← 所有标签

# agent

Supabase:vibe coding后端

这篇文章把 Supabase 描述成“vibe coding 时代默认后端”的代表产品,核心理由是它同时踩中了两个大趋势:一是 Postgres 已经成为 AI/agent 时代最自然的数据库心智模型,二是 coding agent 正在成为新的主流开发入口。文章认为,随着 Claude Code、Codex、Cursor、Windsurf 等工具普及,后端选型越来越不是人类开发者亲自拍板,而是由 agent 在生成代码时自动倾向于成熟、易用、可直接落地的服务,而 Supabase 正好位于这一交叉点上。

文章回顾了 Supabase 的产品定位:它从一开始就是围绕 Postgres 打包 Auth、Storage、Realtime、Edge Functions、Vector 等能力的一站式后端,早期卖点是“开源版 Firebase”和“更简单的一站式 Postgres”。在 AI 时代,这种定位被进一步放大,因为大量模型预训练语料都包含了 Postgres 的官方文档、Stack Overflow、GitHub 示例,导致 agent 在数据库选择上天然更偏向 Postgres;而 Supabase 又是这个生态里最容易直接开箱使用的实现之一。

文章特别强调 Supabase 的分发优势。它不仅被 Lovable、Bolt、Figma 等 vibe coding 平台作为默认后端集成,还逐渐成为各类 coding agent 的推荐后端。作者认为,这不是单纯靠商务合作,而是 Supabase 在社区声量、示例密度、文档完整度、品牌认知上都很强,agent 在“先生成一个能跑的系统”时往往会优先想到它。

在增长与商业化方面,文章给出了一组非常乐观的数据:Supabase 在 2024 年 GA 后进入快速增长,2025 年后又受益于 AI 编程工具爆发,累计用户数和 ARR 都明显上升。文章还提到公司正在推进大额融资,并把 Supabase 视为资本市场中最具代表性的 AI 编程基础设施公司之一。

更重要的是,文章判断 Supabase 的路线图已经从“让人类开发者更容易用 Postgres”转向“让 agent 拥有更强的 Postgres capability”。对应地,Supabase 近年的动作开始偏向底层能力改造:收购 OrioleDB、推进 Multigres、构建更适合 agent 工作流的产品形态,以及推出面向 agent 的轻量化方案,如 PGlite、BKND / Supabase Lite。作者认为,agent 时代里人类友好型 dashboard 的护城河会递减,但底层 capability、可扩展性和默认推荐地位会越来越重要。

文章还分析了 Supabase 的扩展性布局。它承认原生 Postgres 在高负载场景下会遇到写入吞吐、VACUUM 维护、表膨胀、单机容量等限制,因此 Supabase 正在通过 OrioleDB 和 Multigres 两条路径做突破:前者偏向改造存储引擎、降低维护成本;后者偏向把 Vitess 式的水平扩展能力移植到 Postgres 生态,同时尽量不破坏 Auth、Storage 等配套能力。这说明 Supabase 不只是“好用的托管数据库”,而是在试图成为下一代 AI 原生后端平台。

整体来看,这篇文章的观点很明确:Supabase 之所以值得关注,不是因为它只是一个数据库或 BaaS,而是因为它正站在“AI coding + Postgres 标准化 + agent 自动选型”三股力量的交汇点上。它既是 vibe coding 的默认后端,也是 agentic engineering 时代最可能继续吃到红利的基础设施公司之一。

Meta-Harness:当一个agent学会了看场合说话

这篇文章解读了一项名为 Meta-Harness 的研究,核心问题是:能否让模型自动搜索出更好的外层调度代码(harness),而不只是改模型本身。文章先给出结论:在文本分类任务上,Meta-Harness 只用很少的评估次数就能追平甚至超过更耗资源的方法;在数学推理和 agentic 编程任务里,它也表现出了明显优势。作者把 harness 类比成语言里的“语域”,认为不同场景下最优的策略并不是固定的,而是会随着任务、信息结构和目标改变。文章强调,系统之所以能找到人类工程师不易想到的策略,关键在于它能读取更完整的执行轨迹,而不是只看分数或摘要。换句话说,原始轨迹像“语料库”,而压缩后的信息往往会丢失因果线索,影响后续搜索。

文章还通过社会语言学的视角解释这些结果,把策略切换、信息检索和场景适配类比成“说话要看场合”。比如在一个任务上,系统学到的轻量验证策略,可能对应日常对话中的简短应答;而更复杂、上下文更重的策略,则像正式场合下的完整陈述。作者进一步指出,Meta-Harness 在数学问题中甚至发现了多个可切换的子策略,类似语言学中的双言现象:不同情境下自动调用不同“语言变体”。文章最后把这种行为提升为一种更广义的智能:不是死记某个最优答案,而是学会根据情境选择合适的表达与执行方式。