db per tenant
1.0.0
このレポは、AI搭載アプリケーション用のスケーラブルなアーキテクチャの例が含まれています。表面的には、ユーザーがPDFをアップロードしてチャットできるAIアプリです。ただし、ボンネットの下では、各ユーザーが専用のベクトルデータベースインスタンス（PGVectorを使用したネオンのポストグレス）を取得します。
https://db-per-pertenant.up.railway.app/でライブバージョンを確認できます。
このアプリは、次のテクノロジーを使用して構築されています。
すべてのベクトル埋め込みを単一のPostgresデータベースに保存するのではなく、各テナント（ユーザー、組織、ワークスペース、または分離を必要とするその他のエンティティ）を提供します。
アプリケーションに応じて、特定のイベント（ユーザーサインアップ、組織作成、または有料層へのアップグレードなど）の後にベクトルデータベースをプロビジョニングします。次に、アプリケーションのメインデータベースでテナントと関連するベクトルデータベースを追跡します。
このアプローチはいくつかの利点を提供します：
これは、このレポーにあるデモアプリのデータベースアーキテクチャ図です。
メインアプリケーションのデータベースは、 documents 、 users 、 vector_databases 3つのテーブルで構成されています。
documentsは、タイトル、サイズ、タイムスタンプなど、ファイルに関する情報を保存し、外部キーを介してユーザーにリンクされています。usersテーブルは、名前、電子メール、アバターURLなどのユーザープロファイルを維持しています。vector_databasesテーブルは、どのベクターデータベースがどのユーザーに属しているかを追跡します。次に、プロビジョニングされた各ベクトルデータベースには、検索された生成（RAG）のためのドキュメントチャンクを保存するためのembeddingsテーブルがあります。
このアプリでは、ユーザーがサインアップしたときにベクトルデータベースがプロビジョニングされます。ドキュメントをアップロードすると、専用のベクトルデータベースにチャンクされて保存されます。最後に、ユーザーがドキュメントとチャットすると、ベクトルの類似性検索がデータベースに対して実行され、関連情報を取得してプロンプトに答えます。
// Code from app/lib/auth.ts
authenticator . use (
new GoogleStrategy (
{
clientID : process . env . GOOGLE_CLIENT_ID ,
clientSecret : process . env . GOOGLE_CLIENT_SECRET ,
callbackURL : process . env . GOOGLE_CALLBACK_URL ,
} ,
async ( { profile } ) => {
const email = profile . emails [ 0 ] . value ;
try {
const userData = await db
. select ( {
user : users ,
vectorDatabase : vectorDatabases ,
} )
. from ( users )
. leftJoin ( vectorDatabases , eq ( users . id , vectorDatabases . userId ) )
. where ( eq ( users . email , email ) ) ;
if (
userData . length === 0 ||
! userData [ 0 ] . vectorDatabase ||
! userData [ 0 ] . user
) {
const { data , error } = await neonApiClient . POST ( "/projects" , {
body : {
project : { } ,
} ,
} ) ;
if ( error ) {
throw new Error ( `Failed to create Neon project, ${ error } ` ) ;
}
const vectorDbId = data ?. project . id ;
const vectorDbConnectionUri = data . connection_uris [ 0 ] ?. connection_uri ;
const sql = postgres ( vectorDbConnectionUri ) ;
await sql `CREATE EXTENSION IF NOT EXISTS vector;` ;
await migrate ( drizzle ( sql ) , { migrationsFolder : "./drizzle" } ) ;
const newUser = await db
. insert ( users )
. values ( {
email ,
name : profile . displayName ,
avatarUrl : profile . photos [ 0 ] . value ,
userId : generateId ( { object : "user" } ) ,
} )
. onConflictDoNothing ( )
. returning ( ) ;
await db
. insert ( vectorDatabases )
. values ( {
vectorDbId ,
userId : newUser [ 0 ] . id ,
} )
. returning ( ) ;
const result = {
... newUser [ 0 ] ,
vectorDbId ,
} ;
return result ;
}
return {
... userData [ 0 ] . user ,
vectorDbId : userData [ 0 ] . vectorDatabase . vectorDbId ,
} ;
} catch ( error ) {
console . error ( "User creation error:" , error ) ;
throw new Error ( getErrorMessage ( error ) ) ;
}
} ,
) ,
) ;
// Code from app/routes/api/document/chat
// Get the user's messages and the document ID from the request body.
const {
messages ,
documentId ,
} : {
messages : Message [ ] ;
documentId : string ;
} = await request . json ( ) ;
const { content : prompt } = messages [ messages . length - 1 ] ;
const { data , error } = await neonApiClient . GET (
"/projects/{project_id}/connection_uri" ,
{
params : {
path : {
project_id : user . vectorDbId ,
} ,
query : {
role_name : "neondb_owner" ,
database_name : "neondb" ,
} ,
} ,
} ,
) ;
if ( error ) {
return json ( {
error : error ,
} ) ;
}
const embeddings = new OpenAIEmbeddings ( {
apiKey : process . env . OPENAI_API_KEY ,
dimensions : 1536 ,
model : "text-embedding-3-small" ,
} ) ;
const vectorStore = await NeonPostgres . initialize ( embeddings , {
connectionString : data . uri ,
tableName : "embeddings" ,
columns : {
contentColumnName : "content" ,
metadataColumnName : "metadata" ,
vectorColumnName : "embedding" ,
} ,
} ) ;
const result = await vectorStore . similaritySearch ( prompt , 2 , {
documentId ,
} ) ;
const model = new ChatOpenAI ( {
apiKey : process . env . OPENAI_API_KEY ,
model : "gpt-4o-mini" ,
temperature : 0 ,
} ) ;
const allMessages = messages . map ( ( message ) =>
message . role === "user"
? new HumanMessage ( message . content )
: new AIMessage ( message . content ) ,
) ;
const systemMessage = new SystemMessage (
`You are a helpful assistant, here's some extra additional context that you can use to answer questions. Only use this information if it's relevant:
${ result . map ( ( r ) => r . pageContent ) . join ( " " ) } ` ,
) ;
allMessages . push ( systemMessage ) ;
const stream = await model . stream ( allMessages ) ;
return LangChainAdapter . toDataStreamResponse ( stream ) ;このアプローチは有益ですが、実装するのも難しい場合があります。プロビジョニング、スケーリング、プロビジョニングの解除など、各データベースのライフサイクルを管理する必要があります。幸いなことに、ネオンのポストグレスは異なって設定されています。
これにより、テナントごとにデータベースを作成するという提案されたパターンが可能であるだけでなく、費用対効果も高くなります。
テナントごとにデータベースがある場合、各データベースの移行を管理する必要があります。このプロジェクトでは、Drizzleを使用しています。
/app/lib/vector-db/schema.tsで定義されています。bun run vector-db:generate /app/lib/vector-db/migrations実行することにより生成されます。bun run vector-db:migrateを実行できます。このコマンドは、各テナントのデータベースに接続して移行を適用するスクリプトを実行します。導入したいスキーマの変更は、後方互換性があるはずであることに注意することが重要です。それ以外の場合は、スキーマの移行を異なる方法で処理する必要があります。
このパターンはAIアプリケーションの構築に役立ちますが、それを使用して各テナントに独自のデータベースを提供することができます。また、メインアプリケーションのデータベース（MySQL、MongoDB、MSSQL Serverなど）にPostgres以外のデータベースを使用することもできます。
ご質問がある場合は、Neon Iscordに自由に連絡するか、Neon Salesチームに連絡してください。ご連絡をお待ちしております。
