Skip to content

README.md

Latest commit

 

History

History
233 lines (177 loc) · 21.8 KB

README.md

File metadata and controls

233 lines (177 loc) · 21.8 KB

MCP ਡੇਟਾਬੇਸ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦਾ ਪਰਚੇ

🎯 ਇਹ ਲੈਬ ਕੀ ਕਵਰ ਕਰਦੀ ਹੈ

ਇਹ ਪਰਚੇ ਦੀ ਲੈਬ ਮਾਡਲ ਕਾਂਟੈਕਸਟ ਪ੍ਰੋਟੋਕੋਲ (MCP) ਸਰਵਰਾਂ ਨੂੰ ਡੇਟਾਬੇਸ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਨਾਲ ਬਣਾਉਣ ਦੀ ਵਿਸਤ੍ਰਿਤ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਤੁਸੀਂ ਵਪਾਰਕ ਕੇਸ, ਤਕਨੀਕੀ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਅਸਲ ਦੁਨੀਆ ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ Zava Retail ਐਨਾਲਿਟਿਕਸ ਯੂਜ਼ ਕੇਸ ਰਾਹੀਂ ਸਮਝੋਗੇ। https://github.com/microsoft/MCP-Server-and-PostgreSQL-Sample-Retail

ਓਵਰਵਿਊ

ਮਾਡਲ ਕਾਂਟੈਕਸਟ ਪ੍ਰੋਟੋਕੋਲ (MCP) AI ਅਸਿਸਟੈਂਟਸ ਨੂੰ ਸੁਰੱਖਿਅਤ ਤਰੀਕੇ ਨਾਲ ਬਾਹਰੀ ਡੇਟਾ ਸਰੋਤਾਂ ਨਾਲ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਐਕਸੈਸ ਅਤੇ ਇੰਟਰੈਕਟ ਕਰਨ ਦੀ ਯੋਗਤਾ ਦਿੰਦਾ ਹੈ। ਜਦੋਂ ਡੇਟਾਬੇਸ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਨਾਲ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ MCP ਡੇਟਾ-ਚਲਿਤ AI ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਮਰੱਥਾਵਾਂ ਖੋਲ੍ਹਦਾ ਹੈ।

ਇਹ ਲਰਨਿੰਗ ਪਾਥ ਤੁਹਾਨੂੰ ਪ੍ਰੋਡਕਸ਼ਨ-ਤਿਆਰ MCP ਸਰਵਰ ਬਣਾਉਣ ਸਿਖਾਉਂਦਾ ਹੈ ਜੋ AI ਅਸਿਸਟੈਂਟਸ ਨੂੰ PostgreSQL ਰਾਹੀਂ ਰਿਟੇਲ ਸੇਲਜ਼ ਡੇਟਾ ਨਾਲ ਜੋੜਦਾ ਹੈ, ਅਤੇ ਰੋ ਲੈਵਲ ਸੁਰੱਖਿਆ, ਸੈਮੈਂਟਿਕ ਖੋਜ ਅਤੇ ਮਲਟੀ-ਟੈਨੈਂਟ ਡੇਟਾ ਐਕਸੈਸ ਵਰਗੇ ਐਨਟਰਪ੍ਰਾਈਜ਼ ਪੈਟਰਨ ਲਾਗੂ ਕਰਦਾ ਹੈ।

ਲਰਨਿੰਗ ਉਦੇਸ਼

ਇਸ ਲੈਬ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਸੀਂ ਸਮਰੱਥ ਹੋਵੋਗੇ:

  • MCP ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ ਅਤੇ ਡੇਟਾਬੇਸ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਲਈ ਇਸਦੇ ਮੁੱਖ ਫਾਇਦੇ
  • MCP ਸਰਵਰ ਆਰਕੀਟੈਕਚਰ ਦੇ ਮੁੱਖ ਹਿੱਸਿਆਂ ਦੀ ਪਛਾਣ ਕਰੋ ਡੇਟਾਬੇਸ ਨਾਲ
  • Zava Retail ਯੂਜ਼ ਕੇਸ ਅਤੇ ਇਸਦੇ ਵਪਾਰਕ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਸਮਝੋ
  • ਸੁਰੱਖਿਅਤ ਅਤੇ ਸਕੇਲਬਲ ਡੇਟਾਬੇਸ ਐਕਸੈਸ ਲਈ ਐਨਟਰਪ੍ਰਾਈਜ਼ ਪੈਟਰਨ ਪਛਾਣੋ
  • ਇਸ ਲਰਨਿੰਗ ਪਾਥ ਵਿੱਚ ਵਰਤੇ ਗਏ ਟੂਲ ਅਤੇ ਤਕਨੀਕਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ

🧭 ਚੁਣੌਤੀ: AI ਅਤੇ ਅਸਲ ਦੁਨੀਆ ਦਾ ਡੇਟਾ

ਰਵਾਇਤੀ AI ਦੀਆਂ ਪਾਬੰਦੀਆਂ

ਆਧੁਨਿਕ AI ਅਸਿਸਟੈਂਟਸ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹਨ ਪਰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਵਪਾਰਕ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਵੇਲੇ ਮਹੱਤਵਪੂਰਨ ਪਾਬੰਦੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹਨ:

ਚੁਣੌਤੀ ਵੇਰਵਾ ਵਪਾਰਕ ਪ੍ਰਭਾਵ
ਸਥਿਰ ਗਿਆਨ AI ਮਾਡਲ ਜੋ ਫਿਕਸਡ ਡੇਟਾਸੈਟਸ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ ਹਨ, ਮੌਜੂਦਾ ਵਪਾਰਕ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਕਰ ਸਕਦੇ ਪੁਰਾਣੇ ਅੰਕੜੇ, ਗੁਆਚੇ ਮੌਕੇ
ਡੇਟਾ ਸਿਲੋਜ਼ ਜਾਣਕਾਰੀ ਡੇਟਾਬੇਸ, APIs ਅਤੇ ਸਿਸਟਮਾਂ ਵਿੱਚ ਬੰਦ ਹੈ ਜਿਨ੍ਹਾਂ ਤੱਕ AI ਨਹੀਂ ਪਹੁੰਚ ਸਕਦਾ ਅਧੂਰੀ ਵਿਸ਼ਲੇਸ਼ਣ, ਖੰਡਿਤ ਵਰਕਫਲੋਜ਼
ਸੁਰੱਖਿਆ ਪਾਬੰਦੀਆਂ ਸਿੱਧੇ ਡੇਟਾਬੇਸ ਐਕਸੈਸ ਨਾਲ ਸੁਰੱਖਿਆ ਅਤੇ ਅਨੁਕੂਲਤਾ ਸੰਬੰਧੀ ਚਿੰਤਾਵਾਂ ਸੀਮਿਤ ਡਿਪਲੌਇਮੈਂਟ, ਮੈਨੂਅਲ ਡੇਟਾ ਤਿਆਰੀ
ਜਟਿਲ ਕਵੈਰੀਜ਼ ਵਪਾਰਕ ਯੂਜ਼ਰਾਂ ਨੂੰ ਡੇਟਾ ਅੰਕੜੇ ਕੱਢਣ ਲਈ ਤਕਨੀਕੀ ਗਿਆਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਘਟ Adoption, ਅਸਰਹੀਣ ਪ੍ਰਕਿਰਿਆਵਾਂ

MCP ਦਾ ਹੱਲ

ਮਾਡਲ ਕਾਂਟੈਕਸਟ ਪ੍ਰੋਟੋਕੋਲ ਇਨ੍ਹਾਂ ਚੁਣੌਤੀਆਂ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ:

  • ਰੀਅਲ-ਟਾਈਮ ਡੇਟਾ ਐਕਸੈਸ: AI ਅਸਿਸਟੈਂਟਸ ਲਾਈਵ ਡੇਟਾਬੇਸ ਅਤੇ APIs ਨੂੰ ਕਵੈਰੀ ਕਰਦੇ ਹਨ
  • ਸੁਰੱਖਿਅਤ ਇੰਟੀਗ੍ਰੇਸ਼ਨ: ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਅਨੁਮਤੀਆਂ ਨਾਲ ਨਿਯੰਤਰਿਤ ਪਹੁੰਚ
  • ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਇੰਟਰਫੇਸ: ਵਪਾਰਕ ਯੂਜ਼ਰ ਸਧਾਰਨ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਸਵਾਲ ਪੁੱਛਦੇ ਹਨ
  • ਸਟੈਂਡਰਡ ਪ੍ਰੋਟੋਕੋਲ: ਵੱਖ-ਵੱਖ AI ਪਲੇਟਫਾਰਮਾਂ ਅਤੇ ਟੂਲਾਂ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ

🏪 Zava Retail: ਸਾਡਾ ਲਰਨਿੰਗ ਕੇਸ ਸਟਡੀ https://github.com/microsoft/MCP-Server-and-PostgreSQL-Sample-Retail

ਇਸ ਲਰਨਿੰਗ ਪਾਥ ਦੌਰਾਨ, ਅਸੀਂ Zava Retail ਲਈ ਇੱਕ MCP ਸਰਵਰ ਬਣਾਵਾਂਗੇ, ਜੋ ਕਿ ਵਾਸਤਵਿਕ DIY ਰਿਟੇਲ ਚੇਨ ਹੈ ਜਿਸਦੇ ਕਈ ਸਟੋਰ ਸਥਾਨ ਹਨ। ਇਹ ਹਕੀਕਤੀ ਦ੍ਰਿਸ਼ਾਂ ਐਨਟਰਪ੍ਰਾਈਜ਼-ਗਰੇਡ MCP ਲਾਗੂ ਕਰਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਵਪਾਰਕ ਸੰਦਰਭ

Zava Retail ਚਲਾਉਂਦਾ ਹੈ:

  • 8 ਫਿਜ਼ਿਕਲ ਸਟੋਰ ਵਾਸ਼ਿੰਗਟਨ ਰਾਜ ਵਿੱਚ (Seattle, Bellevue, Tacoma, Spokane, Everett, Redmond, Kirkland)
  • 1 ਆਨਲਾਈਨ ਸਟੋਰ ਈ-ਕਾਮਰਸ ਵਿਕਰੀ ਲਈ
  • ਵਿਭਿੰਨ ਉਤਪਾਦ ਕੈਟਾਲਾਗ ਜਿਵੇਂ ਕਿ ਟੂਲ, ਹਾਰਡਵੇਅਰ, ਗਾਰਡਨ ਸਪਲਾਈਜ਼ ਅਤੇ ਬਿਲਡਿੰਗ ਮਟੀਰੀਅਲ
  • ਮਲਟੀ-ਲੈਵਲ ਮੈਨੇਜਮੈਂਟ ਸਟੋਰ ਮੈਨੇਜਰਾਂ, ਰੀਜਨਲ ਮੈਨੇਜਰਾਂ ਅਤੇ ਐਗਜ਼ਿਕਟਿਵਜ਼ ਨਾਲ

ਵਪਾਰਕ ਜ਼ਰੂਰਤਾਂ

ਸਟੋਰ ਮੈਨੇਜਰ ਅਤੇ ਐਗਜ਼ਿਕਟਿਵਜ਼ ਨੂੰ AI-ਚਲਿਤ ਐਨਾਲਿਟਿਕਸ ਦੀ ਲੋੜ ਹੈ:

  1. ਵਿਕਰੀ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸਟੋਰਾਂ ਅਤੇ ਸਮੇਂ ਦੇ ਅੰਤਰਾਲਾਂ ਵਿੱਚ
  2. ਇਨਵੈਂਟਰੀ ਲੈਵਲ ਟ੍ਰੈਕ ਕਰੋ ਅਤੇ ਰੀਸਟਾਕਿੰਗ ਦੀ ਲੋੜ ਪਛਾਣੋ
  3. ਗਾਹਕ ਦੇ ਵਿਹਾਰ ਨੂੰ ਸਮਝੋ ਅਤੇ ਖਰੀਦ ਪੈਟਰਨ
  4. ਸੈਮੈਂਟਿਕ ਖੋਜ ਰਾਹੀਂ ਉਤਪਾਦ ਅੰਕੜੇ ਖੋਜੋ
  5. ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਕਵੈਰੀਜ਼ ਨਾਲ ਰਿਪੋਰਟ ਜਨਰੇਟ ਕਰੋ
  6. ਰੋਲ-ਅਧਾਰਿਤ ਐਕਸੈਸ ਕੰਟਰੋਲ ਨਾਲ ਡੇਟਾ ਸੁਰੱਖਿਆ ਬਣਾਈ ਰੱਖੋ

ਤਕਨੀਕੀ ਜ਼ਰੂਰਤਾਂ

MCP ਸਰਵਰ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ:

  • ਮਲਟੀ-ਟੈਨੈਂਟ ਡੇਟਾ ਐਕਸੈਸ ਜਿੱਥੇ ਸਟੋਰ ਮੈਨੇਜਰ ਸਿਰਫ ਆਪਣੇ ਸਟੋਰ ਦਾ ਡੇਟਾ ਦੇਖ ਸਕਦੇ ਹਨ
  • ਲਚਕਦਾਰ ਕਵੈਰੀਜ਼ ਜੋ ਜਟਿਲ SQL ਓਪਰੇਸ਼ਨਾਂ ਨੂੰ ਸਹਾਰਾ ਦਿੰਦੇ ਹਨ
  • ਸੈਮੈਂਟਿਕ ਖੋਜ ਉਤਪਾਦ ਖੋਜ ਅਤੇ ਸਿਫਾਰਸ਼ਾਂ ਲਈ
  • ਰੀਅਲ-ਟਾਈਮ ਡੇਟਾ ਜੋ ਮੌਜੂਦਾ ਵਪਾਰਕ ਸਥਿਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ
  • ਸੁਰੱਖਿਅਤ ਪ੍ਰਮਾਣਿਕਤਾ ਰੋ ਲੈਵਲ ਸੁਰੱਖਿਆ ਨਾਲ
  • ਸਕੇਲਬਲ ਆਰਕੀਟੈਕਚਰ ਕਈ ਸਮਕਾਲੀ ਯੂਜ਼ਰਾਂ ਨੂੰ ਸਹਾਰਾ ਦਿੰਦਾ ਹੈ

🏗️ MCP ਸਰਵਰ ਆਰਕੀਟੈਕਚਰ ਓਵਰਵਿਊ

ਸਾਡਾ MCP ਸਰਵਰ ਡੇਟਾਬੇਸ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਲਈ ਅਨੁਕੂਲਤ ਲੇਅਰਡ ਆਰਕੀਟੈਕਚਰ ਲਾਗੂ ਕਰਦਾ ਹੈ:

┌─────────────────────────────────────────────────────────────┐
│                    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)                            │
└─────────────────────────────────────────────────────────────┘

ਮੁੱਖ ਹਿੱਸੇ

1. MCP ਸਰਵਰ ਲੇਅਰ

  • FastMCP Framework: ਆਧੁਨਿਕ Python MCP ਸਰਵਰ ਇੰਪਲੀਮੈਂਟੇਸ਼ਨ
  • Tool Registration: ਟਾਈਪ ਸੇਫਟੀ ਨਾਲ ਡਿਕਲੇਰੇਟਿਵ ਟੂਲ ਡਿਫਿਨੀਸ਼ਨ
  • Request Context: ਯੂਜ਼ਰ ਦੀ ਪਹਿਚਾਣ ਅਤੇ ਸੈਸ਼ਨ ਮੈਨੇਜਮੈਂਟ
  • Error Handling: ਮਜ਼ਬੂਤ ਗਲਤੀ ਪ੍ਰਬੰਧਨ ਅਤੇ ਲੌਗਿੰਗ

2. ਡੇਟਾਬੇਸ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਲੇਅਰ

  • Connection Pooling: ਕੁਸ਼ਲ asyncpg ਕਨੈਕਸ਼ਨ ਮੈਨੇਜਮੈਂਟ
  • Schema Provider: ਡਾਇਨਾਮਿਕ ਟੇਬਲ ਸਕੀਮਾ ਖੋਜ
  • Query Executor: RLS ਸੰਦਰਭ ਨਾਲ ਸੁਰੱਖਿਅਤ SQL ਐਕਸੈਕਿਊਸ਼ਨ
  • Transaction Management: ACID ਅਨੁਕੂਲਤਾ ਅਤੇ ਰੋਲਬੈਕ ਹੈਂਡਲਿੰਗ

3. ਸੁਰੱਖਿਆ ਲੇਅਰ

  • Row Level Security: PostgreSQL RLS ਮਲਟੀ-ਟੈਨੈਂਟ ਡੇਟਾ ਆਈਸੋਲੇਸ਼ਨ ਲਈ
  • User Identity: ਸਟੋਰ ਮੈਨੇਜਰ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਅਨੁਮਤੀ
  • Access Control: ਸੁਖਮ ਅਨੁਮਤੀਆਂ ਅਤੇ ਆਡਿਟ ਟ੍ਰੇਲ
  • Input Validation: SQL ਇੰਜੈਕਸ਼ਨ ਰੋਕਥਾਮ ਅਤੇ ਕਵੈਰੀ ਵੈਰੀਫਿਕੇਸ਼ਨ

4. AI Enhancement Layer

  • Semantic Search: ਉਤਪਾਦ ਖੋਜ ਲਈ ਵੈਕਟਰ ਐਮਬੈਡਿੰਗ
  • Azure OpenAI Integration: ਟੈਕਸਟ ਐਮਬੈਡਿੰਗ ਜਨਰੇਸ਼ਨ
  • Similarity Algorithms: pgvector ਕੋਸਾਈਨ ਸਿਮਿਲਾਰਿਟੀ ਖੋਜ
  • Search Optimization: ਇੰਡੈਕਸਿੰਗ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਟਿਊਨਿੰਗ

🔧 ਤਕਨੀਕੀ ਸਟੈਕ

ਕੋਰ ਤਕਨੀਕਾਂ

ਹਿੱਸਾ ਤਕਨੀਕ ਉਦੇਸ਼
MCP Framework FastMCP (Python) ਆਧੁਨਿਕ MCP ਸਰਵਰ ਇੰਪਲੀਮੈਂਟੇਸ਼ਨ
ਡੇਟਾਬੇਸ PostgreSQL 17 + pgvector ਰਿਲੇਸ਼ਨਲ ਡੇਟਾ ਨਾਲ ਵੈਕਟਰ ਖੋਜ
AI ਸੇਵਾਵਾਂ Azure OpenAI ਟੈਕਸਟ ਐਮਬੈਡਿੰਗ ਅਤੇ ਭਾਸ਼ਾ ਮਾਡਲ
ਕੰਟੇਨਰਾਈਜ਼ੇਸ਼ਨ Docker + Docker Compose ਵਿਕਾਸ ਵਾਤਾਵਰਣ
ਕਲਾਉਡ ਪਲੇਟਫਾਰਮ Microsoft Azure ਪ੍ਰੋਡਕਸ਼ਨ ਡਿਪਲੌਇਮੈਂਟ
IDE Integration VS Code AI ਚੈਟ ਅਤੇ ਵਿਕਾਸ ਵਰਕਫਲੋ

ਵਿਕਾਸ ਟੂਲ

ਟੂਲ ਉਦੇਸ਼
asyncpg ਹਾਈ-ਪਰਫਾਰਮੈਂਸ PostgreSQL ਡ੍ਰਾਈਵਰ
Pydantic ਡੇਟਾ ਵੈਰੀਫਿਕੇਸ਼ਨ ਅਤੇ ਸਿਰੀਅਲਾਈਜ਼ੇਸ਼ਨ
Azure SDK ਕਲਾਉਡ ਸੇਵਾ ਇੰਟੀਗ੍ਰੇਸ਼ਨ
pytest ਟੈਸਟਿੰਗ ਫਰੇਮਵਰਕ
Docker ਕੰਟੇਨਰਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਡਿਪਲੌਇਮੈਂਟ

ਪ੍ਰੋਡਕਸ਼ਨ ਸਟੈਕ

ਸੇਵਾ Azure Resource ਉਦੇਸ਼
ਡੇਟਾਬੇਸ Azure Database for PostgreSQL ਮੈਨੇਜਡ ਡੇਟਾਬੇਸ ਸੇਵਾ
ਕੰਟੇਨਰ Azure Container Apps ਸਰਵਰਲੈਸ ਕੰਟੇਨਰ ਹੋਸਟਿੰਗ
AI ਸੇਵਾਵਾਂ Azure AI Foundry OpenAI ਮਾਡਲ ਅਤੇ ਐਂਡਪੋਇੰਟ
ਮਾਨੀਟਰਿੰਗ Application Insights ਦ੍ਰਿਸ਼ਟੀ ਅਤੇ ਡਾਇਗਨੋਸਟਿਕਸ
ਸੁਰੱਖਿਆ Azure Key Vault ਰਾਜ਼ ਅਤੇ ਕਨਫਿਗਰੇਸ਼ਨ ਮੈਨੇਜਮੈਂਟ

🎬 ਅਸਲ ਦੁਨੀਆ ਦੇ ਵਰਤੋਂ ਦੇ ਦ੍ਰਿਸ਼ਾਂ

ਆਓ ਵੇਖੀਏ ਕਿ ਵੱਖ-ਵੱਖ ਯੂਜ਼ਰ ਸਾਡੇ MCP ਸਰਵਰ ਨਾਲ ਕਿਵੇਂ ਇੰਟਰੈਕਟ ਕਰਦੇ ਹਨ:

ਦ੍ਰਿਸ਼ 1: ਸਟੋਰ ਮੈਨੇਜਰ ਪ੍ਰਦਰਸ਼ਨ ਸਮੀਖਿਆ

ਯੂਜ਼ਰ: Sarah, Seattle ਸਟੋਰ ਮੈਨੇਜਰ
ਉਦੇਸ਼: ਪਿਛਲੇ ਤਿਮਾਹੀ ਦੀ ਵਿਕਰੀ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ

ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਕਵੈਰੀ:

"ਮੇਰੇ ਸਟੋਰ ਲਈ Q4 2024 ਵਿੱਚ ਰੇਵਨਿਊ ਦੇ ਮੁਤਾਬਕ ਸਿਖਰ ਦੇ 10 ਉਤਪਾਦ ਦਿਖਾਓ"

ਕੀ ਹੁੰਦਾ ਹੈ:

  1. VS Code AI ਚੈਟ ਕਵੈਰੀ ਨੂੰ MCP ਸਰਵਰ ਨੂੰ ਭੇਜਦਾ ਹੈ
  2. MCP ਸਰਵਰ Sarah ਦੇ ਸਟੋਰ ਸੰਦਰਭ (Seattle) ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ
  3. RLS ਨੀਤੀਆਂ ਸਿਰਫ Seattle ਸਟੋਰ ਲਈ ਡੇਟਾ ਫਿਲਟਰ ਕਰਦੀਆਂ ਹਨ
  4. SQL ਕਵੈਰੀ ਜਨਰੇਟ ਅਤੇ ਐਕਸੈਕਿਊਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ
  5. ਨਤੀਜੇ ਫਾਰਮੈਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ AI ਚੈਟ ਨੂੰ ਵਾਪਸ ਭੇਜੇ ਜਾਂਦੇ ਹਨ
  6. AI ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਅੰਕੜੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ

ਦ੍ਰਿਸ਼ 2: ਸੈਮੈਂਟਿਕ ਖੋਜ ਨਾਲ ਉਤਪਾਦ ਖੋਜ

ਯੂਜ਼ਰ: Mike, ਇਨਵੈਂਟਰੀ ਮੈਨੇਜਰ
ਉਦੇਸ਼: ਗਾਹਕ ਦੀ ਬੇਨਤੀ ਦੇ ਸਮਾਨ ਉਤਪਾਦ ਖੋਜੋ

ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਕਵੈਰੀ:

"ਜੋ ਉਤਪਾਦ ਅਸੀਂ ਵੇਚਦੇ ਹਾਂ ਉਹ 'ਬਾਹਰਲੇ ਵਰਤੋਂ ਲਈ ਵਾਟਰਪ੍ਰੂਫ ਇਲੈਕਟ੍ਰਿਕਲ ਕਨੈਕਟਰ' ਦੇ ਸਮਾਨ ਹਨ?"

ਕੀ ਹੁੰਦਾ ਹੈ:

  1. ਕਵੈਰੀ ਸੈਮੈਂਟਿਕ ਖੋਜ ਟੂਲ ਦੁਆਰਾ ਪ੍ਰੋਸੈਸ ਕੀਤੀ ਜਾਂਦੀ ਹੈ
  2. Azure OpenAI ਐਮਬੈਡਿੰਗ ਵੈਕਟਰ ਜਨਰੇਟ ਕਰਦਾ ਹੈ
  3. pgvector ਸਿਮਿਲਾਰਿਟੀ ਖੋਜ ਕਰਦਾ ਹੈ
  4. ਸੰਬੰਧਿਤ ਉਤਪਾਦ ਪ੍ਰਸੰਗਿਕਤਾ ਦੇ ਮੁਤਾਬਕ ਰੈਂਕ ਕੀਤੇ ਜਾਂਦੇ ਹਨ
  5. ਨਤੀਜੇ ਵਿੱਚ ਉਤਪਾਦ ਵੇਰਵੇ ਅਤੇ ਉਪਲਬਧਤਾ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ
  6. AI ਵਿਕਲਪ ਅਤੇ ਬੰਡਲਿੰਗ ਮੌਕੇ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ

ਦ੍ਰਿਸ਼ 3: ਸਟੋਰਾਂ ਦੇ ਪਾਰ ਵਿਸ਼ਲੇਸ਼ਣ

ਯੂਜ਼ਰ: Jennifer, ਰੀਜਨਲ ਮੈਨੇਜਰ
ਉਦੇਸ਼: ਸਾਰੇ ਸਟੋਰਾਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀ ਦੇ ਮੁਤਾਬਕ ਵਿਕਰੀ ਦੀ ਤੁਲਨਾ ਕਰੋ

ਨੈਚਰਲ ਲੈਂਗਵੇਜ ਕਵੈਰੀ:

"ਪਿਛਲੇ 6 ਮਹੀਨਿਆਂ ਵਿੱਚ ਸਾਰੇ ਸਟੋਰਾਂ ਲਈ ਸ਼੍ਰੇਣੀ ਦੇ ਮੁਤਾਬਕ ਵਿਕਰੀ ਦੀ ਤੁਲਨਾ ਕਰੋ"

ਕੀ ਹੁੰਦਾ ਹੈ:

  1. RLS ਸੰਦਰਭ ਰੀਜਨਲ ਮੈਨੇਜਰ ਐਕਸੈਸ ਲਈ ਸੈਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
  2. ਜਟਿਲ ਮਲਟੀ-ਸਟੋਰ ਕਵੈਰੀ ਜਨਰੇਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ
  3. ਸਟੋਰ ਸਥਾਨਾਂ ਵਿੱਚ ਡੇਟਾ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
  4. ਨਤੀਜੇ ਵਿੱਚ ਰੁਝਾਨ ਅਤੇ ਤੁ

ਅਸਵੀਕਰਤੀ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਅਸਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।