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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00