database-build

GitHub
2.9k 271 较难 1 次阅读 2天前Apache-2.0插件语言模型Agent开发框架图像
AI 解读 由 AI 自动生成,仅供参考

database.build 是一款创新的浏览器端 PostgreSQL 沙盒工具,旨在让用户无需配置服务器即可瞬间创建无限个数据库实例。它巧妙解决了传统数据库开发中环境搭建繁琐、依赖远程容器或复杂代理的痛点,让数据实验和原型设计变得像打开网页一样简单。

这款工具特别适合开发者、数据分析师以及需要快速验证想法的技术人员使用。无论是进行临时的数据查询测试、导入 CSV 生成报表,还是利用 AI 辅助构建图表与数据库架构图,database.build 都能提供流畅的体验。其核心亮点在于完全基于浏览器运行:通过 PGlite 技术(Postgres 的 WebAssembly 版本),所有查询均在本地执行,无需远程后端,数据则持久化存储于浏览器的 IndexedDB 中。此外,每个数据库都集成了大语言模型(LLM),支持拖拽导入数据、自动生成报告等智能化操作。作为一个开源项目,它不仅保留了完整的 Postgres 功能,还探索了将本地数据库部署至云端的可能性,是学习与高效开发的理想助手。

使用场景

一位数据分析师急需在浏览器中快速验证一份新获取的销售 CSV 数据,并立即生成可视化图表向团队汇报。

没有 database-build 时

  • 环境配置繁琐:必须先在本地安装 Docker 或配置复杂的 PostgreSQL 服务,耗时数小时才能搭建好测试环境。
  • 数据处理割裂:需要手动编写 SQL 建表语句,再将 CSV 数据清洗后导入,过程容易出错且无法即时反馈。
  • 依赖外部资源:若在公司受限网络环境下,无法连接远程数据库实例,导致工作完全停滞。
  • 可视化门槛高:查询出数据后,还需复制到其他 BI 工具或编写 Python 脚本才能生成图表,流程冗长。
  • 现场演示困难:无法在会议中实时根据听众需求修改数据结构或查询逻辑,缺乏互动性。

使用 database-build 后

  • 秒级启动环境:直接在浏览器打开即可运行完整的 Postgres 实例,无需任何本地安装或服务器配置。
  • 智能一键导入:拖拽 CSV 文件上传,内置 AI 自动识别字段类型并生成表结构,数据瞬间就绪。
  • 纯本地运行:基于 PGlite 技术,所有计算在浏览器内完成,断网环境下也能流畅处理敏感数据。
  • AI 辅助分析:直接用自然语言让 AI 生成复杂查询语句、统计报表甚至直接渲染出动态图表。
  • 实时交互演示:在会议中随时调整数据模型或查询条件,结果即时刷新,极大提升沟通效率。

database-build 将原本需要数小时的环境搭建与数据预处理工作,压缩为浏览器内的分钟级即时操作,彻底打破了数据分析的本地环境壁垒。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

不需要 GPU

内存

未说明(浏览器端运行,取决于 PGlite 实例数量及数据量)

依赖
notes该项目主要基于浏览器运行(使用 WASM 技术的 PGlite),无需本地安装 Postgres 服务器。开发环境需要安装 Node.js、npm、Docker(用于运行本地 Redis 和 Supabase 栈)。需要配置 OpenAI API Key 以使用 AI 功能。项目采用 Monorepo 结构,建议使用 `npm run dev` (基于 turbo) 进行开发,以便自动处理包依赖构建。
python未说明
Node.js/npm
Next.js
PGlite
pg-gateway
Supabase CLI
Docker
Redis
database-build hero image

快速开始

database.build(前身为 postgres.new)(#为什么重命名postgresnew)

带有 AI 辅助的浏览器内 Postgres 沙盒。

github-repo-hero

借助 database.build,您可以立即启动无限数量的 Postgres 数据库,这些数据库直接在您的浏览器中运行(不久还将支持部署到 S3)。

每个数据库都配有一个大型语言模型 (LLM),这为一些有趣的用例打开了大门:

  • 拖放式 CSV 导入(即时生成表)
  • 生成并导出报表
  • 生成图表
  • 构建数据库关系图

工作原理

database.build 中的所有查询都直接在您的浏览器中执行。没有远程的 Postgres 容器或 WebSocket 代理。

这是如何实现的呢?通过 PGlite——一个可以在浏览器中直接运行的 WASM 版本的 Postgres。您创建的每一个数据库都会启动一个新的 PGlite 实例,该实例暴露了一个功能齐全的 Postgres 数据库。数据存储在 IndexedDB 中,因此即使刷新页面,更改也会保留。

单体仓库

这是一个单体仓库,拆分为以下项目:

  • Web:使用 Next.js 构建的主要 Web 应用程序
  • 浏览器代理:使用 pg-gateway 和 WebSockets 将 Postgres TCP 连接代理回浏览器
  • 部署 Worker:将浏览器内的数据库部署到数据库平台(目前支持 Supabase)

设置

从单体仓库根目录开始:

  1. 安装依赖项

    npm i
    
  2. 启动本地 Supabase 堆栈:

    npx supabase start
    
  3. 将本地 Supabase URL/匿名密钥存储到 ./apps/web/.env.local 中:

    npx supabase status -o env \
      --override-name api.url=NEXT_PUBLIC_SUPABASE_URL \
      --override-name auth.anon_key=NEXT_PUBLIC_SUPABASE_ANON_KEY |
        grep NEXT_PUBLIC >> ./apps/web/.env.local
    
  4. 创建一个 OpenAI API 密钥,并保存到 ./apps/web/.env.local 中:

    echo 'OPENAI_API_KEY="<openai-api-key>"' >> ./apps/web/.env.local
    
  5. 存储本地 KV(Redis)变量。请使用以下确切值:

    echo 'KV_REST_API_URL="http://localhost:8080"' >> ./apps/web/.env.local
    echo 'KV_REST_API_TOKEN="local_token"' >> ./apps/web/.env.local
    
  6. 启动本地 Redis 容器(用于限流)。它在端口 8080 上提供 API:

    docker compose -f ./apps/web/docker-compose.yml up -d
    
  7. 根据以下文件填写各个应用的剩余变量:

    • ./apps/web/.env.example
    • ./apps/browser-proxy/.env.example
    • ./apps/deploy-worker/.env.example

开发

从单体仓库根目录开始:

npm run dev

重要提示: 此命令底层使用了 turbo,它可以理解单体仓库中各依赖项之间的关系,并自动相应地构建它们(即 ./packages/*)。如果您绕过 turbo,则需要在每个 ./app/* 使用之前手动构建每个 ./packages/*

为什么要把 postgres.new 重命名为 database.build?

该项目并非官方的 Postgres 项目,我们也不希望误导任何人!我们将更名为 database.build,因为这就是它的用途。它仍将 100% 专注于 Postgres,只是 URL 不同而已。

视频

image

许可证

Apache 2.0

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

140.4k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|昨天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|2天前
Agent图像开发框架