前面的课程，我们基于 OpenAI SDK 完成了整个 RAG 的实现。

本节开始，我们开始基于 Vercel AI SDK 来实现 RAG 的逻辑。

• 使用 Vercel AI SDK 构建 Embedding 的知识库

新建一个第 25 课的分支。

git checkout -b 第25课

1.vercelai embedding 表初始化

复制一份lib/db/openai文件夹，重命名为lib/db/vercelai。

• 修改lib/db/vercelai/schema.ts文件，将openai替换为vercelai。

• 同时修改lib/db/vercelai/actions.ts、lib/db/vercelai/selectors.ts中对应的引用。

执行数据库同步命令：

pnpm db:generate
pnpm db:migrate

注意：如果遇到以下错误：

PostgresError:type "vector" does not exist

请在 supabase 的 sql 编辑器中执行以下命令：

CREATE EXTENSION IF NOT EXISTS vector;

2.将基于 openai 的 embedding 逻辑重构为基于 vercelai 的逻辑

让 cursor agent 基于以下 prompt 生成代码：

请使用 vercel ai sdk 重构@embedding.ts 中的代码保存到@embedding.ts 下

llms.txt：https://llmstxt.org/

vercelai 的 llms.txt：https://sdk.vercel.ai/llms.txt

将 vercelai 的 llms.txt 链接添加到 cursor 的 docs 中。

@Vercel 请参考文档中的用法

3.编写脚本，将私有组件知识库中的内容转换为 embeddings，并保存到数据库中

复制一份app/api/openai/embedDocs.ts文件到app/api/vercelai/embedDocs.ts。

添加脚本：

pnpm run embedDocs:vercelai