.svg){kind=small}
Supabase的人工智能文档 简直逆天
Supabase技术文档接入AI搜索后，能支持自然语言，能写代码，甚至能debug，估计很多人好奇它是怎么实现的。
集成ChatGPT的AI文档检索要解决两个问题：1. 检索；2. 对话
比如说如图一所示，我问了一个问题：“如何使用Nextjs连接supabase， 请用中文回复”
第一步要做的就是把所有满足这个输入条件的文章都找出来。但按照以前全文检索的思路，分词、再查找，几乎不可能，因为原始文档都是英文的，而我输入的是中文，根本无法按照关键字去检索。 这里用的是一种Embeddings的技术，OpenAI针对Embeddings提供了API，输入文本后，可以得到一串数字。
那么什么是Embeddings呢？ Embeddings是用来测量“关联性”的，可以用来：
• 搜索：看你搜索的问题和一组文本的相似度如何
• 建议：两种产品的相似度如何
• 分类：如何对文本进行分类
OpenAI提供了Embeddings的API，可以事先将所有的文档转成文本向量数据，然后将结果存储到支持向量的数据库。
如果你数据不大，存成csv文件，然后加载到内存，借助内存搜索也是一样的。
当用户提问的时候，把用户的问题也借助Embeddings API也变成文本向量，然后使用向量搜索，就能找出来哪些结果是接近的。
比如我提的问题，文档中的“Use Supabase with NextJS”就很接近。
借助Embeddings，就能帮助用户检索到想要的结果了。 但这还不够，因为光检索到结果，只能给用户返回文档，而不能按照用户的要求返回中文，甚至生成代码。这时候就要借助ChatGPT的和prompt了。
ChatGPT 有一个庞大的知识库，它能理解用户的指令，能写代码，但是它对你的文档却一无所知，所以用户在提问时，你需要把匹配到的文档，生成prompt，喂给ChatGPT，让ChatGPT将“用户的问题”、“搜索到的文档”结合自己的知识库，返回给用户最终的结果。
继续以图一中我的问题为例，给ChatGPT的prompt大概长这样：
有了这些信息，就足够ChatGPT帮助你按照Supabase上匹配的文档，给你回复甚至生成代码了。
supabase相关文档
https://supabase.com/blog/openai-embeddings-postgres-vector
开源参考实现: