wehub-resource-sync
31 KiB
MCP డేటాబేస్ ఇంటిగ్రేషన్కు పరిచయం
🎯 ఈ ల్యాబ్ కలిగించేది ఏమిటి
ఈ పరిచయ ల్యాబ్ మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్ (MCP) సర్వర్స్ను డేటాబేస్ ఇంటిగ్రేషన్తో ఎలా నిర్మించాలో సమగ్రంగా అవగాహన కల్పిస్తుంది. మీరు బిజినెస్ కేసు, సాంకేతిక వాస్తవిక నిర్మాణం, మరియు నిజ-ప్రపంచ అనువర్తనాలను https://github.com/microsoft/MCP-Server-and-PostgreSQL-Sample-Retail లోని Zava రిటైల్ అనలిటిక్స్ యూజ్ కేస్ ద్వారా తెలుసుకుంటారు.
అవలోకనం
మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్ (MCP) AI సహాయకులకు రియల్-టైమ్లో బయట డేటా మూలాలను సురక్షితంగా యాక్సెస్ చేసి వాటితో పరస్పరం చేసుకునే వీలుగా చేస్తుంది. డేటాబేస్ ఇంటిగ్రేషన్తో కలిపితే, MCP డేటా ఆధారిత AI అనువర్తనాలకు శక్తివంతమైన సామర్థ్యాలను తెరుస్తుంది.
ఈ అధ్యయన మార్గం మీరు AI సహాయకులను రిటైల్ సేల్స్ డేటాతో PostgreSQL ద్వారా కనెక్ట్ చేసే ఉత్పత్తి-సిద్ధ MCP సర్వర్స్ను తయారుచేయడం నేర్పుతుంది, దీనిలో రో లెవెల్ సెక్యూరిటీ, సెమాంటిక్ సర్చ్, మరియు బహుళ-అడగింపు డేటా యాక్సెస్ వంటి ఎంటర్ప్రైజ్ నమూనాలు అమలు చేయబడ్డాయి.
నేర్చుకునే లక్ష్యాలు
ఈ ల్యాబ్ ముగిసే వరకు, మీరు చేయగలరు:
- మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్ ని మరియు దాని డేటాబేస్ ఇంటిగ్రేషన్కు ప్రధాన లాభాలను స్పష్టం చేయండి
- డేటాబేస్తో MCP సర్వర్ నిర్మాణపు ముఖ్య భాగాలను గుర్తించండి
- Zava రిటైల్ యూజ్ కేసు మరియు దాని వ్యాపార అవసరాలను అర్థం చేసుకోండి
- సురక్షిత, వాడుకలో విస్తరించగల డేటాబేస్ యాక్సెస్ కోసం ఎంటర్ప్రైజ్ నమూనాలను గుర్తించండి
- ఈ అధ్యయన మార్గంలో ఉపయోగించే సాధనాలు మరియు సాంకేతికతలను పట్టిక చేయండి
🧭 సవాలు: AI నిజ-ప్రపంచ డేటాతో కలవడం
సంప్రదాయ AI పరిమితులు
ఆధునిక AI సహాయకులు చాలా శక్తివంతమైనవిగా ఉన్నా, నిజ-ప్రపంచ వ్యాపార డేటాతో పని చేసినప్పుడు పెద్ద పరిమితులు ఇష్టపడతారు:
| సవాలు | వివరణ | వ్యాపార ప్రభావం |
|---|---|---|
| స్థిరమైన జ్ఞానం | AI నమూనాలు స్థిరమైన డేటా సెట్లపై శిక్షణ పొందినవి, ప్రస్తుత వ్యాపార డేటాకు యాక్సెస్ లేదు | పాత విశ్లేషణలు, అవకాశాలు కోల్పోవడం |
| డేటా సిలోస్ | డేటాబేసులు, APIs, మరియు వ్యవస్థల్లో కీలక సమాచారం AIకు అందుబాటులో ఉండదు | అసంపూర్ణ విశ్లేషణ, విభజిత వర్క్ఫ్లోలు |
| సురక్షత పరిమితులు | నేరుగా డేటాబేస్ యాక్సెస్ సెక్యూరిటీ మరియు అనుగుణత సమస్యలను తెస్తుంది | పరిమిత ప్రచారం, చేతితో డేటా సిద్ధం చేయడం |
| సంక్లిష్ట క్వెరీస్ | వ్యాపార వినియోగదారులు డేటా బుధ్ధివంతమైన దృష్టాంతం కోసం సాంకేతిక విజ్ఞానం అవసరం | తక్కువ స్వీకారం, అనర్ధకమైన ప్రక్రియలు |
MCP పరిష్కారం
మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్ ఈ సవాళ్ళను ఇలాగా పరిష్కరించును:
- రియల్-టైమ్ డేటా యాక్సెస్: AI సహాయకులు ప్రత్యక్ష డేటాబేసులు మరియు APIs ను ప్రశ్నిస్తారు
- సురక్షిత ఇంటిగ్రేషన్: ధృవీకరణ మరియు అనుమతులతో నియంత్రిత యాక్సెస్
- సహజ భాషా ఇన్టర్ఫేస్: వ్యాపార వినియోగదారులు సాధారణ ఇంగ్లీషులో ప్రశ్నిస్తున్నారు
- ప్రామాణిక ప్రోటోకాల్: వేర్వేరు AI ప్లాట్ఫామ్లు మరియు సాధనాలతో పనిచేస్తుంది
🏪 Zava రిటైల్ను పరిచయం: మా అధ్యయన కేసు https://github.com/microsoft/MCP-Server-and-PostgreSQL-Sample-Retail
ఈ చదుకు మార్గంలో, మనం ఒక MCP సర్వర్ను Zava రిటైల్ కోసం నిర్మిస్తాము, ఇది అనేక దుకాణాలున్న లేఖనాత్మక DIY రిటైల్ చైన్. ఈ వాస్తవిక దృశ్యం ఎంటర్ప్రైజ్-గ్రేడ్ MCP అమలు ఎలా ఉంటుందో చూపిస్తుంది.
వ్యాపార నేపథ్యం
Zava రిటైల్ నిర్వహణలో:
- వాషింగ్టన్ రాష్ట్రం అంతటా 8 భౌతిక దుకాణాలు (సియాటిల్, బెలవ్యూ, టాకోమా, స్పోకేన్, ఎవేరెట్, రెడ్మాండ్, కిర్క్లాండ్)
- ఇ-వాణిజ్య విక్రయాలకు 1 ఆన్లైన్ దుకాణం
- పరికరాలు, హార్డ్వేర్, తోట సరఫరాలు, మరియు నిర్మాణ పరికరాలతో కూడిన వివిధ ఉత్పత్తి కేటలాగ్
- దుకాణం మేనేజర్లు, ప్రాంతీయ మేనేజర్లు, మరియు కార్యనిర్వాహకులతో కూడిన బహుళ స్థాయి నిర్వహణ
వ్యాపార అవసరాలు
దుకాణ మేనేజర్లు, కార్యనిర్వాహకులు AI ఆధారిత విశ్లేషణలను అవసరపడతారు:
- దుకాణాలు మరియు కాల పరిమితులలో వెడల్పు అమ్మకాల పనితీరు విశ్లేషణ
- ఇన్వెంటరీ స్థాయిలను పర్యవేక్షించడం మరియు తిరిగి నిల్వ అవసరాలను గుర్తించడం
- కస్టమర్ ప్రవర్తన మరియు కొనుగోలు నమూనాలను అర్థం చేసుకోవడం
- సెమాంటిక్ సర్చ్ ద్వారా ఉత్పత్తి అంతర్జ్ఞానం కనుగొనడం
- సహజ భాషా ప్రశ్నలతో రిపోర్టులు ఉత్పత్తి చేయడం
- పాత్ర ఆధారిత యాక్సెస్ నియంత్రణతో డేటా సెక్యూరిటీ నిర్వహణ
సాంకేతిక అవసరాలు
MCP సర్వర్ అందించేది:
- బహుళ-అడగింపు డేటా యాక్సెస్: దుకాణ మేనేజర్లు తమ దుకాణం మాత్రమే చూసేలా చూడటం
- సులభమైన క్వెరీ ఎగ్జిక్యూషన్: సంక్లిష్ట SQL ఆపరేషన్లకు మద్దతు
- ఉత్పత్తి గవేషణ మరియు సిఫారసులకు సెమాంటిక్ సర్చ్
- ప్రస్తుత వ్యాపార స్థితిని ప్రతిబింబించే రియల్ టైమ్ డేటా
- రో లెవెల్ సెక్యూరిటీతో భద్రమైన ధృవీకరణ
- బహుళ సమకాలిన వాడుకరులకు మద్దతు ఇచ్చే విస్తరించగల నిర్మాణం
🏗️ MCP సర్వర్ నిర్మాణం అవలోకనం
మన MCP సర్వర్ డేటాబేస్ ఇంటిగ్రేషన్ కోసం ఆప్టిమైజ్ చేసిన స్థరాలుగా నిర్మించబడింది:
┌─────────────────────────────────────────────────────────────┐
│ 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) │
└─────────────────────────────────────────────────────────────┘
ముఖ్య భాగాలు
1. MCP సర్వర్ స్థరం
- FastMCP ఫ్రేమ్వర్క్: ఆధునిక Python MCP సర్వర్ అమలు
- సాధన నమోదు: టైప్ సేఫ్టీతో ప్రకటనాత్మక సాధన నిర్వచనలు
- అనुरోధ కాంటెక్స్ట్: యూజర్ గుర్తింపు మరియు సెషన్ నిర్వహణ
- పొరపాటు నిర్వహణ: బలమైన పొరపాటు నిర్వహణ మరియు లాగింగ్
2. డేటాబేస్ ఇంటిగ్రేషన్ స్థరం
- కనెక్షన్ పూలింగ్: సమర్థవంతమైన asyncpg కనెక్షన్ నిర్వహణ
- స్కీమా ప్రొవైడర్: డైనమిక్ టేబుల్ స్కీమా ఆవిష్కరణ
- క్వెరీ ఎగ్జిక్యూటర్: RLS కాంటెక్స్ట్తో సురక్షిత SQL అమలు
- ట్రాన్సాక్షన్ నిర్వహణ: ACID అనుగుణత మరియు రోల్బ్యాక్ నిర్వహణ
3. సెక్యూరిటీ స్థరం
- రో లెవెల్ సెక్యూరిటీ: బహుళ-అడగింపు డేటా వేరుపై PostgreSQL RLS
- యూజర్ గుర్తింపు: దుకాణ మేనేజర్ ధృవీకరణ మరియు అనుమతింపు
- యాక్సెస్ నియంత్రణ: సూత్రాలైన అనుమతులు మరియు ఆడిట్ ట్రైళ్ళు
- ఇన్పుట్ చెల్లింపు: SQL ఇంజెక్షన్ నిరోధకత మరియు క్వెరీ చెల్లింపు
4. AI మెరుగుదల స్థరం
- సెమాంటిక్ సర్చ్: ఉత్పత్తి గవేషణకు వెక్టర్ ఎంబెడ్డింగ్స్
- Azure OpenAI ఇంటిగ్రేషన్: టెక్స్ ఎంబెడ్డింగ్ ఉత్పత్తి
- సమానత అల్గోరిథమ్స్: pgvector కోసైన సమానత శోధన
- సర్చ్ ఆప్టిమైజేషన్: సూచిక మరియు పనితీరు ట్యూనింగ్
🔧 సాంకేతిక వ్యవస్థ
కోర్ సాంకేతికతలు
| భాగం | సాంకేతికత | ఉద్దేశం |
|---|---|---|
| MCP ఫ్రేమ్వర్క్ | FastMCP (Python) | ఆధునిక MCP సర్వర్ అమలు |
| డేటాబేస్ | PostgreSQL 17 + pgvector | వెక్టర్ శోధనతో రీలేషనల్ డేటా |
| AI సేవలు | Azure OpenAI | టెక్స్ ఎంబెడ్డింగ్స్ మరియు భాషా నమూనాలు |
| కంటెయినరైజేషన్ | Docker + Docker Compose | అభివృద్ధి వాతావరణం |
| క్లౌడ్ ప్లాట్ఫామ్ | Microsoft Azure | ఉత్పత్తి పంపిణీ |
| IDE ఇంటిగ్రేషన్ | VS Code | AI చాట్ మరియు అభివృద్ధి వర్క్ఫ్లో |
అభివృద్ధి సాధనాలు
| సాధనం | ఉద్దేశం |
|---|---|
| asyncpg | అధిక పనితీరు PostgreSQL డ్రైవర్ |
| Pydantic | డేటా చెల్లింపు మరియు సీరియలైజేషన్ |
| Azure SDK | క్లౌడ్ సేవల ఇంటిగ్రేషన్ |
| pytest | పరీక్షా ఫ్రేమ్వర్క్ |
| Docker | కంటెయినరైజేషన్ మరియు పంపిణీ |
ఉత్పత్తి వ్యవస్థ
| సేవ | Azure వనరు | ఉద్దేశం |
|---|---|---|
| డేటాబేస్ | Azure Database for PostgreSQL | నిర్వహించబడిన డేటాబేస్ సేవ |
| కంటెయినర్ | Azure Container Apps | సర్వర్లెస్ కంటెయినర్ హోస్టింగ్ |
| AI సేవలు | Microsoft Foundry | OpenAI నమూనాలు మరియు ఎండ్పాయింట్లు |
| మానిటరింగ్ | Application Insights | ఊహాగాన మరియు డయాగ్నొస్టిక్స్ |
| సెక్యూరిటీ | Azure Key Vault | రహస్యాలు మరియు కాన్ఫిగరేషన్ నిర్వహణ |
🎬 నిజ-ప్రపంచ వాడుక దృశ్యాలు
మనం ఎలా వినియోగదారులు మన MCP సర్వర్తో పని చేస్తారో పరిశీలిద్దాం:
దృశ్యం 1: దుకాణ మేనేజర్ పనితీరు సమీక్ష
వినియోగదారు: సారా, సియాటిల్ దుకాణ మేనేజర్
లక్ష్యం: గత త్రైమాసికపు అమ్మకపు పనితీరును విశ్లేషించండి
సహజ భాషా ప్రశ్న:
"నా దుకాణం కోసం Q4 2024లో ఆదాయ పరంగా టాప్ 10 ఉత్పత్తులు చూపించండి"
వేణుకలు:
- VS Code AI చాట్ MCP సర్వర్కు క్వెరీ పంపుతుంది
- MCP సర్వర్ సారా దుకాణ కాంటెక్స్ట్ను గుర్తిస్తుంది (సియాటిల్)
- RLS విధానాలు సియాటిల్ దుకాణ డేటాకు ఫిల్టర్ వేస్తాయి
- SQL క్వెరీ రూపొందించి అమలు చేస్తుంది
- ఫలితాలు ఫార్మాట్ చేసి AI చాట్కు ఇస్తుంది
- AI విశ్లేషణ మరియు అంతర్జ్ఞానాన్ని ఇస్తుంది
దృశ్యం 2: సెమాంటిక్ సర్చ్తో ఉత్పత్తి గవేషణ
వినియోగదారు: మైక్, ఇన్వెంటరీ మేనేజర్
లక్ష్యం: కస్టమర్ అభ్యర్థనతో సమానమైన ఉత్పత్తులను కనుగొనడం
సహజ భాషా ప్రశ్న:
"'వాటర్ప్రూఫ్ ఎలక్ట్రికల్ కనెక్టర్స్ ఔట్డోర్ వైద్యం కోసం'కి సమానమైన ఏ ఉత్పత్తులు మేము అమ్ముతున్నాము?"
వేణుకలు:
- క్వెరీ సెమాంటిక్ సర్చ్ సాధన ద్వారా ప్రాసెస్ అవుతుంది
- Azure OpenAI ఎంబెడ్డింగ్ వెక్టర్ తయారుచేస్తుంది
- pgvector సమానత శోధన నిర్వహిస్తుంది
- సంబంధిత ఉత్పత్తులు సంబంధితత ఆధారంగా ర్యాంక్ అవుతాయి
- ఫలితాల్లో ఉత్పత్తి వివరాలు మరియు లభ్యత ఉంటాయి
- AI ప్రత్యామ్నాయాలు మరియు బండిలింగ్ అవకాశాలను సూచిస్తుంది
దృశ్యం 3: దుకాణాల మధ్య విశ్లేషణ
వినియోగదారు: జెనిఫర్, ప్రాంతీయ మేనేజర్
లక్ష్యం: అన్ని దుకాణాల పనితీరును పోల్చడం
సహజ భాషా ప్రశ్న:
"గత 6 నెలలలో అన్ని దుకాణాల కేటగిరీ వారీగా విక్రయాలను పోల్చండి"
వేణుకలు:
- ప్రాంతీయ మేనేజర్ యాక్సెస్ కోసం RLS కాంటెక్స్ట్ అమర్చబడుతుంది
- సంక్లిష్ట బహుళ-దుకాణ క్వెరీ రూపొందించబడుతుంది
- అన్ని దుకాణాల డేటాను సమ్మిళితం చేస్తుంది
- ఫలితాలు ధోరణులు మరియు పోలికలను కలిగి ఉంటాయి
- AI అంతర్జ్ఞానాలు మరియు సిఫారసులు గుర్తిస్తుంది
🔒 సెక్యూరిటీ మరియు బహుళ-అడగింపు లోతైన విశ్లేషణ
మన అమలు ఎంటర్ప్రైజ్-గ్రేడ్ భద్రత ప్రాధాన్యతను కలిగి ఉంది:
రో లెవెల్ సెక్యూరిటీ (RLS)
PostgreSQL RLS డేటాను వేరు చేయడానికి నిర్ధారిస్తుంది:
-- 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()));
యూజర్ గుర్తింపు నిర్వహణ
ప్రతి MCP కనెక్షన్లో ఉంటుంది:
- దుకాణ మేనేజర్ ID: RLS కాంటెక్స్ట్కు ప్రత్యేక గుర్తింపు
- పాత్ర కేటాయింపు: అనుమతులు మరియు యాక్సెస్ స్థాయిలు
- సెషన్ నిర్వహణ: సురక్షిత ధృవీకరణ టోకన్లు
- ఆడిట్ లాగింగ్: పూర్తి యాక్సెస్ చరిత్ర
డేటా రక్షణ
ఎన్నో భద్రత పొరలు:
- కనెక్షన్ ఎన్క్రిప్షన్: అన్ని డేటాబేస్ కనెక్షన్లకు TLS
- SQL ఇంజెక్షన్ నిరోధకత: పరిమాణపరమైన క్వెరీస్ మాత్రమే
- ఇన్పుట్ చెల్లింపు: సమగ్ర అభ్యర్థన చెల్లింపు
- పొరపాటు నిర్వహణ: పొరపాటు సందేశాల్లో సున్నితమైన డేటా లేదు
🎯 ముఖ్యమైన పాఠాలు
ఈ పరిచయాన్ని పూర్తిచేసిన తర్వాత మీరు అర్థం చేసుకోవాల్సింది:
✅ MCP విలువ ప్రతిపాదన: MCP ఎలా AI సహాయకులు మరియు నిజ-ప్రపంచ డేటాను కలుపుతుందో
✅ వ్యాపార నేపథ్యం: Zava రిటైల్ యొక్క అవసరాలు మరియు సవాళ్ళు
✅ నిర్మాణ అవలోకనం: ముఖ్య భాగాలు మరియు వాటి పరస్పర చర్యలు
✅ సాంకేతిక వ్యవస్థ: ఉపయోగించిన సాధనాలు మరియు ఫ్రేమ్వర్క్లు
✅ భద్రత మోడల్: బహుళ-అడగింపు డేటా యాక్సెస్ మరియు రక్షణ
✅ వాడుక నమూనాలు: నిజ-ప్రపంచ క్వెరి అలవాట్లు మరియు వర్క్ఫ్లోలు
🚀 తదుపరి ఏమిటి
గొప్పగా లోతుగా విశ్లేషించేందుకు సిద్ధమా? కొనసాగించండి:
ల్యాబ్ 01: కోర్ ఆర్కిటెక్చర్ కాన్సెప్ట్లు
MCP సర్వర్ నిర్మాణ నమూనాలు, డేటాబేస్ డిజైన్ సూత్రాలు, మరియు మన రిటైల్ అనలిటిక్స్ పరిష్కారం కోసం వివరమైన సాంకేతిక అమలు గురించి తెలుసుకోండి.
📚 అదనపు వనరులు
MCP డాక్యుమెంటేషన్
- MCP స్పెసిఫికేషన్ - అధికారిక ప్రోటోకాల్ డాక్యుమెంటేషన్
- MCP కోసం మొదటిసార్లు - సమగ్ర MCP అధ్యయన గైడ్
- FastMCP డాక్యుమెంటేషన్ - Python SDK డాక్యుమెంటేషన్
డేటాబేస్ ఇంటిగ్రేషన్
- PostgreSQL డాక్యుమెంటేషన్ - పూర్తి PostgreSQL సూచిక
- pgvector గైడ్ - వెక్టర్ ఎక్స్టెన్షన్ డాక్యుమెంటేషన్
- రో లెవెల్ సెక్యూరిటీ - PostgreSQL RLS గైడ్
Azure సేవలు
- Azure OpenAI డాక్యుమెంటేషన్ - AI సేవ ఇంటిగ్రేషన్
- Azure Database for PostgreSQL - నిర్వహించబడిన డేటాబేస్ సేవ
- Azure Container Apps - సర్వర్లెస్ కంటెయినర్స్
తప్పుడు అర్థం చేసుకోకం నోటీసు: ఇది ఊహాత్మక రిటైల్ డేటా ఉపయోగించి ఒక అధ్యయన వ్యాయామం మాత్రమే. ప్రొడక్షన్ పరిసరాలలో ఇదే విధంగా పరిష్కారాలను అమలు చేయేటప్పుడు మీ సంస్థ యొక్క డేటా పాలన మరియు సెక్యూరిటీ విధానాలను ఎప్పుడూ అనుసరించండి.
అస్వీకరణ: ఈ పత్రం AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.