wehub-resource-sync
17 KiB
Úvod do integrácie databázy MCP
🎯 Čo tento laboratórny cvičenie pokrýva
Tento úvodný cvičebný kurz poskytuje komplexný prehľad o budovaní serverov Model Context Protocol (MCP) s integráciou databázy. Budete rozumieť obchodnému prípadu, technickej architektúre a reálnym aplikáciám prostredníctvom použitia Zava Retail pre analytiku na https://github.com/microsoft/MCP-Server-and-PostgreSQL-Sample-Retail.
Prehľad
Model Context Protocol (MCP) umožňuje AI asistentom bezpečne pristupovať k externým dátovým zdrojom a interagovať s nimi v reálnom čase. V spojení s integráciou databázy MCP odomyká silné schopnosti pre dátami riadené AI aplikácie.
Táto učebná cesta vás naučí vytvárať MCP servery pripravené na produkciu, ktoré pripájajú AI asistentov k dátam o maloobchodnom predaji cez PostgreSQL a implementujú podnikové vzory ako Row Level Security, sémantické vyhľadávanie a prístup k dátam viacerých nájomcov.
Učebné ciele
Po ukončení tohto cvičenia budete schopní:
- Definovať Model Context Protocol a jeho hlavné výhody pre integráciu databázy
- Identifikovať kľúčové komponenty architektúry MCP servera s databázami
- Pochopiť prípad použitia Zava Retail a jeho obchodné požiadavky
- Rozpoznať podnikové vzory pre bezpečný a škálovateľný prístup k databáze
- Vymenovať nástroje a technológie použité počas tejto učebnej cesty
🧭 Výzva: AI stretáva reálne dáta
Tradičné obmedzenia AI
Moderní AI asistenti sú neuveriteľne výkonní, ale čelia významným obmedzeniam pri práci s reálnymi obchodnými dátami:
| Výzva | Popis | Obchodný dopad |
|---|---|---|
| Statické poznatky | Modely AI trénované na fixných dátach nemajú prístup k aktuálnym obchodným údajom | Zastaralé poznatky, premárnené príležitosti |
| Dátové silá | Informácie uzamknuté v databázach, API a systémoch, ku ktorým AI nemá prístup | Neúplná analýza, roztrieštené pracovné postupy |
| Bezpečnostné obmedzenia | Priamy prístup do databázy vyvoláva obavy o bezpečnosť a súlad | Obmedzené nasadenie, manuálna príprava dát |
| Zložité dotazy | Obchodní používatelia potrebujú technické znalosti, aby získali dátové poznatky | Znížené prijatie, neefektívne procesy |
Riešenie MCP
Model Context Protocol rieši tieto výzvy tým, že poskytuje:
- Prístup k dátam v reálnom čase: AI asistenti dotazujú na živé databázy a API
- Bezpečnú integráciu: Kontrolovaný prístup s autentifikáciou a oprávneniami
- Rozhranie v prirodzenom jazyku: Obchodní používatelia pokladajú otázky v bežnej angličtine
- Štandardizovaný protokol: Funguje naprieč rôznymi AI platformami a nástrojmi
🏪 Spoznajte Zava Retail: Naša prípadová štúdia https://github.com/microsoft/MCP-Server-and-PostgreSQL-Sample-Retail
Počas tejto učebnej cesty vybudujeme MCP server pre Zava Retail, fiktívny reťazec DIY maloobchodu s viacerými pobočkami. Tento realistický scenár demonštruje implementáciu MCP na podnikovej úrovni.
Obchodný kontext
Zava Retail prevádzkuje:
- 8 fyzických obchodov po celom štáte Washington (Seattle, Bellevue, Tacoma, Spokane, Everett, Redmond, Kirkland)
- 1 online obchod pre e-commerce predaj
- Rôznorodý produktový katalóg vrátane nástrojov, hardvéru, záhradnej výbavy a stavebných materiálov
- Viacúrovňový manažment so zodpovednými manažérmi obchodov, regionálnymi manažérmi a vedúcimi pracovníkmi
Obchodné požiadavky
Manažéri obchodov a vedúci potrebujú analytiku poháňanú AI, aby mohli:
- Analyzovať výkonnosť predaja naprieč obchodmi a časovými obdobiami
- Sledovať úrovne zásob a identifikovať potreby doplnenia
- Pochopiť správanie zákazníkov a nákupné vzorce
- Objavovať produktové poznatky prostredníctvom sémantického vyhľadávania
- Generovať reporty pomocou dotazov v prirodzenom jazyku
- Udržiavať bezpečnosť dát s riadením prístupov na základe rolí
Technické požiadavky
MCP server musí poskytovať:
- Prístup k dátam viacerých nájomcov, kde manažéri vidia iba údaje svojho obchodu
- Flexibilné dotazovanie podporujúce zložité SQL operácie
- Sémantické vyhľadávanie na objavovanie produktov a odporúčania
- Dáta v reálnom čase odrážajúce aktuálny stav firmy
- Bezpečnú autentifikáciu s riadením na úrovni riadkov (Row Level Security)
- Škálovateľnú architektúru podporujúcu viacerých súbežných používateľov
🏗️ Prehľad architektúry MCP servera
Náš MCP server implementuje vrstvenú architektúru optimalizovanú pre integráciu databázy:
┌─────────────────────────────────────────────────────────────┐
│ VS Code AI Client │
│ (Natural Language Queries) │
└─────────────────────┬───────────────────────────────────────┘
│ HTTP/SSE
▼
┌─────────────────────────────────────────────────────────────┐
│ MCP Server │
│ ┌─────────────────┐ ┌─────────────────┐ ┌───────────────┐ │
│ │ Tool Layer │ │ Security Layer │ │ Config Layer │ │
│ │ │ │ │ │ │ │
│ │ • Query Tools │ │ • RLS Context │ │ • Environment │ │
│ │ • Schema Tools │ │ • User Identity │ │ • Connections │ │
│ │ • Search Tools │ │ • Access Control│ │ • Validation │ │
│ └─────────────────┘ └─────────────────┘ └───────────────┘ │
└─────────────────────┬───────────────────────────────────────┘
│ asyncpg
▼
┌─────────────────────────────────────────────────────────────┐
│ PostgreSQL Database │
│ ┌─────────────────┐ ┌─────────────────┐ ┌───────────────┐ │
│ │ Retail Schema │ │ RLS Policies │ │ pgvector │ │
│ │ │ │ │ │ │ │
│ │ • Stores │ │ • Store-based │ │ • Embeddings │ │
│ │ • Customers │ │ Isolation │ │ • Similarity │ │
│ │ • Products │ │ • Role Control │ │ Search │ │
│ │ • Orders │ │ • Audit Logs │ │ │ │
│ └─────────────────┘ └─────────────────┘ └───────────────┘ │
└─────────────────────┬───────────────────────────────────────┘
│ REST API
▼
┌─────────────────────────────────────────────────────────────┐
│ Azure OpenAI │
│ (Text Embeddings) │
└─────────────────────────────────────────────────────────────┘
Kľúčové komponenty
1. Vrstva MCP servera
- FastMCP Framework: Moderná implementácia MCP servera v Pythone
- Registrácia nástrojov: Deklaratívne definície nástrojov s typovou bezpečnosťou
- Kontext požiadavky: Identita používateľa a správa relácie
- Spracovanie chýb: Robustné riadenie chýb a logovanie
2. Vrstva integrácie databázy
- Pooling pripojení: Efektívna správa pripojení cez asyncpg
- Poskytovateľ schémy: Dynamické zisťovanie schémy tabuliek
- Vykonávač dotazov: Bezpečné spúšťanie SQL s kontextom RLS
- Správa transakcií: Dodržiavanie ACID a spracovanie rollbacku
3. Bezpečnostná vrstva
- Row Level Security: PostgreSQL RLS na izoláciu dát viacerých nájomcov
- Identita používateľa: Autentifikácia a autorizácia manažéra obchodu
- Riadenie prístupu: Jemnozrnné oprávnenia a auditné stopy
- Validácia vstupov: Prevencia SQL injectu a validácia dotazov
4. Vrstva AI vylepšení
- Sémantické vyhľadávanie: Vektorové embeddingy na objavovanie produktov
- Integrácia Azure OpenAI: Generovanie textových embeddingov
- Algoritmy podobnosti: pgvector vyhľadávanie podľa kosínovej podobnosti
- Optimalizácia vyhľadávania: Indexovanie a ladenie výkonu
🔧 Technologický stack
Základné technológie
| Komponent | Technológia | Účel |
|---|---|---|
| MCP Framework | FastMCP (Python) | Moderná implementácia MCP servera |
| Databáza | PostgreSQL 17 + pgvector | Relačné dáta s vektorovým vyhľadávaním |
| AI služby | Azure OpenAI | Textové embeddingy a jazykové modely |
| Kontejnerizácia | Docker + Docker Compose | Vývojové prostredie |
| Cloud platforma | Microsoft Azure | Produkčné nasadenie |
| Integrácia IDE | VS Code | AI Chat a vývojový workflow |
Vývojové nástroje
| Nástroj | Účel |
|---|---|
| asyncpg | Vysokovýkonný PostgreSQL driver |
| Pydantic | Validácia a serializácia dát |
| Azure SDK | Integrácia cloudových služieb |
| pytest | Testovací framework |
| Docker | Kontejnerizácia a nasadenie |
Produkčný stack
| Služba | Azure zdroj | Účel |
|---|---|---|
| Databáza | Azure Database for PostgreSQL | Spravovaná databázová služba |
| Kontajner | Azure Container Apps | Bezserverové hostovanie kontajnerov |
| AI služby | Microsoft Foundry | OpenAI modely a endpointy |
| Monitorovanie | Application Insights | Pozorovateľnosť a diagnostika |
| Bezpečnosť | Azure Key Vault | Správa tajomstiev a konfigurácií |
🎬 Scenáre použitia v reálnom svete
Pozrime sa, ako rôzni používatelia interagujú s naším MCP serverom:
Scenár 1: Prehliadka výkonnosti manažéra obchodu
Používateľ: Sarah, manažérka obchodu v Seattli
Cieľ: Analyzovať výkonnosť predaja za posledný štvrťrok
Dotaz v prirodzenom jazyku:
"Ukáž mi top 10 produktov podľa príjmu pre môj obchod v Q4 2024"
Čo sa deje:
- VS Code AI Chat odosiela dotaz na MCP server
- MCP server identifikuje kontext obchodu Sarah (Seattle)
- RLS politika filtruje dáta len pre obchod v Seattli
- SQL dotaz je vygenerovaný a vykonaný
- Výsledky sú naformátované a vrátené AI Chat
- AI poskytuje analýzu a poznatky
Scenár 2: Objavovanie produktu so sémantickým vyhľadávaním
Používateľ: Mike, manažér inventára
Cieľ: Nájsť produkty podobné zákazníckemu požiadavku
Dotaz v prirodzenom jazyku:
"Aké produkty predávame, ktoré sú podobné 'vodotesným elektrickým konektorom na vonkajšie použitie'?"
Čo sa deje:
- Dotaz spracovaný nástrojom sémantického vyhľadávania
- Azure OpenAI generuje vektor embeddingu
- pgvector vykonáva vyhľadávanie podľa podobnosti
- Súvisiace produkty sú zoradené podľa relevantnosti
- Výsledky zahŕňajú detaily o produktoch a dostupnosti
- AI navrhuje alternatívy a možnosti bundlovania
Scenár 3: Analytika medzi obchodmi
Používateľ: Jennifer, regionálna manažérka
Cieľ: Porovnať výkonnosť naprieč všetkými obchodmi
Dotaz v prirodzenom jazyku:
"Porovnaj predaj podľa kategórie pre všetky obchody za posledných 6 mesiacov"
Čo sa deje:
- Nastaví sa RLS kontext pre prístup regionálnej manažérky
- Vygeneruje sa komplexný dotaz pokrývajúci viaceré obchody
- Dáta sa agregujú z rôznych pobočiek
- Výsledky zahŕňajú trendy a porovnania
- AI identifikuje poznatky a odporúčania
🔒 Hĺbkový pohľad na bezpečnosť a multi-tenanciu
Naša implementácia kladie dôraz na bezpečnosť na podnikovej úrovni:
Row Level Security (RLS)
PostgreSQL RLS zabezpečuje izoláciu dát:
-- Store managers see only their store's data
CREATE POLICY store_manager_policy ON retail.orders
FOR ALL TO store_managers
USING (store_id = get_current_user_store());
-- Regional managers see multiple stores
CREATE POLICY regional_manager_policy ON retail.orders
FOR ALL TO regional_managers
USING (store_id = ANY(get_user_store_list()));
Správa identity používateľov
Každé MCP pripojenie obsahuje:
- ID manažéra obchodu: Unikátny identifikátor pre RLS kontext
- Priradenie rolí: Oprávnenia a úrovne prístupu
- Správa relácií: Bezpečné autentifikačné tokeny
- Auditné logovanie: Kompletná história prístupov
Ochrana dát
Viaceré bezpečnostné vrstvy:
- Šifrovanie pripojenia: TLS pre všetky spojenia do databázy
- Prevencia SQL injection: Iba parametrizované dotazy
- Validácia vstupu: Komplexná validácia požiadaviek
- Spracovanie chýb: Žiadne citlivé údaje v chybových hláseniach
🎯 Kľúčové zistenia
Po prečítaní tohto úvodu by ste mali rozumieť:
✅ Hodnote MCP: Ako MCP prepája AI asistentov s reálnymi dátami
✅ Obchodnému kontextu: Požiadavky a výzvy Zava Retail
✅ Prehľadu architektúry: Kľúčové komponenty a ich interakcie
✅ Technologickému stacku: Nástroje a frameworky použité počas cesty
✅ Bezpečnostnému modelu: Prístup k dátam viacerých nájomcov a ochrana
✅ Vzory použitia: Reálne scenáre dotazov a pracovné postupy
🚀 Čo ďalej
Ste pripravení hlbšie preniknúť? Pokračujte s:
Lab 01: Core Architecture Concepts
Naučíte sa o vzorcoch architektúry MCP servera, princípoch návrhu databázy a detailnej technickej implementácii, ktorá poháňa naše riešenie maloobchodnej analytiky.
📚 Dodatočné zdroje
Dokumentácia MCP
- MCP špecifikácia - Oficiálna dokumentácia protokolu
- MCP pre začiatočníkov - Komplexný učebný sprievodca MCP
- FastMCP dokumentácia - Python SDK dokumentácia
Integrácia databázy
- PostgreSQL dokumentácia - Kompletná referenčná príručka PostgreSQL
- pgvector príručka - Dokumentácia rozšírenia vektorov
- Row Level Security - Sprievodca RLS v PostgreSQL
Azure služby
- Azure OpenAI dokumentácia - Integrácia AI služieb
- Azure Database for PostgreSQL - Spravovaná databázová služba
- Azure Container Apps - Bezserverové kontajnery
Vysvetlenie: Toto je učebné cvičenie využívajúce fiktívne maloobchodné dáta. Vždy dodržiavajte zásady dátovej správy a bezpečnostné politiky vašej organizácie pri implementácii podobných riešení v produkčnom prostredí.
Vyhlásenie o zodpovednosti: Tento dokument bol preložený pomocou AI prekladateľskej služby Co-op Translator. Hoci sa snažíme o presnosť, vezmite prosím na vedomie, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho natívnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.