庫，大規模地存儲、索引和查詢向量嵌入。

通俗地說：做「知識庫問答」（RAG）需要一個向量數據庫，而 Supabase 的思路是不必另起一套系統，直接在你已有的 Postgres 裏存向量，和業務數據放在一起、用同一套權限。

能做什麼

文檔列出的組成部分：

• pgvector 向量存儲：在 Postgres 裏儲存和檢索嵌入向量。
• Python 客戶端（vecs）：管理非結構化的嵌入數據。
• 數據庫遷移：用常規的表結構和遷移來管理結構化的嵌入。
• 嵌入生成：在 Edge Functions 裏直接運行開源模型來生成嵌入。
• 三種搜尋方式：語義搜尋、關鍵詞搜尋，以及兩者結合的混合搜尋。

文檔給出的示例包括：無介面的向量搜尋（Headless Vector Search）、用 OpenAI CLIP 做圖片搜尋、Hugging Face 圖片描述、在 Edge Functions 裏調用 OpenAI 補全、Next.js 加 OpenAI 的文檔搜尋等。

列出的集成有 OpenAI、Amazon Bedrock、Hugging Face、LangChain 和 LlamaIndex。

怎麼上手

1. 在 supabase.com 創建項目（或自託管一套 Supabase）。
2. 按文檔啟用 pgvector，建一張帶向量列的表。
3. 把文檔切塊，調用嵌入模型生成向量後寫入表中；文檔裏有「生成文本嵌入」的分步指南。
4. 查詢時把用戶問題同樣轉成向量，按相似度取回最相關的若干片段，再連同問題一起交給大模型回答。
5. 數據量增大後，按文檔為向量列建立索引，並根據需要改用混合搜尋。

具體的 SQL 語句與代碼以官方文檔為準，這裏不憑印象抄寫。

免費與付費

AI & Vectors 概覽頁沒有單獨的價格說明——它是 Supabase 數據庫能力的一部分，費用取決於你的 Supabase 項目方案和用量；嵌入模型與大模型的調用費由對應廠商另計。Supabase 各方案的價格請查看官網定價頁。

適合誰 / 不適合誰

適合： 已經在用 Supabase 或 Postgres 的全棧開發者；希望向量數據與業務數據、行級權限放在一起的項目；想用開源、可自託管方案的團隊。

不適合： 不寫代碼、想要現成知識庫產品的用戶（可以看 Dify、FastGPT 這類平台）；向量規模極大、需要專用向量引擎極限性能的場景；不熟悉 SQL 的初學者。

注意事項

• 更換嵌入模型後向量維度可能不同，舊數據需要重新生成。
• 向量表也要配置行級安全策略，避免檢索到用戶無權查看的內容。
• 索引參數會影響召回率和速度，上線前用真實數據測一測。