Supabase
PulseAugur coverage of Supabase — every cluster mentioning Supabase across labs, papers, and developer communities, ranked by signal.
- 2026-10-28 product_launch Supabase has become a preferred backend for AI-built applications. 来源
- 2026-10-05 funding Supabase acquired Turso for $150 million. 来源
- 2026-10-02 partnership Supabase is acquiring Turso to enhance its database offerings. 来源
- 2026-08-01 product_launch Supabase launched Evals, an open-source benchmark and framework for testing AI coding agents. 来源
- 2026-06-05 funding Supabase announced a $500 million Series F funding round, achieving a post-money valuation of $10.5 billion. 来源
- 2026-06-05 funding Supabase secured $500 million in Series F funding at a $10.5 billion valuation. 来源
- 2026-06-05 funding Supabase secured $500 million in Series F funding at a $10.5 billion valuation. 来源
25 天有情绪数据
Supabase to see increased adoption for agent-native data storage and access
Recent evidence shows multiple integrations (Dreambase, AgentPay, and a developer monetizing data feeds) leveraging Supabase for data storage and access by AI agents. This suggests a growing trend of using Supabase as a backend for agent-native applications, especially when combined with MCP authorization standards.
Supabase could integrate with MCP authorization standards more broadly
Dreambase's integration of MCP authorization for services like GitHub and Linear, which then interact with Supabase, suggests a potential pathway for Supabase itself to adopt or better support MCP standards. This could streamline agent access to data stored within Supabase.
Supabase's PostgreSQL features are a key differentiator for data-intensive applications
The Korean entertainment database example highlights Supabase's PostgreSQL-native features as a primary reason for its selection. This indicates that for complex, data-intensive use cases requiring robust database capabilities, Supabase's core strengths are a significant draw for developers.
-
Vibe coding:AI 驱动的开发面临现实世界的扩展挑战
“Vibe coding”的概念,即用户通过向 AI 描述所需功能而不审查代码来构建软件,已获得显著关注。虽然最初用于简单项目,但现在已用于支付处理等更复杂的应用程序。然而,随着应用程序的扩展,这种方法会带来风险,特别是数据安全和处理金融交易方面,因为 AI 生成的代码中的错误可能对用户和企业造成严重后果。
-
GitHub Copilot 新增 8 个连接器以优化开发者工作流
GitHub Copilot 通过与 Supabase、Buildkite、Mixpanel 和 ClickUp 等八项新服务集成,扩展了其功能。这些新连接器旨在增强 Copilot 作为 AI 编码助手之外的功能,使其能够与更广泛的开发和生产力工具进行交互。此次集成预计将通过使 Copilot 能够利用这些连接平台的数据和功能来改善开发者工作流。
-
Claude Opus 5 代理通过 Prisma 标志删除了生产数据库
一位开发者报告称,Claude Opus 5 在一个名为 Claude Code 的多代理模式下,意外删除了一个生产 Supabase 数据库。该 AI 代理的任务是为一个个人项目重建比较页面,但它错误地将生产数据库连接字符串与 Prisma 的 `--shadow-database-url` 标志一起使用。该标志用于一个 Prisma 在迁移检查期间重置的临时、一次性数据库,但该代理将其指向了实时生产数据,导致 22 个表被删除并丢…
-
Claude 驱动的工具可自动执行和测试 Supabase 安全策略
一款名为 Supabase Schema Architect 的新工具,由 Claude Code 提供支持,旨在自动化 Supabase 安全策略的创建和验证。该代理在同一个迁移文件中编写行级别安全 (RLS) 和存储策略。然后,它会模拟两个不同的用户角色来测试这些策略,确保其正确性后再最终确定迁移。
-
Nitrobase 为 AI 数据交互协议增加安全性
Nitrobase 为其模型上下文协议 (MCP) 支持引入了一项新安全功能,特别适用于 Supabase 部署。MCP 允许 AI 客户端以结构化的方式与数据库等数据源进行交互,从而简化诸如模式探索和查询生成等任务。然而,Nitrobase 的实现默认情况下对外部访问返回 403 Forbidden 错误,需要服务器所有者显式配置才能开放 MCP 端点。这种方法通过防止敏感数据和管理界面的意外暴露来优先考虑安全性,确保 MCP 访问…
-
Lovable 构建的数千个应用程序在无需登录的情况下泄露敏感数据
安全公司 Crissy Field 发现,在 Lovable 平台上构建的数千个应用程序在无需身份验证的情况下暴露了敏感用户数据。这些利用 Supabase 进行数据存储的应用程序无意中允许任何人访问数据库记录,包括护照号码、数十万条消息和电子邮件地址。该漏洞源于生成应用程序中配置不当的数据库访问规则,而非 Lovable 平台本身存在缺陷。尽管 Lovable 将责任归咎于应用程序用户,但该问题可能已被利用了至少一年,此前在其他德国…
-
AI应用开发者面临Supabase安全陷阱
开发AI驱动应用程序的开发者经常会遇到Supabase的行级安全(RLS)的一个反复出现的问题。当启用RLS时,由于缺少策略,应用程序可能会崩溃。一个常见但并不安全的快速修复方法是实现一个广泛的“using (true)”策略,该策略通过允许所有请求读取表来有效地禁用安全。
-
AI 开发工具遭遇 OAuth 刷新令牌重放错误
在包括 Claude Code、Gemini CLI 和 Hermes Agent 在内的多个 AI 开发工具中,已发现 OAuth 刷新令牌处理中存在一个普遍的错误。该问题源于客户端在服务器轮换刷新令牌后继续使用该令牌,导致反复出现“invalid_grant”错误。这是因为客户端未能持久化服务器对旧令牌的拒绝,从而导致后续尝试使用同一过期令牌。此外,当多个进程尝试同时刷新令牌时,可能会出现竞态条件,其中一个进程成功轮换了令牌,而其…
-
AI代理无意中在代码存储库中暴露了敏感密钥
使用`git log`进行的安全性检查可以发现敏感密钥(如Supabase或Stripe的密钥)是否已被无意中提交到代码存储库。如果发现此类密钥,应立即通过提供商撤销它们。重写存储库历史记录是第二步,是可选的,特别是如果密钥已被泄露。
-
Supabase RLS Check 0.6.3 修复了 PostgreSQL 扩展表和 Expo 配置问题
supabase-rls-check 的最新版本 0.6.3 解决了在 PostgreSQL 系统目录、React Native 构建文件和模型上下文协议 (MCP) 扫描器中发现的三个边缘情况。更新包括改进了对公共模式中阻止启用行级安全 (RLS) 的扩展拥有的表的处理,并增强了对 Expo 配置文件扫描,以检测硬编码的 JWT 和数据库连接字符串中的密码占位符。该工具现在可以正确识别 PostGIS 等扩展拥有的表,并提供替代的补…
-
MCP 服务器未能强制执行只读访问,安全分析发现
对 19 个不同托管连接协议 (MCP) 服务器的安全分析显示,只读配置并非总是有效。尽管有旨在限制写入访问的设置,但某些服务器允许代理执行写入操作。在 Grafana 的 get_panel_image 和 MongoDB 的 aggregate 等工具中观察到了这一点,其中特定的查询或配置绕过了只读标志,可能导致意外的数据修改。
-
MCP 工具设置未能持续更新所宣传的功能
最近的一项测试显示,多个 MCP 工具中的只读或安全模式设置并未持续改变所宣传的工具列表。在测试的七台服务器中,五台在应用该设置后工具列表有所减少,而两台则未发生变化。这种差异意味着仅依赖工具列表的客户端可能无法准确了解服务器的安全状态,因此需要其他验证方法,如咨询或用户权限。
-
AI 构建的 MVP 面临安全和业务规则执行挑战
使用 AI 代理和 React 等前端框架开发最小可行产品(MVP)正在迅速发展,但一个关键挑战仍然存在:执行业务规则和安全边界。虽然 Supabase 等工具可以提供后端基础设施,但它们需要仔细配置,以防止未经授权的操作或数据泄露。Laravel 等框架提供了更强大的域层来管理复杂的工作流程、权限和自主代理行为,确保业务逻辑在所有应用程序接口(包括 AI 代理)中得到一致应用。
-
Claude代码泄露因“不再询问”功能缺陷暴露数千个秘密
在Claude Code中发现了一个重大的安全漏洞,“不再询问”选项会无意中将已批准的命令(包括秘密)保存为永久允许规则。这一由Apiiro发现的缺陷导致了数千个秘密在众多存储库中被暴露。该漏洞尤其令人担忧,因为默认的安全措施未能阻止这些秘密被提交到git历史记录中,并且许多扫描工具未能检测到它们。建议开发人员立即轮换所有已暴露的凭证,删除有问题的配置文件,并采用更好的秘密管理实践。
-
开发者根据安装、模式、故障和实用性对20款MCP工具进行排名
一位开发者根据四个标准对20款不同的工具进行了排名:安装简易性、模式描述清晰度、故障处理能力和每周使用价值。Context7和Playwright并列第一,均获得20分中的18分,GitHub和Sentry紧随其后。评分体系强调实际可用性,例如清晰的错误消息和频繁的实用性,而非仅凭星级评分指示的受欢迎程度。
-
Claude代码通过MCP服务器与外部工具集成
开发人员现在可以通过MCP服务器将Claude代码与外部工具和服务集成。这些服务器允许Claude访问其直接上下文之外的信息,例如GitHub存储库、库文档和实时浏览器数据。提供了有关设置这些MCP服务器的教程和指南,并根据开发人员的工作流程,为GitHub、Context7、Playwright和Sentry等工具提供了具体建议。
-
Claude AI 修复了演示应用程序代码,但仍需要人工审查
一位开发者详细介绍了使用 Claude 修复演示应用程序的经验,应用了 AI 建议的代码更改,然后使用 LaunchVet 工具重新扫描。虽然 Claude 的提示成功解决了许多最初的安全发现,但该过程表明扫描器本身存在错误,并且仍然需要人工代码审查来捕获关键问题,例如不正确的数据库约束和潜在的服务器端请求伪造漏洞。开发者强调,干净的扫描不能保证应用程序的安全性,突显了在自动化工具之外进行全面测试的必要性。
-
Claude 代码生成的 SQL 视图在 Supabase 中造成安全漏洞
名为 Claude Code 的 AI 模型为 Supabase 项目生成了一个 SQL 视图,无意中造成了安全漏洞。该视图本用于仪表板,但因其以绕过行级安全(RLS)的“postgres”用户权限运行,而非运行查询的用户权限,从而绕过了 RLS。这使得通过匿名密钥(Supabase 中的常见默认设置)可以进行未经授权的访问。通过向视图创建添加 `security_invoker = true` 来解决了此问题,并开发了一个 PreT…
-
开发者构建了带手机批准的AI代理支出守护程序
一位开发者创建了Saifuban,一个旨在充当AI代理支出守护程序的工具,防止未经授权的购买。该系统允许用户为单个代理设置支出限额、每日预算和批准的商家。当AI代理试图进行购买时,Saifuban会介入,自动批准小额金额或向用户的手机发送批准通知。它还包括一个紧急停止开关,并使用一次性代币进行批准的支付以增强安全性。
-
RECALL AI 通过区分不同类型的记忆来增强客户支持
RECALL AI 是一个新推出的客户支持系统,旨在通过区分不同类型的信息来改善对话记忆。与仅仅存储对话记录的传统系统不同,RECALL AI 将交互分为不同的记忆类型,例如报告的问题、尝试过的故障排除步骤以及已确认的结果。这使得 AI 能够避免推荐之前失败过的解决方案,并提供更具上下文相关性的帮助。该系统利用开源记忆系统 Hindsight 作为其长期记忆层,并与 React、TypeScript、FastAPI、Supabase …