LobeChat v2 无导出按钮？从 PostgreSQL 直接捞回你的对话数据

前言：发现 LobeChat v2 导不出数据

事情是这样的。我用 LobeChat v2 半年多了，攒了 500 多个对话主题、五千多条消息 —— 技术部署、亚马逊运营、踩坑记录，什么都有。某天想把这些对话导出来当自己知识库，结果打开设置一看：

数据存储 → 只有「导入数据」，没有「导出」。

翻 GitHub，Issue #10793已经被官方关闭为 「不计划修复」——LobeHub 云版就是不给导出按钮。评论区里有人骂：「118 刀买了年付版发现导不出来，客服邮件也不回。」

坦率讲，这体验确实让人不爽。但数据在你自己的数据库里，又不是加密锁死的。只要你用的是服务端数据库模式（Vercel + PostgreSQL），直接连库捞出来就是了。

这篇文章就记录全过程 —— 从找到数据库连接，到把 5,565 条消息按主题输出为 Markdown，再到喂进 Open NotebookLM 做 AI 检索。

LobeChat v2 数据存在哪

先搞清楚模式。LobeChat v2 有两种存储方式：

模式	数据位置	适用场景
客户端模式	浏览器 IndexedDB	纯前端部署，无后端数据库
服务端数据库模式	PostgreSQL	Docker Compose / Vercel + 外部 PG

本文针对的是服务端数据库模式—— 你的数据在 PostgreSQL 里。以 Vercel 部署为例，LobeChat 默认用 Neon的免费 PostgreSQL。

如果你的部署方式不同（Docker Compose、直接连自建 PG），思路一样，只是连接参数有差异。

找到数据库连接

进 Vercel Dashboard → 你的项目 → Settings → Environment Variables，找到 DATABASE_URL：

1
postgresql://neondb_owner:***@ep-xxx-pooler.us-east-1.aws.neon.tech/neondb?sslmode=require

Neon 还给了直连地址（不走连接池），导出大库时用直连更稳：

1
DATABASE_URL_UNPOOLED=postgresql://neondb_owner:***@ep-xxx.us-east-1.aws.neon.tech/neondb?sslmode=require

先看看有哪些表

连上后先跑个 \dt（或者用 Python 查 information_schema.tables），发现好家伙 ——97 张表。这是完整 LobeHub v2，不光是聊天，还有 RBAC 权限、OIDC 认证、Agent 任务调度、RAG 评估等等。

但对你来说，真正需要的就是这几张：

1
SELECT relname, n_live_tup FROM pg_stat_user_tables
2
WHERE relname IN ('messages','topics','agents','threads','files','users')
3
ORDER BY n_live_tup DESC;

表	行数	说明
messages	5,565	对话消息（最核心）
topics	507	对话主题 / 标题
files	315	上传的文件记录
agents	22	AI 助手配置
threads	10	对话线程
users	2	用户

导出数据

这一步最简单也最容易踩坑。说真的，Neon 的密码认证是最让人头疼的环节。

方式一：psql + pg_dump（需要装客户端）

1
brew install libpq  # 装 psql 和 pg_dump，约 50MB
2

3
pg_dump "postgresql://..." --table=messages --table=topics --table=agents > export.sql

方式二：Python + psycopg2（本文方案）

macOS 自带 Python，不需要额外装系统包。只装一个 Python 库：

1
python3 -m venv /tmp/pg_venv
2
/tmp/pg_venv/bin/pip install psycopg2-binary

然后：

1
import psycopg2, json
2

3
conn = psycopg2.connect(
4
    host="ep-xxx.us-east-1.aws.neon.tech",
5
    user="neondb_owner",
6
    dbname="neondb",
7
    password="你的密码",
8
    sslmode="require"
9
)
10

11
cur = conn.cursor()
12
tables = ["topics", "messages", "agents", "threads", "users", "files"]
13

14
for t in tables:
15
    cur.execute(f'SELECT * FROM "{t}"')
5 collapsed lines
16
    rows = cur.fetchall()
17
    cols = [d[0] for d in cur.description]
18
    with open(f"{t}.json", "w") as f:
19
        json.dump([dict(zip(cols, r)) for r in rows], f, default=str)
20
    print(f"{t}.json: {len(rows)} rows")

在 Python 代码里直接写密码有安全风险。实践中我用的是环境变量 PGPASSWORD 传密码：

1
PGPASSWORD='***' python3 export.py

但 shell 里 *** 会被解释为通配符，需要引号或者用 sed 替换。推荐做法：把密码写进一个只有自己能读的文件，export PGPASSWORD=$(cat ~/.pgpass)。

导出结果：6 个 JSON 文件，总共约 47MB（messages.json 占了 46MB）。

转换成可读 Markdown

JSON 格式的对话很难直接看 —— 每条消息是一个对象，散乱无章。需要按主题分组、按时间排序、把 agent_id 和 user_id 翻译成人类可读的名称，然后输出 Markdown。

转换脚本的核心逻辑：

1
# 1. 建立索引
2
topics = {t["id"]: t for t in topics_raw}
3
agents = {a["id"]: a for a in agents_raw}
4

5
# 2. 按 topic_id 分组
6
by_topic = {}
7
for m in messages:
8
    by_topic.setdefault(m["topic_id"], []).append(m)
9

10
# 3. 每组内按时间排序，输出 Markdown
11
for tid, msgs in by_topic.items():
12
    msgs.sort(key=lambda m: m["created_at"])
13
    title = topics.get(tid, {}).get("title", "无标题")
14
    agent = agent_name(msgs[0].get("agent_id"))
15

6 collapsed lines
16
    with open(f"{date}_{title}_{tid[:8]}.md", "w") as f:
17
        f.write(f"# {title}\n\n")
18
        for m in msgs:
19
            role_icon = "👤" if m["role"] == "user" else "🤖"
20
            f.write(f"### {role_icon} {agent_name(m['agent_id'])}\n\n")
21
            f.write(f"{m['content']}\n\n---\n\n")

最终输出：

1
markdown/
2
├── _INDEX.md                           ← 按时间全索引
3
├── 2025-04-01_Dify_部署架构详解_....md
4
├── 2025-04-19_UFW_配置防火墙_....md
5
├── 2025-05-02_亚马逊_Feedback_申诉_....md
6
└── ...（共 507 个 .md 文件）

_INDEX.md 里面按时间排列了全部 507 个主题，每个带日期、消息数、使用的助手名，可以直接当目录翻。

下一步：喂进 Open NotebookLM

507 个 Markdown 文件，每个是一个独立的对话主题。把它们丢进 Open NotebookLM（部署教程看这里）：

创建一个 Notebook，比如「我的 LobeChat 对话存档」
批量上传 markdown 目录下的 .md 文件
等它做 embedding（507 个文件可能要几分钟）

然后你就可以跟自己的对话历史对话了：

「我之前怎么解决 FRP 客户端失败问题的？」
「Dify 部署架构的关键配置是什么？」
「总结所有亚马逊 Feedback 申诉的模板」

Open NotebookLM 会用 RAG 检索相关对话，直接给出带引用的回答。这比自己翻半年聊天记录高效太多了。

避坑指南

Neon 连不上

密码认证失败但密码明明是对的？试三件事：

用直连地址（不含 -pooler），不走连接池
用 PGPASSWORD 环境变量传密码，别写在 URL 里（Neon 对 URL 中的特殊字符处理有问题）
检查 Neon Console → Settings → IP Allow，确保你的 IP 在白名单里

macOS 没装 psql

brew install libpq 只装客户端（约 50MB），比完整 PostgreSQL（几百 MB）轻量得多。

如果不想碰 Homebrew，Python 也能搞定：pip install psycopg2-binary 之后纯 Python 操作，不依赖系统包。

大库导出慢

5,565 条消息导出 JSON 很快（几秒），但转 Markdown 如果逐行写 I / O 可能上百秒。建议用批处理 + 后台任务，别在前台干等。

密码安全

导出过程中密码会在命令行和脚本里出现。导出完记得：

1
history -c          # 清当前 shell 历史
2
rm /tmp/export*.py  # 删除包含密码的脚本

更好的做法是把密码存进 ~/.pgpass（chmod 600），然后用 PGPASSFILE 指向它。

FAQ

Q: 客户端模式（浏览器 IndexedDB）的数据怎么导出？

A: Chrome DevTools → Application → IndexedDB → 展开 LobeChat 的数据库 → 选中 Object Store → 导出 JSON。但数据量大会比较慢，建议分批操作。

Q: 这个方法适用于 LobeChat v1 吗？

A: v1 的数据库 schema 不同，表名和字段可能不一样。但思路一样 —— 找到存储层，连上去捞。

Q: 500 多个 Markdown 文件 Open NotebookLM 吃得下吗？

A: 吃得下。实测单个 Notebook 可以几十个源文件，507 个可能需要分两个 Notebook（比如按年份拆分），但处理效率没问题。

Q: 导出的数据能不能重新导入回 LobeChat？

A: 理论上可以走「导入数据」，但正如文章开头说的，LobeHub 云版的导入功能本身也是坏的（Issue #10793 有记录，导出数据再导回同一个云实例也报错）。如果你用的是自部署服务端数据库版本，直接把 JSON 还原成 PostgreSQL INSERT 更靠谱。

LobeChat v2 无导出按钮？从 PostgreSQL 直接捞回你的对话数据