wehub/microsoft--mcp-for-beginners

Fork 0

Files

T

wehub-resource-sync c275ba2868 chore: import upstream snapshot with attribution

2026-07-13 13:31:35 +08:00

39 KiB

Raw Permalink Blame History

ಪರಿಸರ ಸಿದ್ಧತೆ

🎯 ಈ ಪ್ರಯೋಗಾಗಾರದಲ್ಲಿ ಯಾವುದನ್ನು ಒಳಗೊಂಡಿದೆ

ಈ ಕೈಗೊಂಡ ಪ್ರಯೋಗಾಗಾರವು PostgreSQL ಏಕೀಕರಣದೊಂದಿಗೆ MCP ಸರ್ವರ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸಂಪೂರ್ಣ ಅಭಿವೃದ್ಧಿ ಪರಿಸರವನ್ನು ಸ್ಥಾಪಿಸುವ ಮೂಲಕ ನಿಮಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತದೆ. ನೀವು ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಟೂಲ್ಗಳನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿಕೊಳ್ಳುತ್ತೀರಿ, Azure ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿಯೋಜಿಸುತ್ತೀರಿ ಮತ್ತು ಅನುಷ್ಠಾನಕ್ಕೆ ಮುಂದಾಗುವ ಮೊದಲು ನಿಮ್ಮ ಸಿದ್ಧತೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತೀರಿ.

ಅವಲೋಕನ

ಒಳ್ಳೆಯ ಅಭಿವೃದ್ಧಿ ಪರಿಸರವು MCP ಸರ್ವರ್ ಅಭಿವೃದ್ಧಿಗಾಗಿ ಅತ್ಯಗತ್ಯ. ಈ ಪ್ರಯೋಗಾಗಾರವು Docker, Azure ಸೇವೆಗಳು, ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳು ಮತ್ತು ಎಲ್ಲವೂ ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದ್ದರೆಂದು ಪರಿಶೀಲಿಸುವ ಹಂತದಂತೆ ನಿಯಮಾವಳಿಗಳನ್ನು ಒದಾರಿಸುತ್ತದೆ.

ಈ ಪ್ರಯೋಗಾಗಾರದ ಕೊನೆಯಲ್ಲಿ, ನೀವು ಪೂರ್ಣ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಅಭಿವೃದ್ಧಿ ಪರಿಸರವನ್ನು ಪಡೆದು, Zava Retail MCP ಸರ್ವರ್ ನಿರ್ಮಿಸಲು ಸಿದ್ಧರಾಗಿರುತ್ತೀರಿ.

ಕಲಿಕೆ ಉದ್ದೇಶಗಳು

ಈ ಪ್ರಯೋಗಾಗಾರದ ಕೊನೆಯಲ್ಲಿ, ನೀವು:

ಎಲ್ಲಾ ಅಗತ್ಯವಿರುವ ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳನ್ನು ಇನ್ಸ್ಟಾಲ್ ಮತ್ತು ಕಾನ್ಫಿಗರ್ ಮಾಡಿಕೊಳ್ಳಲು
MCP ಸರ್ವರ್‌ಗೆ ಮಾಡಿದಾಗ ಅಗತ್ಯವಿರುವ Azure ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿಯೋಜಿಸಲು
PostgreSQL ಮತ್ತು MCP ಸರ್ವರ್‌ಗಾಗಿ Docker ಕಾಂಟೇನರ್‌ಗಳನ್ನು ಸ್ಥಾಪಿಸಲು
ಟೆಸ್ಟ್ ಕನೆಕ್ಷನ್‌ಗಳ ಮೂಲಕ ನಿಮ್ಮ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಶೀಲಿಸಲು
ಸಾಮಾನ್ಯ ಸಿದ್ಧತೆ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಕಾನ್ಫಿಗರೇಷನ್ ಸಮಸ್ಯೆಗಳನ್ನು ನिवारಿಸಲು
ಅಭಿವೃದ್ಧಿ ಕಾರ್ಯಪ್ರವಾಹ ಮತ್ತು ಫೈಲ್ ರಚನೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು

ಸಾಧ್ಯವಾಗಲಿದೆ.

📋 ಪೂರ್ವಶರತ್ತು ಪರಿಶೀಲನೆ

ಪ್ರಾರಂಭಿಸುವ ಮುನ್ನ, ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ ನೀವು ಹೊಂದಿರುವುದು:

ಅಗತ್ಯ ಜ್ಞಾನ

ಮೂಲ ಕಮಾಂಡ್ ಲೈನ್ ಬಳಕೆ (Windows Command Prompt/PowerShell)
ಪರಿಸರ ಚರ들을 ಅರಿವು
Git ಆವೃತ್ತಿ ನಿಯಂತ್ರಣದ ಪರಿಚಯ
ಮೂಲ Docker ಕಲ್ಪನೆಗಳು (ಕಾಂಟೇನರ್‌ಗಳು, ಇಮೇಜ್‌ಗಳು, ವಾಲ್ಯೂಮ್‌ಗಳು)

ವ್ಯವಸ್ಥೆಯ ಅಗತ್ಯಗಳು

ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್: Windows 10/11, macOS ಅಥವಾ Linux
RAM: ಕನಿಷ್ಠ 8GB (16GB ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ)
ಸಂಗ್ರಹಣ: ಕನಿಷ್ಠ 10GB ಖಾಲಿ ಜಾಗ
ನೆಟ್‌ವರ್ಕ್: ಡೌನ್‌ಲೋಡ್ ಮತ್ತು Azure ನಿಯೋಜನೆಗಾಗಿ ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕ

ಖಾತೆ ಅಗತ್ಯಗಳು

Azure ಸಬ್스크್ರಿಪ್ಷನ್: ಉಚಿತ ತರವಾಯಿಸುವ ಪದವಿ ಸಾಕಾಗುತ್ತದೆ
GitHub ಖಾತೆ: ರೆಪೊಗೆ ಪ್ರವೇಶಕ್ಕೆ
Docker Hub ಖಾತೆ: (ಐಚ್ಛಿಕ) ಕಸ್ಟಮ್ ಇಮೇಜ್ ಪ್ರಕಟಣೆಗೆ

🛠️ ಸಾಧನ ಸ್ಥಾಪನೆ

1. Docker Desktop ಇನ್ಸ್ಟಾಲ್ ಮಾಡಿ

Docker ನಮ್ಮ ಅಭಿವೃದ್ಧಿ ವ್ಯವಸ್ಥೆಗೆ ಕಾಂಟೇನರ್ ಆಧಾರಿತ ಪರಿಸರವನ್ನು ಒದಗಿಸುತ್ತದೆ.

Windows ಸ್ಥಾಪನೆ

Docker Desktop ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ:

# Visit https://desktop.docker.com/win/stable/Docker%20Desktop%20Installer.exe
# Or use Windows Package Manager
winget install Docker.DockerDesktop

ಸ್ಥಾಪಿಸಿ ಮತ್ತು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ:
- ಇನ್ಸ್ಟಾಲರ್ ಅನ್ನು ವೃಂದಾಧಿಕಾರಿಯಾಗಿ ಚಾಲನೆಗೊಳಿಸಿ
- ಕೇಳಿದಾಗ WSL 2 ಒಕ್ಕೂಟವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ
- ಸ್ಥಾಪನೆಯಾದ ಮೇಲೆ ಕಂಪ್ಯೂಟರನ್ನು ಮರುಪ್ರಾರಂಭ ಮಾಡಿ
ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ:
```
docker --version
docker-compose --version
```

macOS ಸ್ಥಾಪನೆ

ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ ಮತ್ತು ಸ್ಥಾಪಿಸಿ:

# https://desktop.docker.com/mac/stable/Docker.dmg ರಿಂದ ಡೌನ್ಲೋಡ್ ಮಾಡಿ
# ಅಥವಾ ಹೋಂಬರುಳ್ಳುವನ್ನು ಬಳಿಸಿ
brew install --cask docker

Docker Desktop ಪ್ರಾರಂಭಿಸಿ:
- ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಂದ Docker Desktop ಅನ್ನು ಆರಂಭಿಸಿ
- ಆರಂಭಿಕ ಸೆಟ್‌ಅಪ್ ವಿಸಾರ್ಡ್ ಮುಗಿಸಿ
ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ:
```
docker --version
docker-compose --version
```

Linux ಸ್ಥಾಪನೆ

Docker ಎಂಜಿನ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ:

# ಉಬುಂಟು/ಡೆಬಿಯನ್
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh
sudo usermod -aG docker $USER

# ಗುಂಪು ಬದಲಾವಣೆಗಳು ಪರಿಣಾಮಕಾರಿಯಾಗಲು ಲಾಗ್ ಔಟ್ ಮಾಡಿ ಮತ್ತೆ ಲಾಗಿನ್ ಆಗಿ

Docker Compose ಅನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ:

sudo curl -L "https://github.com/docker/compose/releases/latest/download/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose

2. Azure CLI ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

Azure CLI ಮೂಲಕ Azure ಸಂಪನ್ಮೂಲ ನಿಯೋಜನೆ ಮತ್ತು ನಿರ್ವಹಣೆ ಸಾಧ್ಯ.

ವಿಂಡೋಸ್ ಸ್ಥಾಪನೆ

# Using Windows Package Manager
winget install Microsoft.AzureCLI

# Or download MSI from: https://aka.ms/installazurecliwindows

macOS ಸ್ಥಾಪನೆ

# ಹೋಮ್‌ಬ್ರೂ ಬಳಕೆ ಮಾಡುತ್ತಿದ್ದು
brew install azure-cli

# ಅಥವಾ ಇನ್ಸ್ಟಾಲರ್ ಬಳಕೆ ಮಾಡುತ್ತಿದ್ದು
curl -L https://aka.ms/InstallAzureCli | bash

ಲಿನಕ್ಸ್ವಿಸ್ತಾಪನೆ

# ಉಬುನ್ಟು/ಡೆಬಿಯನ್
curl -sL https://aka.ms/InstallAzureCLIDeb | sudo bash

# ಆರ್‌ಎಚ್ಇಎಲ್/ಸೆಂಟ್ಓಎಸ್
sudo rpm --import https://packages.microsoft.com/keys/microsoft.asc
sudo dnf install azure-cli

ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಪ್ರಮಾಣೀಕರಿಸಿ

# ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ
az version

# ಅಜುರ್‌ಗೆಲಾಗಿನ್ ಮಾಡಿ
az login

# ಡೀಫಾಲ್ಟ್ ಸಬ್ಸ್ಕ್ರಿಪ್ಶನ್‌ನನ್ನು ಸೆಟ್ ಮಾಡಿ (ನೀವು ಹಲವಾರು ಇದ್ದರೆ)
az account list --output table
az account set --subscription "Your-Subscription-Name"

3. Git ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

Git ರೆಪೊ ಕ್ಲೋನಿಂಗ್ ಮತ್ತು ಆವೃತ್ತಿ ನಿಯಂತ್ರಣಕ್ಕೆ ಅಗತ್ಯ.

ವಿಂಡೋಸ್

# Using Windows Package Manager
winget install Git.Git

# Or download from: https://git-scm.com/download/win

macOS

# Git ಸಾಮಾನ್ಯವಾಗಿ ಪೂರ್ವ-ಸ್ವಸ್ಥಿತವಾಗಿರುತ್ತದೆ, ಆದರೆ ನೀವು Homebrew ಮೂಲಕ ನವೀಕರಿಸಬಹುದು
brew install git

ಲಿನಕ್ಸ್

# ಉಬುಂಟು/ಡಿಬಿಯನ್
sudo apt update && sudo apt install git

# RHEL/ಸೆಂಟ್ಓಎಸ್
sudo dnf install git

4. VS Code ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

Visual Studio Code MCP ಬೆಂಬಲದೊಂದಿಗೆ ಏಕೀಕೃತ ಅಭಿವೃದ್ಧಿ ಪರಿಸರವನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಸ್ಥಾಪನೆ

# Windows
winget install Microsoft.VisualStudioCode

# macOS
brew install --cask visual-studio-code

# Linux (Ubuntu/Debian)
sudo snap install code --classic

ಅಗತ್ಯ ವಿಸ್ತರಣೆಗಳು

ಈ VS Code ವಿಸ್ತರಣೆಗಳನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ:

# ಕಮಾಂಡ್ ಲೈನ್ ಮೂಲಕ ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿರಿ
code --install-extension ms-python.python
code --install-extension ms-vscode.vscode-json
code --install-extension ms-azuretools.vscode-docker
code --install-extension ms-vscode.azure-account

ಅಥವಾ VS Code ಮೂಲಕ ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಬಹುದು:

VS Code ತೆರೆಯಿರಿ
ವಿಸ್ತರಣೆಗಳಿಗೆ ಹೋಗಿ (Ctrl+Shift+X)
ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ:
- Python (Microsoft)
- Docker (Microsoft)
- Azure Account (Microsoft)
- JSON (Microsoft)

5. Python ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

Python 3.8+ MCP ಸರ್ವರ್ ಅಭಿವೃದ್ಧಿಗೆ ಅಗತ್ಯ.

ವಿಂಡೋಸ್

# Using Windows Package Manager
winget install Python.Python.3.11

# Or download from: https://www.python.org/downloads/

macOS

# ಹೊಮ್‌ಬ್ರೂ ಬಳಕೆ ಮಾಡುವುದು
brew install python@3.11

Linux

# ಉಬುಂಟು/ಡೆಬಿಯನ್
sudo apt update && sudo apt install python3.11 python3.11-pip python3.11-venv

# RHEL/ಸೆಂಟ್‌ಒಎಸ್
sudo dnf install python3.11 python3.11-pip

ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ

python --version  # Python 3.11.x ಅನ್ನು ತೋರಿಸಬೇಕು
pip --version      # pip ಆವೃತ್ತಿಯನ್ನು ತೋರಿಸಬೇಕು

🚀 ಪ್ರಾಜೆಕ್ಟ್ ಸಿದ್ಧತೆ

1. ರಿಪೊ ಕ್ಲೋನ್ ಮಾಡಿ

# ಮೆయిన్ ರಿಪೋಸಿಟೋರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ
git clone https://github.com/microsoft/MCP-Server-and-PostgreSQL-Sample-Retail.git

# ಪ್ರಾಜೆಕ್ಟ್ ಡೈರೆಕ್ಟರಿಗೆ ನಾವಿಗೇಟ್ ಮಾಡಿ
cd MCP-Server-and-PostgreSQL-Sample-Retail

# ರಿಪೋಸಿಟೋರಿಯ ರಚನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ
ls -la

2. Python ವರ್ಚುವಲ್ ಪರಿಸರ ತಯಾರಿಸಿ

# ವಾಸ್ತವಿಕ ಪರಿಸರ ರಚಿಸಿ
python -m venv mcp-env

# ವಾಸ್ತವಿಕ ಪರಿಸರವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ
# ವಿಂಡೋಸ್
mcp-env\Scripts\activate

# ಮ್ಯಾಕ್‌ಒಎಸ್/ಲಿನಕ್ಸ್ನಲ್ಲಿ
source mcp-env/bin/activate

# ಪಿಪ್ ಅನ್ನು ನವೀಕರಿಸಿ
python -m pip install --upgrade pip

3. Python ಅವಲಂಬನೆಗಳನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

# ಅಭಿವೃದ್ಧಿ ಅವಲಂಬನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ
pip install -r requirements.lock.txt

# ಪ್ರಮುಖ ಪ್ಯಾಕೇಜ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ
pip list | grep fastmcp
pip list | grep asyncpg
pip list | grep azure

☁️ Azure ಸಂಪನ್ಮೂಲ ನಿಯೋಜನೆ

1. ಸಂಪನ್ಮೂಲ ಅಗತ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ

ನಮ್ಮ MCP ಸರ್ವರ್‌ಗೆ ಈ ಕೆಳಗಿನ Azure ಸಂಪನ್ಮೂಲಗಳು ಅವಶ್ಯ:

ಸಂಪನ್ಮುಲ	ಉದ್ದೇಶ	ಅಂದಾಜು ખર્ચ
Microsoft Foundry	AI ಮಾದರಿ ಹೋಸ್ಟಿಂಗ್ ಮತ್ತು ನಿರ್ವಹಣೆ	$10-50/ತಿಂಗಳು
OpenAI ನಿಯೋಜನೆ	ಪಠ್ಯ embedding ಮಾದರಿ (text-embedding-3-small)	$5-20/ತಿಂಗಳು
ಅ್ಯাপ್ಲಿಕೇಶನ್ ಇನ್ಸೈಟ್ಸ್	ನಿಯಂತ್ರಣ ಮತ್ತು ಟೆಲಿಮೆಟ್ರಿ	$5-15/ತಿಂಗಳು
ಸಂಪನ್ಮೂಲ ಗುಂಪು	ಸಂಪನ್ಮೂಲ ನಿಯೋಜನೆ	ಉಚಿತ

2. Azure ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿಯೋಜಿಸಿ

ಆಯ್ಕೆ A: ಸ್ವಯಂಚಾಲಿತ ನಿಯೋಜನೆ (ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ)

# ಮೂಲಸೌಕರ್ಯ ಡೈರಕ್ಟರಿಗೆ ನೇವಿಗೇಟ್ ಮಾಡಿ
cd infra

# ವಿಂಡೋಸಭಾಗ - ಪವರ್‌ಶೆಲ್
./deploy.ps1

# ಮ್ಯಾಕ್‌ಒಎಸ್/ಲಿನಕ್ಸ - ಬ್ಯಾಶ್
./deploy.sh

ನಿಯೋಜನೆಯ ಸ್ಕ್ರಿಪ್ಟ್ ಈ ಕೆಳಗಿನಂತೆ ಕಾರ್ಯಾಚರಿಸಲಾಗುತ್ತದೆ:

ಅನನ್ಯ ಸಂಪನ್ಮೂಲ ಗುಂಪು ನಿರ್ಮಿಸಿ
Microsoft Foundry ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿಯೋಜಿಸಿ
text-embedding-3-small ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿ
ಅಪ್ಲಿಕೇಶನ್ ಇನ್ಸೈಟ್ಸ್ ಅನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ
ಪ್ರಮಾಣೀಕರಣಕ್ಕಾಗಿ ಸರ್ವಿಸ್ ಪ್ರಿನ್ಸಿಪಲ್ ಸೃಷ್ಟಿಸಿ
ಕಾನ್ಫಿಗರೇಷನ್ ಹೊಂದಿರುವ .env ಫೈಲ್ ರಚಿಸಿ

ಆಯ್ಕೆ B: ಕೈಯಿಂದ ನಿಯೋಜನೆ

ನೀವು ಕೈಯಿಂದ ನಿಯಂತ್ರಿಸಲು ಇಚ್ಚಿಸುವಿರಿ ಅಥವಾ ಸ್ವಯಂಚಾಲಿತ ಸ್ಕ್ರಿಪ್ಟ್ ವಿಫಲವಾದರೆ:

# ಚರಗಳನ್ನು ಸೆಟ್ ಮಾಡಿ
RESOURCE_GROUP="rg-zava-mcp-$(date +%s)"
LOCATION="westus2"
AI_PROJECT_NAME="zava-ai-project"

# ಸಂಪನ್ಮೂಲ ಗುಂಪು ರಚಿಸಿ
az group create --name $RESOURCE_GROUP --location $LOCATION

# ಮುಖ್ಯ ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ನಿಯೋಜಿಸಿ
az deployment group create \
  --resource-group $RESOURCE_GROUP \
  --template-file main.bicep \
  --parameters location=$LOCATION \
  --parameters resourcePrefix="zava-mcp"

3. Azure ನಿಯೋಜನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ

# ಸಂಪನ್ಮೂಲ ಗುಂಪನ್ನು ಪರಿಶೀಲಿಸಿ
az group show --name $RESOURCE_GROUP --output table

# ನಿಯೋಜಿಸಲಾದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ
az resource list --resource-group $RESOURCE_GROUP --output table

# AI ಸೇವೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ
az cognitiveservices account show \
  --name "your-ai-service-name" \
  --resource-group $RESOURCE_GROUP

4. ಪರಿಸರ ಚರಗಳನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ

ನಿಯೋಜನೆಯ ನಂತರ, ನಿಮ್ಮ ಬಳಿ .env ಫೈಲ್ ಇರಬೇಕು. ಪರಿಶೀಲಿಸಿ ಅದರಲ್ಲಿ ಈ ಎಲ್ಲಾ ಅಂಶಗಳಿವೆ:

# .env ಫೈಲ್ ವಿಷಯಗಳು
PROJECT_ENDPOINT=https://your-project.cognitiveservices.azure.com/
AZURE_OPENAI_ENDPOINT=https://your-openai.openai.azure.com/
EMBEDDING_MODEL_DEPLOYMENT_NAME=text-embedding-3-small
AZURE_CLIENT_ID=your-client-id
AZURE_CLIENT_SECRET=your-client-secret
AZURE_TENANT_ID=your-tenant-id
APPLICATIONINSIGHTS_CONNECTION_STRING=InstrumentationKey=your-key;...

# ಡೇಟಾಬೇಸ್ ಸಂರಚನೆ (ವಿಕಸನಕ್ಕಾಗಿ)
POSTGRES_HOST=localhost
POSTGRES_PORT=5432
POSTGRES_DB=zava
POSTGRES_USER=postgres
POSTGRES_PASSWORD=your-secure-password

🐳 Docker ಪರಿಸರ ಸಿದ್ಧತೆ

1. Docker ಸಂಯೋಜನೆಯ ಬಗ್ಗೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ

ನಮ್ಮ ಅಭಿವೃದ್ಧಿ ಪರಿಸರ Docker Compose ಅನ್ನು ಉಪಯೋಗಿಸುತ್ತದೆ:

# docker-compose.yml overview
version: '3.8'
services:
  postgres:
    image: pgvector/pgvector:pg17
    environment:
      POSTGRES_DB: zava
      POSTGRES_USER: postgres
      POSTGRES_PASSWORD: ${POSTGRES_PASSWORD:-secure_password}
    ports:
      - "5432:5432"
    volumes:
      - ./data:/backup_data:ro
      - ./docker-init:/docker-entrypoint-initdb.d:ro
    
  mcp_server:
    build: .
    depends_on:
      postgres:
        condition: service_healthy
    ports:
      - "8000:8000"
    env_file:
      - .env

2. ಅಭಿವೃದ್ಧಿ ಪರಿಸರ ಆರಂಭಿಸಿ

# ನಿಮಗೆ ಪ್ರಾಜೆಕ್ಟ್ ರೂಟ್ ಡೈರೆಕ್ಟರಿಯಲ್ಲಿ ಇದ್ದೀರಿ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ
cd /path/to/MCP-Server-and-PostgreSQL-Sample-Retail

# ಸೇವೆಗಳನ್ನು ಪ್ರಾರಂಭಿಸಿ
docker-compose up -d

# ಸೇವೆಯ ಸ್ಥಿತಿಯನ್ನು ಪರಿಶೀಲಿಸಿ
docker-compose ps

# ಲಾಗ್‌ಗಳನ್ನು ವೀಕ್ಷಿಸಿ
docker-compose logs -f

3. ಡೇಟಾಬೇಸ್ ಸಿದ್ಧತೆಯನ್ನು ಪರಿಶೀಲಿಸಿ

# ಪೋಸ್ಟ್‌ಗ್ರೆಸ್‌큐ಎಲ್ ಕಂಟೇನರ್‌ಗೆ ಸಂಪರ್ಕಿಸಿ
docker-compose exec postgres psql -U postgres -d zava

# ಡೇಟಾಬೇಸ್ ರಚನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ
\dt retail.*

# ಮಾದರಿ ಡೇಟಾವನ್ನು ಪರಿಶೀಲಿಸಿ
SELECT COUNT(*) FROM retail.stores;
SELECT COUNT(*) FROM retail.products;
SELECT COUNT(*) FROM retail.orders;

# ಪೋಸ್ಟ್‌ಗ್ರೆಸ್‌큐ಎಲ್ ನಿಂದ ನಿರ್ಗಮಿಸಿ
\q

4. MCP ಸರ್ವರ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ

# MCP ಸರ್ವರ್ ಆರೋಗ್ಯವನ್ನು ಪರಿಶೀಲಿಸಿ
curl http://localhost:8000/health

# ಮೂಲ MCP ಎಂಡ್‌ಪಾಯಿಂಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ
curl -X POST http://localhost:8000/mcp \
  -H "Content-Type: application/json" \
  -H "x-rls-user-id: 00000000-0000-0000-0000-000000000000" \
  -d '{"method": "tools/list", "params": {}}'

🔧 VS Code ಕಾನ್ಫಿಗರೇಷನ್

1. MCP ಏಕೀಕರಣವನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ

VS Code MCP ಕಾನ್ಫಿಗರೇಷನ್ ರಚಿಸಿ:

// .vscode/mcp.json
{
    "servers": {
        "zava-sales-analysis-headoffice": {
            "url": "http://127.0.0.1:8000/mcp",
            "type": "http",
            "headers": {"x-rls-user-id": "00000000-0000-0000-0000-000000000000"}
        },
        "zava-sales-analysis-seattle": {
            "url": "http://127.0.0.1:8000/mcp",
            "type": "http",
            "headers": {"x-rls-user-id": "f47ac10b-58cc-4372-a567-0e02b2c3d479"}
        },
        "zava-sales-analysis-redmond": {
            "url": "http://127.0.0.1:8000/mcp",
            "type": "http",
            "headers": {"x-rls-user-id": "e7f8a9b0-c1d2-3e4f-5678-90abcdef1234"}
        }
    },
    "inputs": []
}

2. Python ಪರಿಸರವನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ

// .vscode/settings.json
{
    "python.defaultInterpreterPath": "./mcp-env/bin/python",
    "python.linting.enabled": true,
    "python.linting.pylintEnabled": true,
    "python.formatting.provider": "black",
    "python.testing.pytestEnabled": true,
    "python.testing.pytestArgs": ["tests"],
    "files.exclude": {
        "**/__pycache__": true,
        "**/.pytest_cache": true,
        "**/mcp-env": true
    }
}

3. VS Code ಏಕೀಕರಣವನ್ನು ಪರೀಕ್ಷಿಸಿ

ಪ್ರೊಜೆಕ್ಟ್ ಅನ್ನು VS Code ನಲ್ಲಿ ತೆರೆದುಕೊಳ್ಳಿ:
```
code .
```
AI ಚಾಟ್ ತೆರೆಯಿರಿ:
- Ctrl+Shift+P (ವಿಂಡೋಸ್/Linux) ಅಥವಾ Cmd+Shift+P (macOS) ಒತ್ತಿ
- "AI Chat" ಟೈಪ್ ಮಾಡಿ ಮತ್ತು "AI Chat: Open Chat" ಆಯ್ಕೆಮಾಡಿ
MCP ಸರ್ವರ್ ಸಂಪರ್ಕವನ್ನು ಪರೀಕ್ಷಿಸಿ:
- AI ಚಾಟ್‌ನಲ್ಲಿ #zava ಟೈಪ್ ಮಾಡಿ ಮತ್ತು ಕಾನ್ಫಿಗರ್ ಮಾಡಿದ ಸರ್ವರ್‌ಗಳಲ್ಲಿ ಒಂದನ್ನು ಆಯ್ಕೆಮಾಡಿ
- ಕೇಳಿ: "ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಇದ್ದಂತಹ ಟೇಬಲ್ಗಳು ಯಾವುವು?"
- ನೀವು ರಿಟೇಲ್ ಡೇಟಾಬೇಸ್ ಟೇಬಲ್‌ಗಳ ಪಟ್ಟಿ ಹೊಂದಿರುವ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪಡೆಯಬೇಕು

✅ ಪರಿಸರ ಪರಿಶೀಲನೆ

1. ಸಮಗ್ರ ವ್ಯವಸ್ಥೆ ಪರಿಶೀಲನೆ

ನಿಮ್ಮ ಸಿದ್ಧತೆಯನ್ನು ಪರಿಶೀಲಿಸಲು ಈ ಪರಿಶೀಲನಾ ಸ್ಕ್ರಿಪ್ಟ್ ಚಾಲನೆ ಮಾಡಿ:

# ಮಾನ್ಯತೆ ಸ್ಕ್ರಿಪ್ಟ್ ರಚಿಸಿ
cat > validate_setup.py << 'EOF'
#!/usr/bin/env python3
"""
Environment validation script for MCP Server setup.
"""
import asyncio
import os
import sys
import subprocess
import requests
import asyncpg
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

async def validate_environment():
    """Comprehensive environment validation."""
    results = {}
    
    # ಪೈಥನ್ ಆವೃತ್ತಿಯನ್ನು ಪರಿಶೀಲಿಸಿ
    python_version = sys.version_info
    results['python'] = {
        'status': 'pass' if python_version >= (3, 8) else 'fail',
        'version': f"{python_version.major}.{python_version.minor}.{python_version.micro}",
        'required': '3.8+'
    }
    
    # ಅಗತ್ಯ ಪ್ಯಾಕೇಜ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ
    required_packages = ['fastmcp', 'asyncpg', 'azure-ai-projects']
    for package in required_packages:
        try:
            __import__(package)
            results[f'package_{package}'] = {'status': 'pass'}
        except ImportError:
            results[f'package_{package}'] = {'status': 'fail', 'error': 'Not installed'}
    
    # ಡಾಕರ್ ಪರಿಶೀಲಿಸಿ
    try:
        result = subprocess.run(['docker', '--version'], capture_output=True, text=True)
        results['docker'] = {
            'status': 'pass' if result.returncode == 0 else 'fail',
            'version': result.stdout.strip() if result.returncode == 0 else 'Not available'
        }
    except FileNotFoundError:
        results['docker'] = {'status': 'fail', 'error': 'Docker not found'}
    
    # ಅಜೂರ್ CLI ಪರಿಶೀಲಿಸಿ
    try:
        result = subprocess.run(['az', '--version'], capture_output=True, text=True)
        results['azure_cli'] = {
            'status': 'pass' if result.returncode == 0 else 'fail',
            'version': result.stdout.split('\n')[0] if result.returncode == 0 else 'Not available'
        }
    except FileNotFoundError:
        results['azure_cli'] = {'status': 'fail', 'error': 'Azure CLI not found'}
    
    # ಪರಿಸರ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಪರಿಶೀಲಿಸಿ
    required_env_vars = [
        'PROJECT_ENDPOINT',
        'AZURE_OPENAI_ENDPOINT',
        'EMBEDDING_MODEL_DEPLOYMENT_NAME',
        'AZURE_CLIENT_ID',
        'AZURE_CLIENT_SECRET',
        'AZURE_TENANT_ID'
    ]
    
    for var in required_env_vars:
        value = os.getenv(var)
        results[f'env_{var}'] = {
            'status': 'pass' if value else 'fail',
            'value': '***' if value and 'SECRET' in var else value
        }
    
    # ಡೇಟಾಬೇಸ್ ಸಂಪರ್ಕವನ್ನು ಪರಿಶೀಲಿಸಿ
    try:
        conn = await asyncpg.connect(
            host=os.getenv('POSTGRES_HOST', 'localhost'),
            port=int(os.getenv('POSTGRES_PORT', 5432)),
            database=os.getenv('POSTGRES_DB', 'zava'),
            user=os.getenv('POSTGRES_USER', 'postgres'),
            password=os.getenv('POSTGRES_PASSWORD', 'secure_password')
        )
        
        # ಪ್ರಶ್ನೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ
        result = await conn.fetchval('SELECT COUNT(*) FROM retail.stores')
        await conn.close()
        
        results['database'] = {
            'status': 'pass',
            'store_count': result
        }
    except Exception as e:
        results['database'] = {
            'status': 'fail',
            'error': str(e)
        }
    
    # MCP ಸರ್ವರ್ ಪರಿಶೀಲಿಸಿ
    try:
        response = requests.get('http://localhost:8000/health', timeout=5)
        results['mcp_server'] = {
            'status': 'pass' if response.status_code == 200 else 'fail',
            'response': response.json() if response.status_code == 200 else response.text
        }
    except Exception as e:
        results['mcp_server'] = {
            'status': 'fail',
            'error': str(e)
        }
    
    # ಅಜೂರ್ AI ಸೇವೆಯನ್ನು ಪರಿಶೀಲಿಸಿ
    try:
        credential = DefaultAzureCredential()
        project_client = AIProjectClient(
            endpoint=os.getenv('PROJECT_ENDPOINT'),
            credential=credential
        )
        
        # ಪ್ರಮಾಣಪತ್ರಗಳು ಅಮಾನ್ಯವಾದರೆ ಇದು ವಿಫಲವಾಗುತ್ತದೆ
        results['azure_ai'] = {'status': 'pass'}
        
    except Exception as e:
        results['azure_ai'] = {
            'status': 'fail',
            'error': str(e)
        }
    
    return results

def print_results(results):
    """Print formatted validation results."""
    print("🔍 Environment Validation Results\n")
    print("=" * 50)
    
    passed = 0
    failed = 0
    
    for component, result in results.items():
        status = result.get('status', 'unknown')
        if status == 'pass':
            print(f"✅ {component}: PASS")
            passed += 1
        else:
            print(f"❌ {component}: FAIL")
            if 'error' in result:
                print(f"   Error: {result['error']}")
            failed += 1
    
    print("\n" + "=" * 50)
    print(f"Summary: {passed} passed, {failed} failed")
    
    if failed > 0:
        print("\n❗ Please fix the failed components before proceeding.")
        return False
    else:
        print("\n🎉 All validations passed! Your environment is ready.")
        return True

if __name__ == "__main__":
    asyncio.run(main())

async def main():
    results = await validate_environment()
    success = print_results(results)
    sys.exit(0 if success else 1)

EOF

# ಮಾನ್ಯತೆ ರನ್ ಮಾಡಿ
python validate_setup.py

2. ಕೈಯಿಂದ ಪರಿಶೀಲನೆ ಪರಿಶೀಲನೆಪಟ್ಟಿ

✅ ಮೂಲ ಸಾಧನಗಳು

Docker ಆವೃತ್ತಿ 20.10+ ಇನ್ಸ್ಟಾಲ್ ಆಗಿ ಚಾಲನೆಯಲ್ಲಿದೆ
Azure CLI 2.40+ ಇನ್ಸ್ಟಾಲ್ ಆಗಿದೆ ಮತ್ತು ಪ್ರಮಾಣೀಕೃತವಾಗಿದೆ
Python 3.8+ ಮತ್ತು pip ಇನ್ಸ್ಟಾಲ್ ಆಗಿದೆ
Git 2.30+ ಇನ್ಸ್ಟಾಲ್ ಆಗಿದೆ
ಅಗತ್ಯ ವಿಸ್ತರಣೆಗಳೊಂದಿಗೆ VS Code ಇದೆ

✅ Azure ಸಂಪನ್ಮೂಲಗಳು

ಸಂಪನ್ಮೂಲ ಗುಂಪು ಯಶಸ್ವಿಯಾಗಿ ಸೃಷ್ಟಿಸಲಾಗಿದೆ
AI Foundry ಪ್ರಾಜೆಕ್ಟ್ ನಿಯೋಜಿಸಲಾಗಿದೆ
OpenAI text-embedding-3-small ಮಾದರಿ ನಿಯೋಜಿಸಲಾಗಿದೆ
ಅಪ್ಲಿಕೇಶನ್ ಇನ್ಸೈಟ್ಸ್ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ
ಸರಿಯಾದ ಅನುಮತಿಗಳೊಂದಿಗೆ ಸರ್ವಿಸ್ ಪ್ರಿನ್ಸಿಪಲ್ ಸೃಷ್ಟಿಸಲಾಗಿದೆ

✅ ಪರಿಸರ ಕಾನ್ಫಿಗರೇಶನ್

.env ಫೈಲ್ ಎಲ್ಲಾ ಅಗತ್ಯ ಚರಗಳೊಂದಿಗೆ ರಚಿಸಲ್ಪಟ್ಟಿದೆ
Azure ಪ್ರಮಾಣಪತ್ರಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆ (az account show ಸುತ್ತಲು ಪರೀಕ್ಷಿಸಿ)
PostgreSQL ಕಾಂಟೇನರ್ ಚಾಲನೆಯಲ್ಲಿ ಮತ್ತು ಪ್ರವೇಶಾಣೀಯವಾಗಿದೆ
ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಮಾದರಿ ಡೇಟಾ ಲೋಡ್ ಆಗಿದೆ

✅ VS Code ಏಕೀಕರಣ

.vscode/mcp.json ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ
Python ವ್ಯಾಖ್ಯಾತೆಯನ್ನು ವರ್ಚುವಲ್ ಪರಿಸರಕ್ಕೆ ಸೆಟ್ ಮಾಡಲಾಗಿದೆ
MCP ಸರ್ವರ್‌ಗಳು AI ಚಾಟ್‌ನಲ್ಲಿ ಕಾಣಿಸುತ್ತವೆ
AI ಚಾಟ್ ಮೂಲಕ ಟೆಸ್ಟ್ ಕ್ವೆರಿಗಳನ್ನು ನಡುಗಿಸಲು ಸಾಧ್ಯ

🛠️ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ತಿದ್ದುವಿಕೆ

Docker ಸಮಸ್ಯೆಗಳು

ಸಮಸ್ಯೆ: Docker ಕಾಂಟೇನರ್‌ಗಳು ಪ್ರಾರಂಭವಾಗುತ್ತಿಲ್ಲ

# ಡೋಕರ್ ಸೇವೆಯ ಸ್ಥಿತಿಯನ್ನು ತಪಾಸಣೆ ಮಾಡಿ
docker info

# ಲಭ್ಯವಿರುವ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಪರಿಶೀಲಿಸಿ
docker system df

# ಅವಶ್ಯವಿದ್ದರೆ ಸ್ವಚ್ಛಗೊಳಿಸಿ
docker system prune -f

# ಡೋಕರ್ ಡೆಸ್ಕ್‌ಟಾಪ್ ಅನ್ನು ಪುನರಾರಂಭಿಸಿ (Windows/macOS)
# ಅಥವಾ ಡೋಕರ್ ಸೇವೆಯನ್ನು ಪುನರಾರಂಭಿಸಿ (Linux)
sudo systemctl restart docker

ಸಮಸ್ಯೆ: PostgreSQL ಸಂಪರ್ಕ ವಿಫಲವಾಗಿದೆ

# ಕಾಂಟೇನರ್ ಲಾಗ್‌ಗಳ ಪರಿಶೀಲಿಸಿ
docker-compose logs postgres

# ಕಾಂಟೇನರ್ ಆರೋಗ್ಯವಂತವಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ
docker-compose ps

# ನೇರ ಸಂಪರ್ಕವನ್ನು ಪರೀಕ್ಷಿಸಿ
docker-compose exec postgres psql -U postgres -d zava -c "SELECT 1;"

Azure ನಿಯೋಜನೆ ಸಮಸ್ಯೆಗಳು

ಸಮಸ್ಯೆ: Azure ನಿಯೋಜನೆ ವಿಫಲವಾಗಿದೆ

# ಅಜುರ್ CLI ಪ್ರಾಮಾಣೀಕರಣ ಪರಿಶೀಲಿಸಿ
az account show

# ಚಂದಾದಾರರ ಅನುಮತಿಗಳನ್ನು ದೃಢೀಕರಿಸಿ
az role assignment list --assignee $(az account show --query user.name -o tsv)

# ಸಂಪನ್ಮೂಲ ಪೂರೈಕೆದಾರ ನೋಂದಣಿಯನ್ನು ಪರಿಶೀಲಿಸಿ
az provider register --namespace Microsoft.CognitiveServices
az provider register --namespace Microsoft.Insights

ಸಮಸ್ಯೆ: AI ಸೇವೆಯ ಪ್ರಮಾಣೀಕರಣ ವಿಫಲವಾಗಿದೆ

# ಸೇವೆ ಪ್ರಾಂಶಿಪಾಲಿಯನ್ನು ಪರೀಕ್ಷಿಸಿ
az login --service-principal \
  --username $AZURE_CLIENT_ID \
  --password $AZURE_CLIENT_SECRET \
  --tenant $AZURE_TENANT_ID

# AI ಸೇವಾ ನಿಯೋಜನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ
az cognitiveservices account list --query "[].{Name:name,Kind:kind,Location:location}"

Python ಪರಿಸರ ಸಮಸ್ಯೆಗಳು

ಸಮಸ್ಯೆ: ಪ್ಯಾಕೇಜ್ ಸ್ಥಾಪನೆ ವಿಫಲವಾಗಿದೆ

# pip ಮತ್ತು setuptools ಅನ್ನು ನವೀಕರಿಸಿ
python -m pip install --upgrade pip setuptools wheel

# pip ಕ್ಯಾಶೆವನ್ನು ಸ್ವಚ್ಛಮಾಡಿ
pip cache purge

# ಸಮಸ್ಯೆಗಳ ಗುರುತಿಸಲು ಪ್ಯಾಕೇಜುಗಳನ್ನು ಒಂದೊಂದಾಗಿ ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ
pip install fastmcp
pip install asyncpg
pip install azure-ai-projects

ಸಮಸ್ಯೆ: VS Code Python ವ್ಯಾಖ್ಯಾತೆಯನ್ನು ಕಂಡುಕೊಳ್ಳಲಾಗುತ್ತಿಲ್ಲ

# ಪೈಥಾನ್ ವ್ಯಾಖ್ಯಾತಕ ಮಾರ್ಗಗಳನ್ನು ಪ್ರದರ್ಶಿಸಿ
which python  # macOS/Linux
where python  # ವಿಂಡೋಸ್

# ಮೊದಲು ವರ್ಚುವಲ್ ಪರಿಸರವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ
source mcp-env/bin/activate  # macOS/Linux
mcp-env\Scripts\activate     # ವಿಂಡೋಸ್

# ನಂತರ VS ಕೋಡ್ ತೆರೆಯಿರಿ
code .

🎯 ಪ್ರಮುಖ ಅಂಶಗಳು

ಈ ಪ್ರಯೋಗಾಗಾರ ಮುಗಿಸಿದ ನಂತರ, ನೀವು ಹೊಂದಿರಬೇಕು:

✅ ಸಂಪೂರ್ಣ ಅಭಿವೃದ್ಧಿ ಪರಿಸರ: ಎಲ್ಲಾ ಸಾಧನಗಳು ಸ್ಥಾಪಿತ ಮತ್ತು ಕಾನ್ಫಿಗರ್ ಆಗಿವೆ
✅ Azure ಸಂಪನ್ಮೂಲಗಳು ನಿಯೋಜಿಸಲಾಗಿದೆ: AI ಸೇವೆಗಳು ಮತ್ತು ಬೆಂಬಲ ವಸತಿಗಳು
✅ Docker ಪರಿಸರ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ: PostgreSQL ಮತ್ತು MCP ಸರ್ವರ್ ಕಾಂಟೇನರ್‌ಗಳು
✅ VS Code ಏಕೀಕರಣ: MCP ಸರ್ವರ್‌ಗಳು ಕಾನ್ಫಿಗರ್ ಆಗಿ ಪ್ರವೇಶಾೕರ್ಹತೆ
✅ ಪರಿಸರ ಪರಿಶೀಲನೆ: ಎಲ್ಲಾ ಭಾಗಗಳು ಪರೀಕ್ಷಿಸಲ್ಪಟ್ಟಿವೆ ಮತ್ತು ಒಟ್ಟಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆ
✅ ತೊಂದರೆ ಪರಿಹಾರ ಜ್ಞಾನ: ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಪರಿಹಾರಗಳು

🚀 ಮುಂದೇನು

ನಿಮ್ಮ ಪರಿಸರ ಸಿದ್ಧವಾಗಿರುವೊಂದಿಗೆ, ಮುಂದುವರೆಯಿರಿ Lab 04: Database Design and Schema ಗೆ:

ರಿಟೇಲ್ ಡೇಟಾಬೇಸ್ ಸ್ಕೀಮಾ ವ್ಯಾಪಕವಾಗಿ ಅನ್ವೇಷಿಸಲು
ಬಹು-ಭಾಡಿದಾರ ಡೇಟಾ ಮಾದರಿಯ ಬಗ್ಗೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು
ಸಾಲಿನ ಮಟ್ಟದ ಭದ್ರತೆ ಅನುಷ್ಠಾನ ಕುರಿತು ಕಲಿಯಲು
ಮಾದರಿ ರಿಟೇಲ್ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು

📚 ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು

ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳು

Docker ಪ್ರಬಂಧಿಕೆ - ಸಂಪೂರ್ಣ Docker ಉಲ್ಲೇಖ
Azure CLI ಉಲ್ಲೇಖ - Azure CLI ಆಜ್ಞೆಗಳು
VS Code ಪ್ರಬಂಧಿಕೆ - ಸಂಪಾದಕ ಕಾನ್ಫಿಗರೇಷನ್ ಮತ್ತು ವಿಸ್ತರಣೆಗಳು

Azure ಸೇವೆಗಳು

Microsoft Foundry ಪ್ರಬಂಧಿಕೆ - AI ಸೇವೆಗಳ ಕಾನ್ಫಿಗರೇಷನ್
Azure OpenAI ಸೇವೆ - AI ಮಾದರಿ ನಿಯೋಜನೆ
ಅ್ಯಾಪ್ಲಿಕೇಶನ್ ಇನ್ಸೈಟ್ಸ್ - ಮೇಲ್ವಿಚಾರಣಾ ವ್ಯವಸ್ಥೆ

Python ಅಭಿವೃದ್ಧಿ

Python ವರ್ಚುವಲ್ ಪರಿಸರಗಳು - ಪರಿಸರ ನಿರ್ವಹಣೆ
AsyncIO ಪ್ರಬಂಧಿಕೆ - ಅಸಿಂಕ್ರೋನಸ್ ಕಾರ್ಯಕ್ರಮಗಾರಿಕೆ ಮಾದರಿಗಳು
FastAPI ಪ್ರಬಂಧಿಕೆ - ವೆಬ್ ಫ್ರೇಮ್ವರ್ಕ್ ಮಾದರಿಗಳು

ಮುಂದೆ: ಪರಿಸರ ಸಿದ್ಧವೊಂದೇ? ಮುಂದುವರೆಯಿರಿ Lab 04: Database Design and Schema

ಅಸ್ವೀಕಾರ: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.

39 KiB Raw Permalink Blame History

ಪರಿಸರ ಸಿದ್ಧತೆ

🎯 ಈ ಪ್ರಯೋಗಾಗಾರದಲ್ಲಿ ಯಾವುದನ್ನು ಒಳಗೊಂಡಿದೆ

ಅವಲೋಕನ

ಕಲಿಕೆ ಉದ್ದೇಶಗಳು

📋 ಪೂರ್ವಶರತ್ತು ಪರಿಶೀಲನೆ

ಅಗತ್ಯ ಜ್ಞಾನ

ವ್ಯವಸ್ಥೆಯ ಅಗತ್ಯಗಳು

ಖಾತೆ ಅಗತ್ಯಗಳು

🛠️ ಸಾಧನ ಸ್ಥಾಪನೆ

1. Docker Desktop ಇನ್ಸ್ಟಾಲ್ ಮಾಡಿ

Windows ಸ್ಥಾಪನೆ

macOS ಸ್ಥಾಪನೆ

Linux ಸ್ಥಾಪನೆ

2. Azure CLI ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

ವಿಂಡೋಸ್ ಸ್ಥಾಪನೆ

macOS ಸ್ಥಾಪನೆ

ಲಿನಕ್ಸ್ವಿಸ್ತಾಪನೆ

ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಪ್ರಮಾಣೀಕರಿಸಿ

3. Git ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

ವಿಂಡೋಸ್

macOS

ಲಿನಕ್ಸ್

4. VS Code ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

ಸ್ಥಾಪನೆ

ಅಗತ್ಯ ವಿಸ್ತರಣೆಗಳು

5. Python ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

ವಿಂಡೋಸ್

macOS

Linux

ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ

🚀 ಪ್ರಾಜೆಕ್ಟ್ ಸಿದ್ಧತೆ

1. ರಿಪೊ ಕ್ಲೋನ್ ಮಾಡಿ

2. Python ವರ್ಚುವಲ್ ಪರಿಸರ ತಯಾರಿಸಿ

3. Python ಅವಲಂಬನೆಗಳನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

☁️ Azure ಸಂಪನ್ಮೂಲ ನಿಯೋಜನೆ

1. ಸಂಪನ್ಮೂಲ ಅಗತ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ

2. Azure ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿಯೋಜಿಸಿ

ಆಯ್ಕೆ A: ಸ್ವಯಂಚಾಲಿತ ನಿಯೋಜನೆ (ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ)

ಆಯ್ಕೆ B: ಕೈಯಿಂದ ನಿಯೋಜನೆ

3. Azure ನಿಯೋಜನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ

4. ಪರಿಸರ ಚರಗಳನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ

🐳 Docker ಪರಿಸರ ಸಿದ್ಧತೆ

1. Docker ಸಂಯೋಜನೆಯ ಬಗ್ಗೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ

2. ಅಭಿವೃದ್ಧಿ ಪರಿಸರ ಆರಂಭಿಸಿ

3. ಡೇಟಾಬೇಸ್ ಸಿದ್ಧತೆಯನ್ನು ಪರಿಶೀಲಿಸಿ

4. MCP ಸರ್ವರ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ

🔧 VS Code ಕಾನ್ಫಿಗರೇಷನ್

1. MCP ಏಕೀಕರಣವನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ

2. Python ಪರಿಸರವನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ

3. VS Code ಏಕೀಕರಣವನ್ನು ಪರೀಕ್ಷಿಸಿ

✅ ಪರಿಸರ ಪರಿಶೀಲನೆ

1. ಸಮಗ್ರ ವ್ಯವಸ್ಥೆ ಪರಿಶೀಲನೆ

2. ಕೈಯಿಂದ ಪರಿಶೀಲನೆ ಪರಿಶೀಲನೆಪಟ್ಟಿ

🛠️ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ತಿದ್ದುವಿಕೆ

Docker ಸಮಸ್ಯೆಗಳು

Azure ನಿಯೋಜನೆ ಸಮಸ್ಯೆಗಳು

Python ಪರಿಸರ ಸಮಸ್ಯೆಗಳು

🎯 ಪ್ರಮುಖ ಅಂಶಗಳು

🚀 ಮುಂದೇನು

📚 ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು

ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳು

Azure ಸೇವೆಗಳು

Python ಅಭಿವೃದ್ಧಿ

39 KiB

Raw Permalink Blame History