使用 Postgres 构建个性化 AI 助手

文章背景与核心概要

大型语言模型（LLM）擅长结构化处理非结构化文本，但在长对话中往往难以保持长期记忆和进行准确的数据检索。本指南将介绍如何通过将 LLM 与 PostgreSQL、pgvector、pg_cron 以及外部工具相结合，构建一个具备长期记忆保留能力的个性化 AI 助手。

利用限定范围的数据库架构（Schema）、用于自主运行的定时提示词、实时网页搜索以及 MCP 集成（如 Zapier），该助手能够保持深度上下文、追踪个人数据并自主运行——所有这一切的估计成本每月低于 0.60 美元。

核心架构 (Core Architecture)

助手的灵活性依赖于几个集成的构建模块：

1. 受控的数据库架构 (Scoped Database Control)

助手将所有结构化数据存储在名为 memories 的专用 Postgres 架构中。为确保系统安全性，LLM 严格在受限制的数据库角色（memories_role）下运行。 * 受限架构 (Scoped Schema)：LLM 可以通过 execute_sql 工具在 memories 架构内创建表、存储数据和执行操作。 * 系统表保护 (System Table Protection)：所有其他架构（包括 public）对 LLM 来说完全不可访问。

2. 上下文与记忆系统 (Context & Memory Systems)

三种互补的记忆类型可维持完整的对话连贯性： * 消息历史（短期记忆）：按时间顺序列出最近的消息，以提供即时上下文。 * 语义记忆（通过 pgvector 进行向量搜索）：存储对话嵌入（Embedding），以便进行模糊概念检索（例如：“我们上个月讨论过的那个提高生产力的东西”）。 * 结构化记忆（SQL 数据）：将具体事实存储在由 LLM 动态创建的表中，以便进行精确查询（例如：“我上个季度在咖啡上花了多少钱？”）。

3. 定时提示词与自主性 (Scheduled Prompts & Autonomy)

自主行为由 pg_cron 和 pg_net 驱动。定时提示词会调用与标准提示词完全相同的边缘函数（Edge Functions），从而赋予定时任务对所有系统工具的完全访问权限。

工作流示例：“每周日晚上 6 点，分析我的投资组合表现并研究市场趋势” 1. 定时任务（Cron Job）于周日晚上 6 点自动执行提示词。 2. LLM 从你的 memories 架构中检索持仓数据。 3. 运行网络搜索以获取相关的市场新闻和竞争对手更新。 4. 将搜索结果结构化并保存回数据库中。 5. 通过 Zapier MCP 发送个性化电子邮件报告。 6. 后续查询可以无缝引用这些历史数据。

4. 网页搜索集成 (Web Search Integration)

该系统利用内置的 LLM 网页搜索工具来访问实时信息和当前事件：

-- 从网页搜索结果自动生成
CREATE TABLE research_findings (
  topic TEXT,
  source_url TEXT,
  key_insights TEXT[],
  credibility_score INTEGER,
  search_date TIMESTAMPTZ DEFAULT NOW()
);

5. Zapier MCP 集成 (Zapier MCP Integration)

通过与 Zapier 的模型上下文协议（MCP）集成，你的助手可以： * 读取和发送邮件 (Gmail) * 管理日历事件 * 更新电子表格 * 发送通知 (Slack, Discord, SMS) * 创建任务 (Trello, Asana, Notion) * 控制智能家居设备

6. 输入/输出集成 (Input/Output Integration)

默认接口使用 Telegram 机器人，通过 Supabase 边缘函数的 Webhook 进行通信。这可以轻松替换为 Web UI、语音接口或自定义应用程序。

7. 自我演进的系统提示词 (Self-Evolving System Prompt)

助手维护两个不同的行为层： * 基础行为 (Base Behavior)：核心功能（数据库操作、日程安排、网页搜索）通过恒定的系统提示词保持一致。 * 个性化行为 (Personalized Behavior)：通信风格和偏好根据用户反馈动态演进，并安全地存储在带有完整版本历史的 public.system_prompts 表中。

实际应用场景 (Practical Use Cases)

1. 跑步追踪

提示词：“帮我追踪每天的跑步情况，每天早上一条提醒，包含前一天跑步的详细信息。”
工作原理：LLM 创建用于记录指标和天气条件的 runs 表，设置每日定时任务，并通过 Telegram 协调日常打卡。

2. 个人食谱与膳食规划

提示词：“帮我记录三餐，并根据我厨房里现有的食材推荐食谱。”
工作原理：LLM 生成 recipes、ingredients、meal_history 和 meal_ratings 表，利用每日定时提示词将可用食材与饮食习惯进行交叉比对。

3. 公司反馈分析

提示词：“通过每天分析支持工单来帮我追踪客户反馈，并每周给我提供总结。”
工作原理：助手每天通过 MCP 获取工单，分析用户情感，将调查结果存储在 feedback 表中，并主动发送警报。

4. 基于兴趣的文章书签

提示词：“帮我追踪关于 AI 和气候变化的有趣文章，并提醒我那些还没读过的重要文章。”
工作原理：助手每天在网上搜索相关文章，存储其元数据和阅读状态，并提供个性化的阅读建议。

实施指南 (Implementation Guide)

前置条件 (Prerequisites)

Supabase 账户（免费层即可）
OpenAI API 密钥
Telegram 机器人令牌 (Bot Token)
Zapier 账户（可选）

选项 A：使用 Supabase CLI（推荐）

如果你更喜欢命令行，可以跳过手动 SQL 设置，使用 Supabase CLI 立即部署：

克隆仓库：

git clone https://github.com/supabase-community/natural-db.git
cd natural-db

登录并关联项目：在 Supabase 仪表盘上创建一个新项目，然后运行：
```
supabase login
supabase link --project-ref <YOUR-PROJECT-ID>
```
推送数据库架构：
```
supabase db push
```
部署边缘函数：
```
supabase functions deploy --no-verify-jwt
```
(完成这些步骤后，请直接转到步骤 3：Telegram 机器人)。

选项 B：手动设置

步骤 1：数据库设置

在 Supabase SQL 编辑器中运行 GitHub 迁移文件中的迁移脚本。该脚本将： * 启用所需的扩展，如 pgvector 和 pg_cron。 * 创建 memories 架构。 * 设置具有受限架构权限的 memories_role。 * 配置 Cron 定时调度功能。

步骤 2：边缘函数 (Edge Functions)

在你的 Supabase 仪表盘中创建以下三个函数： * natural-db：处理核心逻辑、数据库查询、调度和工具执行的核心 AI 大脑 (文件)。 * telegram-input：用于入站消息、用户验证和时区的 Webhook 处理器 (文件)。 * telegram-outgoing：响应格式化程序和投递处理器 (文件)。

步骤 3：Telegram 机器人

使用 @BotFather 创建一个机器人。

配置你的 Webhook URL：

https://api.telegram.org/bot[TOKEN]/setWebhook?url=https://[PROJECT].supabase.co/functions/v1/telegram-input

步骤 4：环境变量

在 Supabase 项目设置 → 边缘函数 (Project Settings → Edge Functions) 中配置以下密钥：

必需变量： * OPENAI_API_KEY：你的 OpenAI API 密钥。 * TELEGRAM_BOT_TOKEN：来自 @BotFather 的机器人令牌。 * ALLOWED_USERNAMES：逗号分隔的授权 Telegram 用户名列表。 * TELEGRAM_WEBHOOK_SECRET：用于验证传入 Webhook 的秘密令牌。

可选变量： * OPENAI_MODEL：OpenAI 模型选择（默认为 gpt-4.1-mini）。 * ZAPIER_MCP_URL：用于 Zapier 集成的 MCP 服务器端点。

步骤 5：测试集成

使用以下命令测试你的机器人： * “将我的杂货预算存为每月 400 美元” * “今天天气怎么样？”（触发网页搜索） * “提醒我每周一早上 7 点锻炼” * “当我讨论爱好时表现得更热情一点”（更新个性配置）

成本考量 (Cost Considerations)

基于每天 10 条消息（每月约 300 条消息）的估计每月运营成本：

Supabase：免费层（500MB 数据库，5GB 带宽）— $0.00 / 月
OpenAI (GPT-4.1-mini)：
输入（约 1200 token/条消息）：$0.144
输出（约 800 token/条消息）：$0.384
小计：$0.53 / 月
Telegram Bot API：免费 — $0.00 / 月
Zapier：免费层（300 次任务/月）— $0.00 / 月
向量嵌入 (text-embedding-3-small)：约 300 条消息 — $0.0072 / 月

估计每月总成本：约 $0.54

结论 (Conclusion)

本项目展示了模块化组件——其中 LLM 只是拼图的一部分——如何构建出远超各部分总和的系统。如需了解更多架构灵感，请查看 Geoffrey Litt 的这篇精彩文章。

准备好构建你自己的助手了吗？访问 GitHub 仓库开始使用，贡献改进，或分享你的自定义用例！