Supabase + RAG企业知识库实战（2026完整版）

如果你做AI产品，一定会遇到一个核心问题：

👉 怎么让AI“知道你公司的内容”？

比如：

• 公司文档
• 产品手册
• 客服话术
• 内部知识库

普通AI是不知道这些内容的。

一、先说人话结论

RAG = 给AI装一个“可搜索的大脑”

它不是训练模型，而是：

👉 把你的资料“变成可检索知识”

二、完整系统长什么样？

```text id="rag_flow_01"

用户提问

↓

Embedding向量化

↓

Supabase向量数据库检索

↓

召回相关内容

↓

DeepSeek生成答案

↓

返回用户

三、你会得到什么能力？

完成后系统可以：

• 自动回答公司问题
• 自动查产品资料
• 自动客服回复
• 自动内部知识查询

👉 等于一个“企业AI助理”

四、前置准备

需要：

• Supabase（免费）
• DeepSeek API
• Embedding模型（OpenAI / 其他）
• n8n（可选）

五、Step 1：创建Supabase向量数据库

安装扩展

create extension if not exists vector;
创建知识表
```sql
create table knowledge_base ( id uuid default gen_random_uuid() primary key, content text, embedding vector(1536), metadata jsonb, created_at timestamp default now()
);

六、Step 2：生成Embedding

示例（文本向量化）

产品：AI客服系统

功能：自动回复客户问题，提高转化率

Embedding输出（示例）

[ 0.012, -0.98, 0.33, ...
]

👉 这就是“语义指纹”

七、Step 3：写入Supabase

{ "content": "AI客服系统用于自动回复客户问题", "embedding": [0.12, -0.98, 0.33], "metadata": { "type": "product", "tag": "customer service" }
};

八、Step 4：向量检索（核心）

SQL查询

select content, embedding <-> '[query_vector]' as distance
from knowledge_base
order by distance asc
limit 5;

👉 找最相似的内容

九、Step 5：接入DeepSeek生成回答

Prompt模板

你是企业知识助手，请根据以下资料回答问题：

资料：

{context}

用户问题：

{question}

要求：

• 简洁
• 准确
• 不要编造

示例输入
AI客服系统是什么？
示例输出
AI客服系统是一种利用AI自动回复客户问题的系统，可以提升客服效率并降低人工成本。

十、完整RAG流程

用户问题 → Embedding → Supabase检索 → DeepSeek生成 → 输出答案

十一、常见问题（非常重要）

❌ 1. 检索不到内容

原因：

embedding维度不对

数据没存进去

解决：

检查 vector(1536)

❌ 2. AI回答不准确

原因：

context太少

prompt太弱

解决：

提高 topK = 5~10

❌ 3. 返回“胡说”

原因：

没做RAG约束

解决：

必须限制“只能基于资料回答”

十二、进阶优化

🚀 1. 多数据源RAG

• PDF
• Notion
• 网页
• CRM数据

🚀 2. 混合检索（Hybrid Search）

关键词 + 向量搜索

🚀 3. AI客服系统

自动回复客户问题

自动推荐产品

自动生成话术

十三、本质理解（非常关键）

RAG本质是：

❌ 不是训练AI

✔ 是给AI外挂数据库

十四、成本分析

项目 成本

• Supabase 免费
• Embedding 低成本
• DeepSeek 按量

👉 小团队完全可以启动

十五、总结

你现在已经拥有：

• AI知识库
• AI搜索系统
• AI客服系统雏形