Skip to content

Latest commit

 

History

History
211 lines (147 loc) · 5.54 KB

backend-develop-doc.md

File metadata and controls

211 lines (147 loc) · 5.54 KB

明白了，我会帮你整理一个前端开发者专用文档，把 数据库文档 和 DeepSeek AI 对接文档 整合在一起，统一成 Markdown 版本，前端团队可以直接参考，拿到就能做开发。

文档分为两大部分：

  1. 数据库接口与数据结构
  2. DeepSeek AI 对接说明

📝 前端开发者文档

目录

  1. 数据库结构与接口

    1. 表结构
    2. 权限与RLS
    3. 前端调用示例

  2. DeepSeek AI 对接说明

    1. API 基本配置
    2. 消息流与角色
    3. 调用示例
    4. 错误处理与最佳实践

数据库结构与接口

本项目使用 Supabase 作为后端，前端通过 Supabase SDK 直接调用 API，所有表都开启了 RLS（Row Level Security），保证用户只能访问自己的数据。

表结构

1. notes 表

字段 类型 说明
id uuid 主键，自动生成
user_id uuid 用户 ID，关联 auth.users
type text 纸条类型（见下方枚举）
content text 纸条内容
ai_reply text ai回复
created_at timestamp 创建时间

type 枚举：

  • goodnight → 晚安
  • gratitude → 感恩
  • emotion → 情绪
  • thought → 思考

2. chat 表

字段 类型 说明
id uuid 主键，自动生成
user_id uuid 用户 ID，关联 auth.users
role text 消息角色：user / assistant
message text 消息内容
session_id uuid 可选，会话 ID（分多轮对话用）
created_at timestamp 创建时间

权限与 RLS

所有表的 RLS 策略：

操作 策略条件
SELECT auth.uid() = user_id
INSERT auth.uid() = user_id
UPDATE auth.uid() = user_id
DELETE auth.uid() = user_id

前端不需要做额外用户校验，Supabase 自动识别登录用户。

前端调用示例

1. 初始化 Supabase

import { createClient } from '@supabase/supabase-js';

export const supabase = createClient(
  process.env.NEXT_PUBLIC_SUPABASE_URL!,
  process.env.NEXT_PUBLIC_SUPABASE_ANON_KEY!
);

2. notes 表：插入与查询

// 插入纸条
await supabase.from('notes').insert([{ type: 'gratitude', content: '今天很开心！' }]);

// 查询我的纸条
const { data } = await supabase.from('notes')
  .select('*')
  .order('created_at', { ascending: false });

3. chat 表：插入与查询

// 插入聊天消息
await supabase.from('chat').insert([{ role: 'user', message: '你好，泡泡！' }]);

// 查询聊天记录
const { data } = await supabase.from('chat')
  .select('*')
  .order('created_at', { ascending: true });

DeepSeek AI 对接说明

前端需要与 DeepSeek AI 接口通信，用于生成回复消息或情绪分析结果。

API 基本配置

  • 基础 URL: https://api.deepseek.com/v1/chat/completions
  • 认证方式: Bearer Token
  • Header 示例
POST /v1/chat/completions
Authorization: Bearer <DEEPSEEK_API_KEY>
Content-Type: application/json

消息流与角色

DeepSeek AI 遵循 OpenAI 风格的 Chat API：

角色 说明
system 系统提示，设定对话风格
user 用户输入
assistant AI 回复

前端将用户消息与历史上下文一并发送，AI 返回最新回复。

调用示例

async function callDeepSeek(messages) {
  const res = await fetch('https://api.deepseek.com/v1/chat/completions', {
    method: 'POST',
    headers: {
      'Authorization': `Bearer ${process.env.NEXT_PUBLIC_DEEPSEEK_API_KEY}`,
      'Content-Type': 'application/json'
    },
    body: JSON.stringify({
      model: 'deepseek-chat',
      messages: messages,
      temperature: 0.7
    })
  });

  const data = await res.json();
  return data.choices?.[0]?.message?.content;
}

// 示例：传入消息数组
const reply = await callDeepSeek([
  { role: 'system', content: '你是一个温暖的聊天伙伴，语气轻松友好' },
  { role: 'user', content: '今天有点不开心' }
]);

错误处理与最佳实践

  • 网络失败：提示“请检查网络连接”
  • API 超时：建议前端做 10 秒超时保护
  • 日志：只在本地或后端记录错误信息，避免在 UI 上暴露过多细节
  • 重试机制：失败后可在前端发起 1-2 次重试

前端整体调用流程

  1. 用户发送消息 → 前端 chat.insert 存储用户消息
  2. 调用 DeepSeek AI → 获取 AI 回复
  3. 将 AI 回复存入 chat 表 → role=assistant
  4. 前端实时渲染聊天记录

我可以直接帮你把这个文档整理成一个 完整的 Markdown 文件，前端团队直接拷贝到仓库就能用。

你希望我现在就把它生成 Markdown 文件，还是想先加上 ER 图 + 接口流程图 一起输出？