用 Gemini 与 pgvector 构建 RAG 应用的分步教程

该教程演示如何搭建“与 PDF 对话”的 RAG 应用：按页抽取 PDF 文本、切块、用 gemini-embedding-001 生成向量并存入 Supabase Postgres 的 pgvector，提问时检索最相近的块，再由 gemini-3.5-flash-lite 仅依据检索内容作答并标注来源页码。技术栈为 Next.js App Router、TypeScript、Vercel 部署，规模约 200 行 TypeScript 加一个 SQL 文件，全部使用免费层。

AI推荐理由 这是一篇面向开发者的 RAG 实操教程，给出了具体技术栈（Next.js、Gemini embedding 与 flash-lite 模型、Supabase pgvector、unpdf 按页抽取）和约 200 行 TypeScript 加一个 SQL 文件的实现规模，并强调答案需引用页码。新信息主要是可复用的最小实现路径与免费层组合，但正文仅为摘要片段，未提供代码、评测或效果数据，属于教学类内容而非技术突破，因此兴趣分中等。