LobeChat Pro 项目服务器端数据库部署指南
前言
LobeChat Pro 是一款功能强大的聊天应用,默认使用客户端数据库(IndexedDB)存储数据,同时也支持部署服务器端数据库。本文将详细介绍如何为 LobeChat Pro 配置和部署服务器端数据库方案。
服务器端数据库架构概述
LobeChat Pro 的服务器端数据库方案采用 PostgreSQL 作为核心存储引擎,主要包含三个关键模块:
- 数据库服务:PostgreSQL 数据库实例
- 认证服务:用户身份验证系统
- 存储服务:文件存储解决方案
这种架构设计确保了系统的可扩展性、安全性和性能。
PostgreSQL 数据库配置
数据库选择
LobeChat Pro 支持两种 PostgreSQL 实例类型:
- Serverless 实例:如 Vercel/Neon 等无服务器数据库
- 自托管实例:通过 Docker/Railway/Zeabur 等部署的传统 PostgreSQL 实例
核心环境变量配置
1. 服务模式切换
NEXT_PUBLIC_SERVICE_MODE=server
此变量用于切换客户端/服务器端模式,默认值为 client,部署服务器端时需要设置为 server。
2. 数据库连接
DATABASE_URL=postgres://username:password@host:port/database
这是 PostgreSQL 的标准连接字符串格式。如需启用 SSL 连接,请参考相关文档进行配置。
3. 数据库驱动类型
DATABASE_DRIVER=node|neon
node:适用于传统 PostgreSQL 实例neon:适用于 Serverless 实例
4. 数据加密密钥
KEY_VAULTS_SECRET=your_32_char_random_string
使用 OpenSSL 生成随机密钥:
openssl rand -base64 32
pgvector 插件安装
LobeChat Pro 的 RAG(检索增强生成)功能依赖 PostgreSQL 的 pgvector 插件,用于实现向量搜索能力。部署时需确保数据库已安装此插件。
认证服务配置
LobeChat Pro 提供两种认证方案:
1. Clerk 认证服务
Clerk 是一款 SaaS 认证服务,提供开箱即用的认证功能,适合需要快速上线的场景。
配置参数:
NEXT_PUBLIC_CLERK_PUBLISHABLE_KEY=your_publishable_key
CLERK_SECRET_KEY=your_secret_key
CLERK_WEBHOOK_SECRET=your_webhook_secret
2. NextAuth 认证服务
NextAuth 是一个开源认证库,支持多种身份提供商,适合需要完全私有化部署的场景。
特点:
- 支持多种 OAuth 提供商
- 可自定义认证流程
- 完全自主可控
对象存储服务配置
LobeChat Pro 的多模态功能(如图片上传)需要依赖兼容的对象存储服务。
支持的存储方案:
- Amazon S3
- 其他主流对象存储服务
- 阿里云 OSS
- MinIO(自托管)
配置要点:
- 创建存储桶(Bucket)
- 配置访问权限
- 设置环境变量连接信息
部署实践建议
1. Vercel 平台部署
- 推荐使用 Serverless PostgreSQL + Clerk 认证组合
- 配置简单,适合快速上线
2. Docker 部署
- 推荐使用传统 PostgreSQL + NextAuth 认证组合
- 适合私有化部署场景
- 官方提供预配置的
lobe-chat-database镜像
3. 混合部署
- 可根据实际需求混合搭配不同组件
- 例如:使用 Neon 数据库 + NextAuth 认证
常见问题解答
Q:为什么需要单独的数据库版本镜像? A:因为 NEXT_PUBLIC 前缀的环境变量需要在构建时注入,无法在容器运行时修改。
Q:如何确保数据安全? A:通过 KEY_VAULTS_SECRET 加密敏感数据,建议定期轮换密钥。
Q:文件存储是否必须使用对象存储? A:对于生产环境推荐使用兼容的对象存储方案,开发环境可暂时使用本地存储方案。
总结
部署 LobeChat Pro 的服务器端数据库方案需要综合考虑数据库、认证和存储三个核心组件。根据您的具体需求选择合适的配置组合,可以构建出高性能、安全可靠的聊天应用后端。本文提供的配置指南和最佳实践将帮助您顺利完成部署。
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