Kirimase项目中使用Supabase和Drizzle的正确配置流程
Kirimase是一个基于Next.js的现代化全栈开发工具链,它整合了多种流行技术栈如Drizzle ORM、Supabase和Lucia认证等。本文将详细介绍如何正确配置Kirimase项目中的Supabase数据库连接,避免常见的"pool未导出"错误。
问题背景
在集成Supabase作为数据库提供者时,开发者可能会遇到Lucia认证无法添加用户的问题,控制台显示"pool未从@/lib/db/index导出"的错误。这通常是由于数据库初始化流程不正确导致的。
正确配置步骤
-
项目初始化 首先使用Next.js官方脚手架创建项目基础结构:
bun create next-app@latest myproj cd myproj -
Kirimase初始化 运行Kirimase初始化命令并选择相关技术栈:
kirimase init在此过程中选择Drizzle ORM、PostgreSQL驱动和Supabase作为数据库提供者。
-
Supabase本地开发环境设置
supabase init supabase start这一步会启动本地Supabase实例,注意记录控制台输出的数据库连接URL。
-
环境变量配置 将Supabase提供的连接URL等信息添加到项目的.env文件中,包括:
- DATABASE_URL
- SUPABASE_URL
- SUPABASE_ANON_KEY
- SUPABASE_SERVICE_ROLE_KEY
-
数据库迁移
bun db:generate bun db:migrate这一步会根据Drizzle的schema定义生成数据库表结构并执行迁移。
-
开发服务器启动
bun stripe:listen # 如果需要Stripe集成 bun run dev
关键注意事项
-
执行顺序的重要性 必须确保Supabase服务先启动并获取连接字符串后,再进行数据库迁移操作。顺序错误会导致连接配置不完整。
-
环境变量时效性 Supabase本地实例每次重启可能会改变端口号,需要相应更新DATABASE_URL。
-
Drizzle适配器配置 Kirimase生成的Drizzle配置已经针对Supabase做了优化,开发者不应手动修改pool导出方式。
技术原理
当使用Drizzle ORM与Supabase配合时,Kirimase内部会创建一个适配层,将Supabase的PostgreSQL连接池转换为Drizzle可识别的格式。Lucia认证系统则通过这个适配层访问用户数据。如果初始化顺序错误,会导致适配层未能正确建立,从而出现"pool未导出"的错误。
总结
通过遵循正确的配置流程,开发者可以顺利集成Kirimase、Supabase和Drizzle的技术栈。关键在于理解各组件间的依赖关系,严格按照初始化顺序执行操作。这种组合为开发者提供了强大的全栈开发能力,同时保持了良好的开发体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00