LangChain Retrieval 是一个用于文档问答（Document Q&A）的 RAG（检索增强生成）模板项目，其核心目标是把文档检索与大语言模型生成结合起来，通过 Supabase 的 pgvector 向量存储实现基于向量检索的问答能力。
【技术栈】 资料明确列出该项目使用以下技术：框架为 Next.js；AI 相关库为 LangChain.js 与 AI SDK；向量存储为 Supabase pgvector；包管理器为 pnpm。
【前置条件】 使用前需要满足两项前提：一个启用了 pgvector 扩展的 Supabase 项目，以及一个 OpenAI API 密钥。
【安装与配置步骤】
- 克隆模板：命令为 git clone --depth 1 https://github.com/Eng0AI/langchain-retrieval.git .。如果目标目录非空，资料给出的替代命令为： git clone --depth 1 https://github.com/Eng0AI/langchain-retrieval.git _temp_template mv _temp_template/* _temp_template/.* . 2>/dev/null || true rm -rf _temp_template
- 移除 Git 历史（可选）：rm -rf .git 后执行 git init。
- 安装依赖：pnpm install。
- 配置环境变量：创建 .env 文件并填入以下变量——SUPABASE_URL（Supabase 项目 URL）、SUPABASE_PRIVATE_KEY（Supabase 服务角色密钥）、OPENAI_API_KEY（用于嵌入与 LLM）、SUPABASE_DB_URL（直连 PostgreSQL 的连接 URL）。
- 设置向量存储：在 Supabase 中初始化 pgvector 扩展并创建 documents 表。
【构建与开发】 构建命令为 pnpm build；开发模式启动命令为 pnpm dev。
【适用场景】 根据资料，该项目面向需要使用 RAG 进行文档问答的场景，适合希望以 Next.js 结合 LangChain.js 与 Supabase pgvector 快速搭建文档问答应用的开发者。
【限制与未提供信息】 资料未提供该模板的具体功能细节、界面说明、支持的文件格式、性能表现、收费与价格信息、部署方式细节以及文档数量限制等内容，这些方面暂未提供。