1. 项目概述：当Supabase遇上Agent Plan

最近在AI应用开发圈里，一个挺有意思的动静是火山引擎把Supabase正式整合进了他们的Agent Plan里。如果你之前玩过Supabase，知道它是个开源的Firebase替代品，主打后端即服务（BaaS），那这个组合就有点意思了。简单来说，这相当于给Supabase这个强大的“数据与后端引擎”装上了一套“AI智能大脑”和“自动化手脚”。

以前我们用Supabase，主要是图它省事：数据库（PostgreSQL）、身份验证、实时订阅、存储API，开箱即用，不用自己从零搭建服务器。但当我们想给应用加入AI能力，比如让一个客服机器人能根据数据库里的订单历史智能回复，或者让一个内容生成工具能自动把用户提交的表单数据整理成报告，就需要在Supabase之外再折腾一套AI服务，自己写中间层来桥接数据和AI模型，挺麻烦的。

火山引擎的Agent Plan瞄准的就是这个痛点。它不是一个具体的产品，更像是一个“AI智能体开发与运行方案”。你可以把它理解为一个平台或一套工具集，专门用来构建、管理和部署那些能自主理解任务、使用工具（比如查询数据库、调用API）、执行复杂工作流的AI智能体（Agent）。现在，Supabase作为这个方案里的核心“数据源”和“工具”被深度集成，意味着你的AI智能体可以直接、安全、高效地读写Supabase里的数据，或者触发Supabase的后端函数，数据流和业务逻辑一下子就被打通了。

对于我们开发者而言，最直接的体现就是两个新玩意儿：**CLI（命令行工具）**和 Skills（技能） 。CLI让你能像管理本地项目一样，通过命令行快速创建、配置、测试和部署你的AI智能体项目。而Skills，则是这个生态里的“乐高积木”，一个Skill就是一个封装好的能力单元，比如“查询Supabase用户表”、“向Supabase插入一条日志”、“调用一个特定的外部API”。你可以像搭积木一样，把这些Skills组合给你的AI智能体使用，让它瞬间获得操作真实世界数据和系统的能力。

所以，这篇内容就是一次深度上手体验。我会以一个实际场景为例，带你走一遍从零开始，使用火山引擎Agent Plan的CLI工具，创建一个能连接你个人Supabase项目、并具备特定Skills的AI智能体的全过程。过程中会穿插大量我踩过的坑和总结的技巧，目标是让你看完就能动手复现一个属于自己的、能跑起来的AI应用原型。

2. 核心概念与工具链拆解

在动手之前，我们得先把几个核心概念和工具的关系理清楚。这就像玩一个新游戏，先得看懂技能树和装备界面。

2.1 Supabase：你的数据基石

Supabase在这里的角色非常清晰： 唯一可信的数据源与服务后端 。你的用户数据、业务数据、文件存储，都应该放在Supabase里。它通过PostgreSQL数据库提供了强大的关系型数据能力，通过Row Level Security (RLS) 提供了精细到行级别的数据安全控制，这是后续AI智能体安全访问数据的生命线。同时，它的Edge Functions（边缘函数）可以让你编写无服务器函数，处理复杂业务逻辑，这些函数也可以被AI智能体作为工具来调用。

注意：在集成前，请确保你的Supabase项目已经规划好了数据表结构，并且为AI智能体的访问配置了合适的RLS策略。不要让智能体拥有过高的、不必要的数据库权限，这是一个重要的安全实践。

2.2 Agent Plan CLI：项目脚手架与管家

CLI（Command Line Interface）是你本地开发的核心入口。它通常是一个通过npm或其它包管理器全局安装的命令行工具。它的核心职责包括：

  1. 项目初始化 ：一键创建符合Agent Plan规范的项目目录结构，包含基础的配置文件、示例代码。
  2. 本地开发服务器 ：启动一个本地环境，让你可以实时调试你的AI智能体和Skills，通常支持热重载。
  3. Skills管理 ：提供命令来创建新的Skill模板、列出已安装的Skill、调试单个Skill。
  4. 配置管理 ：帮助你方便地管理环境变量，比如连接Supabase所需的URL和匿名密钥。
  5. 部署 ：将调试好的智能体项目打包并部署到火山引擎的云环境中。

它把很多繁琐的配置工作标准化、自动化了，让你能聚焦在业务逻辑本身。

2.3 Skills：智能体的能力模块

Skills是这套体系里最有趣也最核心的部分。你可以把一个AI智能体想象成一个“大脑”，它很聪明，能理解你的指令，但它自己没有“手”和“眼睛”。Skills就是为它安装的“手”和“眼睛”。

一个Skill本质上是一个遵循特定规范的代码模块，它明确地定义了：

  • 输入（Input） ：这个Skill需要什么参数？比如，“查询用户”这个Skill可能需要一个 user_id 或者 email 作为输入。
  • 输出（Output） ：这个Skill执行完成后会返回什么格式的数据？通常是JSON。
  • 执行逻辑（Execution Logic） ：收到输入后，它具体做什么？这里就是写代码的地方，比如连接Supabase客户端，执行一个SQL查询，然后把结果格式化返回。

Skills分为两大类：

  • 内置Skills（Built-in Skills） ：平台提供的一些通用能力，比如“当前时间”、“计算器”、“网络搜索”（需注意合规使用）等。开箱即用。
  • 自定义Skills（Custom Skills） ：这才是重头戏。你可以自己开发任何需要的Skill。与Supabase相关的Skill，比如 query_user_profile 、 create_support_ticket ，都属于自定义Skill。开发一个自定义Skill，就是写一个函数，这个函数知道如何与你的Supabase（或其他任何服务）安全地对话。

2.4 三者如何协同工作？

整个工作流可以概括为：你用CLI创建一个项目，在项目中开发一个或多个自定义Skills（例如，专门操作你的Supabase数据库的Skill）。然后，你在智能体的配置文件中声明它可以使用哪些Skills。当你通过API或聊天界面向智能体发出指令如“帮我查一下用户张三的订单”时，智能体会先理解你的意图，然后决定调用 query_user_orders 这个Skill，并自动将“张三”映射为Skill需要的 user_name 参数。接着，它执行这个Skill里的代码，Skill代码使用你预先配置好的Supabase密钥，安全地查询数据库，拿到结果后返回给智能体，智能体再组织成自然语言回复给你。

这个过程的关键在于 声明式配置 和 安全隔离 。智能体不需要知道Supabase的连接细节，它只知道“有一个叫query_user_orders的工具可以用”。所有的机密信息（API密钥）都保存在环境变量或安全的配置管理中，不会泄露给智能体的推理过程。

3. 环境准备与项目初始化

理论说再多不如动手。我们从一个具体的场景开始：假设我有一个Supabase项目，里面有一张 products 产品表，我想做一个AI智能体，它能回答关于产品库存、价格等问题的客服。

3.1 前置条件检查

首先，确保你本地有这些基础环境：

  • Node.js ：建议安装LTS版本（如18.x或20.x）。这是运行CLI和大多数JavaScript/TypeScript Skills的基础。
  • npm 或 yarn 或 pnpm ：包管理器，用于安装CLI和项目依赖。
  • 一个Supabase项目 ：如果你还没有，去Supabase官网免费创建一个。记下你的 Project URL （看起来像 https://xxxxxx.supabase.co ）和 anon/public 密钥。可以在Project Settings -> API里找到。
  • 一个代码编辑器 ：VS Code、WebStorm等，随你喜欢。

3.2 安装Agent Plan CLI

根据火山引擎的官方文档（通常在其GitHub仓库或文档站），找到CLI的安装命令。大概率是通过npm进行全局安装。

npm install -g @volcengine/agent-cli

安装完成后，在终端里运行 agent --version 或 agent -h 来验证是否安装成功，并查看帮助信息。

实操心得：在安装全局CLI时，有时会遇到权限问题（尤其在Mac/Linux上）。如果遇到 EACCES 错误，不要轻易使用 sudo ，这可能导致后续包管理混乱。推荐的方法是使用Node版本管理器（如nvm）重新安装Node.js，或者配置npm的全局安装目录到用户有权限的路径。具体命令可以搜索“如何安全修复npm全局安装权限”。

3.3 创建你的第一个智能体项目

找一个合适的目录，执行初始化命令。CLI通常会以交互式问答的方式引导你。

mkdir my-product-agent && cd my-product-agent
agent init

这个过程可能会问你：

  • 项目名称 ： my-product-agent
  • 项目描述 ： 一个用于查询产品信息的AI客服智能体
  • 选择模板 ：通常会有“基础智能体”、“带Web界面智能体”等选项。初次上手选“基础”即可。
  • 是否初始化Git仓库 ：建议选“是”，方便版本管理。

命令执行完毕后，你会看到一个类似下图的目录结构被创建出来：

my-product-agent/
├── agent.config.ts       # 智能体的核心配置文件
├── skills/               # 存放自定义Skills的目录
│   ├── index.ts          # Skills的导出文件
│   └── example.skill.ts  # 一个示例Skill
├── .env.example          # 环境变量示例文件
├── package.json
└── tsconfig.json         # TypeScript配置（如果模板是TS）

3.4 配置环境变量与Supabase连接

这是连接你数据源的关键一步。首先，复制环境变量示例文件并创建你自己的 .env 文件（确保 .env 在 .gitignore 中，避免密钥泄露）。

cp .env.example .env

然后，用你喜欢的编辑器打开 .env 文件，填入你的Supabase连接信息。内容通常如下：

# Supabase Configuration
SUPABASE_URL=https://your-project-ref.supabase.co
SUPABASE_ANON_KEY=your-anon-key-here

# Agent Plan Configuration (如果有的话，CLI可能会提供)
AGENT_API_KEY=your-agent-api-key-if-needed

重要提示：这里使用的 SUPABASE_ANON_KEY 是客户端密钥。在Supabase的RLS策略下，它只能执行数据库操作，权限受限于你设定的策略。 绝对不要 在这里使用具有服务端角色（如 service_role ）的密钥，该密钥可以绕过RLS，一旦泄露将造成严重安全风险。所有数据访问的安全边界，都应该通过精心设计的PostgreSQL RLS策略来保障。

接下来，我们需要安装Supabase的客户端库，以便在Skill代码中使用。

npm install @supabase/supabase-js

4. 开发你的第一个Supabase Skill

现在，我们来创建一个真正有用的Skill：查询产品信息。

4.1 创建Skill文件

在 skills/ 目录下，新建一个文件，比如 query-product.skill.ts （如果你用JavaScript，就是 .js 后缀）。Skill的文件命名最好能清晰表达其功能。

4.2 编写Skill代码

一个完整的Skill需要导出一个符合特定格式的对象。我们来看代码：

// skills/query-product.skill.ts
import { createClient } from '@supabase/supabase-js';
import { Skill } from '@volcengine/agent-framework'; // 假设框架导出类型为Skill

// 初始化Supabase客户端。环境变量会在运行时由框架注入。
// 这是一个单例模式，避免重复创建连接。
const supabaseUrl = process.env.SUPABASE_URL!;
const supabaseAnonKey = process.env.SUPABASE_ANON_KEY!;
const supabase = createClient(supabaseUrl, supabaseAnonKey);

export const queryProductSkill: Skill = {
  // Skill的唯一标识，调用时会用到
  name: 'query_product',
  // 对Skill功能的自然语言描述，这很重要！AI智能体会根据描述决定是否调用此Skill
  description: '根据产品名称或ID查询产品的详细信息，包括名称、价格、库存状态和描述。',
  // 输入参数的定义
  inputSchema: {
    type: 'object',
    properties: {
      product_name: {
        type: 'string',
        description: '产品的名称，支持模糊查询。如果提供，将优先使用此参数。'
      },
      product_id: {
        type: 'string',
        description: '产品的唯一ID。精确查询时使用。'
      }
    },
    // 至少需要提供一个参数
    anyOf: [
      { required: ['product_name'] },
      { required: ['product_id'] }
    ]
  },
  // Skill的执行函数
  execute: async (input: { product_name?: string; product_id?: string }) => {
    try {
      let query = supabase.from('products').select('*');

      // 根据输入参数构建查询
      if (input.product_id) {
        query = query.eq('id', input.product_id);
      } else if (input.product_name) {
        // 使用ilike进行不区分大小写的模糊匹配
        query = query.ilike('name', `%${input.product_name}%`);
      }

      const { data, error } = await query;

      if (error) {
        // 将数据库错误抛给上层处理
        throw new Error(`Supabase query failed: ${error.message}`);
      }

      if (!data || data.length === 0) {
        return {
          success: true,
          message: '未找到匹配的产品。',
          data: []
        };
      }

      // 返回结构化的结果。AI智能体会利用这些数据生成回复。
      return {
        success: true,
        message: `找到 ${data.length} 个匹配的产品。`,
        data: data // 返回完整数据，让AI去总结
      };
    } catch (error: any) {
      // 捕获所有异常，返回一个统一的错误格式
      console.error('Skill execution error:', error);
      return {
        success: false,
        message: `查询产品时发生错误：${error.message}`,
        data: null
      };
    }
  }
};

代码解析与注意事项：

  1. 环境变量安全 ： process.env.SUPABASE_URL 是在运行时从我们之前配置的 .env 文件中读取的。在部署到生产环境时，火山引擎的Agent Plan平台会有相应的机密管理服务来安全地注入这些变量。
  2. 输入模式（inputSchema） ：这里使用了JSON Schema来定义。 description 字段非常关键，它会被AI模型阅读，用来理解这个参数是什么。写得越清晰，智能体调用时参数映射就越准确。
  3. 查询构建 ：我们使用了Supabase JavaScript客户端链式调用的方式。 eq 用于精确匹配， ilike 用于模糊匹配。这里演示了根据不同的输入参数动态构建查询的逻辑。
  4. 错误处理 ：在Skill内部进行细致的错误捕获和分类，返回统一的格式（ success , message , data ），方便智能体上层逻辑处理。不要把原始的数据库错误信息直接暴露给最终用户。
  5. RLS策略 ：确保你的Supabase products 表已经为 anon 角色（对应我们使用的ANON_KEY）设置了合适的RLS策略。例如， CREATE POLICY "Allow anon to select products" ON products FOR SELECT USING (true); 允许匿名用户查询所有产品。在实际业务中，策略会更复杂。

4.3 注册Skill

创建好Skill文件后，需要在 skills/index.ts 中将其导出，这样框架才能发现它。

// skills/index.ts
export { queryProductSkill } from './query-product.skill';
// 后续有其他Skill，继续在这里导出
export * from './another.skill';

5. 配置智能体并使用Skill

Skill准备好了，现在需要告诉智能体：“你可以使用这个工具了”。

5.1 编辑智能体配置文件

打开项目根目录下的 agent.config.ts 文件。

// agent.config.ts
import { defineAgentConfig } from '@volcengine/agent-framework';
import { queryProductSkill } from './skills';

export default defineAgentConfig({
  // 智能体的基础配置
  name: '产品查询助手',
  description: '一个可以帮助用户查询产品库存、价格等信息的AI助手。',
  // 模型配置，例如使用火山引擎的某个模型或开源模型
  model: {
    provider: 'volc-engine', // 或 'openai', 'anthropic' 等
    name: 'your-model-name',
    apiKey: process.env.AGENT_API_KEY, // 从环境变量读取
  },
  // 关键！声明本智能体可用的Skills
  skills: [queryProductSkill], // 将我们刚创建的Skill放入数组
  // 系统提示词，定义智能体的角色和行为准则
  systemPrompt: `
    你是一个专业的产品信息客服助手。你的主要职责是帮助用户查询产品信息。
    你可以使用名为“query_product”的工具来查询数据库中的产品详情。
    当用户询问产品价格、库存、描述等信息时，你应该主动使用这个工具。
    如果工具返回没有找到产品，请如实告知用户。
    你的回答应基于工具返回的数据，保持友好和专业。
    不要编造数据库中不存在的信息。
  `,
  // 其他配置，如会话记忆、工具调用策略等
  toolCalling: {
    enabled: true,
    maxAttempts: 3,
  },
});

配置要点：

  • systemPrompt ：这是引导AI智能体行为的关键。你需要明确告诉它：
    • 你是谁（角色）。
    • 你有什么能力（可以调用 query_product 工具）。
    • 在什么情况下应该调用工具（用户问产品信息时）。
    • 调用工具后该如何处理结果（基于数据回答，不编造）。
  • skills数组 ：这里列出了所有可用的Skill。智能体的“工具箱”就在于此。

5.2 启动本地开发服务器

现在，一切就绪，可以启动本地服务进行测试了。

agent dev

这个命令通常会做几件事：读取你的配置和 .env 文件，启动一个本地服务器（比如在 http://localhost:3000 ），并可能提供一个简单的Web界面或API端点供你测试。

5.3 测试与调试

CLI提供的开发服务器一般会有交互界面。你可以在界面的聊天框里输入：“ 有没有名为‘蓝牙耳机’的产品？ ”

智能体的内部工作流程会是这样：

  1. 理解你的问题，识别出意图是“查询产品”。
  2. 检索可用的Skills，发现 query_product 的描述匹配当前需求。
  3. 根据你的问题，自动提取或推断出参数。它可能会将“蓝牙耳机”映射为 product_name 参数。
  4. 调用 queryProductSkill.execute({ product_name: '蓝牙耳机' }) 。
  5. Skill执行，向Supabase发起查询。
  6. Skill返回结果，例如找到了3款蓝牙耳机。
  7. 智能体收到结构化数据，结合 systemPrompt 的指示，组织语言回复你：“找到了3款蓝牙耳机，分别是A型号（价格XX，库存充足）、B型号...”。

在开发服务器界面，你通常能看到详细的日志，包括智能体的思考过程、调用了哪个Skill、传递了什么参数、Skill返回了什么结果。这是调试的黄金时间，仔细观察哪里出了问题。

实操心得：调试Skill时，最容易出问题的地方是 参数映射 。AI模型可能无法从用户模糊的表述中准确提取出Skill需要的参数。这时，有几种策略：

  1. 优化Skill的 description 和参数的 description ，用更清晰、包含更多同义词的语言来描述。
  2. 在 systemPrompt 中更明确地指导 ，例如：“如果用户只说了‘耳机’，你可以将其作为 product_name 参数进行模糊查询。”
  3. 设计更灵活的Skill ：比如我们这个Skill同时支持 id 和 name ，就是一种容错设计。你还可以设计一个 search_products Skill，接受一个通用的 keyword 参数，在Skill内部实现更复杂的多字段搜索逻辑。

6. 构建更复杂的技能与工作流

单一的查询Skill只是开始。一个实用的客服智能体需要处理多种任务。我们来扩展一下，创建第二个Skill：创建客户咨询工单。

6.1 创建“创建工单”Skill

在 skills/ 目录下创建 create-support-ticket.skill.ts 。

// skills/create-support-ticket.skill.ts
import { createClient } from '@supabase/supabase-js';
import { Skill } from '@volcengine/agent-framework';

const supabaseUrl = process.env.SUPABASE_URL!;
const supabaseAnonKey = process.env.SUPABASE_ANON_KEY!;
const supabase = createClient(supabaseUrl, supabaseAnonKey);

export const createSupportTicketSkill: Skill = {
  name: 'create_support_ticket',
  description: '在系统中为用户创建一个新的技术支持工单。需要提供用户邮箱、问题类型和详细描述。',
  inputSchema: {
    type: 'object',
    properties: {
      user_email: {
        type: 'string',
        description: '提交工单的用户邮箱地址，用于联系和识别用户。',
        format: 'email'
      },
      issue_type: {
        type: 'string',
        description: '问题类型，例如：退货、换货、产品故障、使用咨询、账单问题等。',
        enum: ['退货', '换货', '产品故障', '使用咨询', '账单问题', '其他']
      },
      description: {
        type: 'string',
        description: '对问题的详细文字描述。'
      },
      product_id: {
        type: 'string',
        description: '可选，如果问题与特定产品相关，请提供产品ID。'
      }
    },
    required: ['user_email', 'issue_type', 'description']
  },
  execute: async (input: { user_email: string; issue_type: string; description: string; product_id?: string }) => {
    try {
      // 1. 可选：先验证用户邮箱是否存在（根据业务逻辑）
      // const { data: user } = await supabase.from('users').select('id').eq('email', input.user_email).single();
      // if (!user) { ... 可以创建新用户或返回错误 ... }

      // 2. 插入工单数据
      const { data, error } = await supabase
        .from('support_tickets')
        .insert([
          {
            user_email: input.user_email,
            issue_type: input.issue_type,
            description: input.description,
            product_id: input.product_id || null,
            status: 'open', // 初始状态
            created_at: new Date().toISOString(),
          }
        ])
        .select() // 返回插入后的数据
        .single();

      if (error) {
        throw new Error(`Failed to create support ticket: ${error.message}`);
      }

      return {
        success: true,
        message: `工单创建成功！您的工单号是：${data.id}。我们的客服人员会尽快通过邮箱 ${input.user_email} 与您联系。`,
        data: {
          ticket_id: data.id,
          status: data.status
        }
      };
    } catch (error: any) {
      console.error('Create ticket skill error:', error);
      return {
        success: false,
        message: `创建工单失败：${error.message}`,
        data: null
      };
    }
  }
};

这个Skill的进阶点：

  • 输入验证 ：我们使用了JSON Schema的 format: 'email' 和 enum 来约束输入格式和范围。这能在Skill被调用前就提供一层基础验证。
  • 业务逻辑 ：在插入数据前，可以加入更复杂的逻辑，比如检查用户是否存在、根据问题类型自动分配客服组等。
  • 数据关联 ： product_id 是一个可选的外键，将工单与具体产品关联，体现了关系型数据库的优势。
  • 明确的输出 ：返回了生成的工单号，这是一个非常重要的用户反馈信息。

6.2 更新配置并测试多技能协作

在 skills/index.ts 中导出新Skill，并在 agent.config.ts 的 skills 数组里加入它。

// agent.config.ts
skills: [queryProductSkill, createSupportTicketSkill],

同时，更新 systemPrompt ，告诉智能体这个新工具的存在和用法。

systemPrompt: `
  你是一个专业的产品信息客服与支持助手。你有两个核心能力：
  1.  使用“query_product”工具查询产品信息（价格、库存、描述）。
  2.  使用“create_support_ticket”工具为用户创建技术支持工单。

  工作流程：
  - 当用户询问产品信息时，使用“query_product”。
  - 当用户表达投诉、需要帮助、报告问题或明确要求创建工单时，使用“create_support_ticket”。在创建前，你需要主动向用户询问并确认：用户邮箱、问题类型和问题描述。收集齐信息后再调用工具。
  你的回答应基于工具返回的数据，友好、专业且准确。不要替用户编造邮箱等信息。
`,

重启 agent dev ，现在你可以测试一个连贯的对话了：

  • 你 ：“你们那款‘北极光’键盘还有货吗？”
  • 助手 ：（调用 query_product ）“‘北极光’机械键盘目前库存充足，价格为599元。”
  • 你 ：“好的，但我收到的上一个订单，键盘有个按键不灵。”
  • 助手 ：（识别出需要创建工单）“很抱歉给您带来不好的体验。为了帮您创建技术支持工单，我需要您提供以下信息：1. 您的联系邮箱？2. 问题类型（例如：产品故障）？3. 请详细描述一下按键不灵的具体情况。”
  • 你 ：“邮箱是 user@example.com，产品故障，空格键有时按下没反应。”
  • 助手 ：（调用 create_support_ticket ）“工单创建成功！您的工单号是：ST-20240527-001。我们的客服人员会尽快通过邮箱 user@example.com 与您联系。”

这个过程展示了AI智能体如何根据对话上下文，动态地选择并组合使用不同的Skills来完成一个复杂的、多轮交互的客服任务。

7. 部署上线与生产环境考量

本地测试通过后，就可以考虑部署到生产环境了。火山引擎Agent Plan的CLI通常提供了部署命令。

agent deploy

这个命令可能会将你的项目代码、配置（不包括 .env 文件）打包，并上传到火山引擎的云服务。部署流程通常会引导你：

  1. 登录认证 ：使用 agent login 命令或通过OAuth登录你的火山引擎账号。
  2. 选择部署目标 ：选择或创建一个云上的“智能体”实例。
  3. 环境变量配置 ：在云平台的管理界面上，为你部署的智能体配置生产环境的 SUPABASE_URL 、 SUPABASE_ANON_KEY 以及模型的 AGENT_API_KEY 。 切勿将生产环境密钥提交到代码仓库。
  4. 部署执行 ：CLI完成上传和部署。

部署后，你会获得一个API端点（Endpoint）和一个可能的前端聊天界面链接。你可以将这个链接嵌入到你的网站，或者通过API集成到你的应用里。

生产环境注意事项：

  1. 安全性加固 ：

    • Supabase RLS ：这是最重要的防线。为每张表设计严格的RLS策略。例如， support_tickets 表可以设置策略，让用户只能插入自己的工单（ auth.uid() = user_id ），而客服角色可以看到所有工单。我们的Skill使用的是 anon 密钥，其权限必须被RLS策略严格限制在业务允许的范围内。
    • 输入净化 ：虽然我们在Skill的 inputSchema 中定义了类型，但在 execute 函数内部，对于传入数据库查询的参数，尤其是用于 like / ilike 操作的字符串，要进行适当的清理或转义，防止SQL注入（Supabase客户端库本身已提供了一定防护，但保持好习惯）。
    • 速率限制 ：在火山引擎平台或通过Supabase本身，为智能体的API访问配置速率限制，防止滥用。

  2. 性能与监控 ：

    • 数据库索引 ：确保Skill中查询用到的字段（如 products.name , support_tickets.user_email ）已经建立了数据库索引，以应对增长的数据量。
    • 日志与追踪 ：确保Skill内部的错误日志（ console.error ）能够被收集到云平台的日志服务中。考虑在Skill执行前后添加性能埋点，监控耗时。
    • 错误处理用户体验 ：生产环境的Skill错误返回信息应对用户更友好，避免泄露内部错误细节。可以统一返回“系统繁忙，请稍后再试”，而将详细错误记录到日志。

  3. Skill的维护与迭代 ：

    • 版本管理 ：当Skill的输入输出格式或逻辑发生重大变更时，要考虑版本兼容性。可以为Skill名称添加版本后缀，如 query_product_v2 ，并在智能体配置中逐步迁移。
    • 测试 ：为你的自定义Skill编写单元测试和集成测试，确保逻辑正确，特别是在修改之后。

通过以上步骤，你已经完成了一个从本地开发到生产部署的完整AI智能体集成Supabase的闭环。这套组合的核心价值在于，它让AI能力不再是空中楼阁，而是能扎实地落地到你的具体业务数据和流程中，快速构建出智能化的应用功能。

# AI智能体
Logo
亚马逊云科技技术品牌专区

更多推荐

cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！人工智能的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区
cover

别再只聊大模型！AI的下一场革命，藏在“身体”里

avatar 亚马逊云科技技术品牌专区