Çekirdek Mimari Kavramlar

🎯 Bu Laboratuvar Neleri Kapsıyor?

Bu laboratuvar, MCP sunucu mimari desenleri, veritabanı tasarım ilkeleri ve sağlam, ölçeklenebilir, veritabanı entegreli yapay zeka uygulamalarını destekleyen teknik uygulama stratejilerini derinlemesine incelemektedir.

Genel Bakış

Veritabanı entegrasyonu ile üretime hazır bir MCP sunucusu oluşturmak dikkatli mimari kararlar gerektirir. Bu laboratuvar, Zava Retail analitik çözümümüzü sağlam, güvenli ve ölçeklenebilir kılan temel bileşenleri, tasarım desenlerini ve teknik hususları ayrıntılı bir şekilde ele alır.

Her katmanın nasıl etkileşimde bulunduğunu, belirli teknolojilerin neden seçildiğini ve bu desenleri kendi MCP uygulamalarınıza nasıl uygulayacağınızı anlayacaksınız.

Öğrenme Hedefleri

Bu laboratuvarın sonunda şunları yapabileceksiniz:

Analiz Etmek: Veritabanı entegrasyonu olan bir MCP sunucusunun katmanlı mimarisini incelemek
Anlamak: Her mimari bileşenin rolünü ve sorumluluklarını
Tasarım Yapmak: Çok kiracılı MCP uygulamalarını destekleyen veritabanı şemaları
Uygulamak: Bağlantı havuzu ve kaynak yönetimi stratejileri
Uygulamak: Üretim sistemleri için hata yönetimi ve günlükleme desenleri
Değerlendirmek: Farklı mimari yaklaşımlar arasındaki ödünleşimleri

🏗️ MCP Sunucu Mimari Katmanları

MCP sunucumuz, sorumlulukları ayıran ve sürdürülebilirliği teşvik eden bir katmanlı mimari uygular:

Katman 1: Protokol Katmanı (FastMCP)

Sorumluluk: MCP protokol iletişimini ve mesaj yönlendirmesini yönetmek

# FastMCP server setup
from fastmcp import FastMCP

mcp = FastMCP("Zava Retail Analytics")

# Tool registration with type safety
@mcp.tool()
async def execute_sales_query(
    ctx: Context,
    postgresql_query: Annotated[str, Field(description="Well-formed PostgreSQL query")]
) -> str:
    """Execute PostgreSQL queries with Row Level Security."""
    return await query_executor.execute(postgresql_query, ctx)

Temel Özellikler:

Protokol Uyumluluğu: Tam MCP spesifikasyon desteği
Tip Güvenliği: İstek/cevap doğrulaması için Pydantic modelleri
Async Desteği: Yüksek eşzamanlılık için engellemeyen I/O
Hata Yönetimi: Standartlaştırılmış hata yanıtları

Katman 2: İş Mantığı Katmanı

Sorumluluk: İş kurallarını uygulamak ve protokol ile veri katmanları arasında koordinasyonu sağlamak

class SalesAnalyticsService:
    """Business logic for retail analytics operations."""
    
    async def get_store_performance(
        self, 
        store_id: str, 
        time_period: str
    ) -> Dict[str, Any]:
        """Calculate store performance metrics."""
        
        # Validate business rules
        if not self._validate_store_access(store_id):
            raise UnauthorizedError("Access denied for store")
        
        # Coordinate data retrieval
        sales_data = await self.db_provider.get_sales_data(store_id, time_period)
        metrics = self._calculate_metrics(sales_data)
        
        return {
            "store_id": store_id,
            "period": time_period,
            "metrics": metrics,
            "insights": self._generate_insights(metrics)
        }

Temel Özellikler:

İş Kuralı Uygulaması: Mağaza erişim doğrulaması ve veri bütünlüğü
Hizmet Koordinasyonu: Veritabanı ve yapay zeka hizmetleri arasında orkestrasyon
Veri Dönüşümü: Ham veriyi iş içgörülerine dönüştürmek
Önbellek Stratejisi: Sık sorgular için performans optimizasyonu

Katman 3: Veri Erişim Katmanı

Sorumluluk: Veritabanı bağlantılarını, sorgu yürütmeyi ve veri eşlemesini yönetmek

class PostgreSQLProvider:
    """Data access layer for PostgreSQL operations."""
    
    def __init__(self, connection_config: Dict[str, Any]):
        self.connection_pool: Optional[Pool] = None
        self.config = connection_config
    
    async def execute_query(
        self, 
        query: str, 
        rls_user_id: str
    ) -> List[Dict[str, Any]]:
        """Execute query with RLS context."""
        
        async with self.connection_pool.acquire() as conn:
            # Set RLS context
            await conn.execute(
                "SELECT set_config('app.current_rls_user_id', $1, false)",
                rls_user_id
            )
            
            # Execute query with timeout
            try:
                rows = await asyncio.wait_for(
                    conn.fetch(query),
                    timeout=30.0
                )
                return [dict(row) for row in rows]
            except asyncio.TimeoutError:
                raise QueryTimeoutError("Query execution exceeded timeout")

Temel Özellikler:

Bağlantı Havuzu: Verimli kaynak yönetimi
İşlem Yönetimi: ACID uyumluluğu ve geri alma işlemleri
Sorgu Optimizasyonu: Performans izleme ve optimizasyon
RLS Entegrasyonu: Satır düzeyinde güvenlik bağlamı yönetimi

Katman 4: Altyapı Katmanı

Sorumluluk: Günlükleme, izleme ve yapılandırma gibi çapraz kesim endişelerini yönetmek

class InfrastructureManager:
    """Infrastructure concerns management."""
    
    def __init__(self):
        self.logger = self._setup_logging()
        self.metrics = self._setup_metrics()
        self.config = self._load_configuration()
    
    def _setup_logging(self) -> Logger:
        """Configure structured logging."""
        logging.basicConfig(
            level=logging.INFO,
            format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
            handlers=[
                logging.StreamHandler(),
                logging.FileHandler('mcp_server.log')
            ]
        )
        return logging.getLogger(__name__)
    
    async def track_query_execution(
        self, 
        query_type: str, 
        duration: float, 
        success: bool
    ):
        """Track query performance metrics."""
        self.metrics.counter('query_total').labels(
            type=query_type,
            status='success' if success else 'error'
        ).inc()
        
        self.metrics.histogram('query_duration').labels(
            type=query_type
        ).observe(duration)

🗄️ Veritabanı Tasarım Desenleri

PostgreSQL şemamız, çok kiracılı MCP uygulamaları için birkaç önemli deseni uygular:

1. Çok Kiracılı Şema Tasarımı

-- Core retail entities with store-based partitioning
CREATE TABLE retail.stores (
    store_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    name VARCHAR(100) NOT NULL,
    location VARCHAR(200) NOT NULL,
    manager_id UUID NOT NULL,
    created_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE retail.customers (
    customer_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    store_id UUID REFERENCES retail.stores(store_id),
    first_name VARCHAR(50) NOT NULL,
    last_name VARCHAR(50) NOT NULL,
    email VARCHAR(100) UNIQUE,
    created_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE retail.orders (
    order_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    customer_id UUID REFERENCES retail.customers(customer_id),
    store_id UUID REFERENCES retail.stores(store_id),
    order_date TIMESTAMP DEFAULT NOW(),
    total_amount DECIMAL(10,2) NOT NULL,
    status VARCHAR(20) DEFAULT 'pending'
);

Tasarım İlkeleri:

Yabancı Anahtar Tutarlılığı: Tablolar arasında veri bütünlüğünü sağlamak
Mağaza ID Yayılımı: Her işlem tablosu store_id içerir
UUID Birincil Anahtarlar: Dağıtık sistemler için küresel olarak benzersiz tanımlayıcılar
Zaman Damgası Takibi: Tüm veri değişiklikleri için denetim izi

2. Satır Düzeyinde Güvenlik Uygulaması

-- Enable RLS on multi-tenant tables
ALTER TABLE retail.customers ENABLE ROW LEVEL SECURITY;
ALTER TABLE retail.orders ENABLE ROW LEVEL SECURITY;
ALTER TABLE retail.order_items ENABLE ROW LEVEL SECURITY;

-- Store manager can only see their store's data
CREATE POLICY store_manager_customers ON retail.customers
    FOR ALL TO store_managers
    USING (store_id = get_current_user_store());

CREATE POLICY store_manager_orders ON retail.orders
    FOR ALL TO store_managers
    USING (store_id = get_current_user_store());

-- Regional managers see multiple stores
CREATE POLICY regional_manager_orders ON retail.orders
    FOR ALL TO regional_managers
    USING (store_id = ANY(get_user_store_list()));

-- Support function for RLS context
CREATE OR REPLACE FUNCTION get_current_user_store()
RETURNS UUID AS $$
BEGIN
    RETURN current_setting('app.current_rls_user_id')::UUID;
EXCEPTION WHEN OTHERS THEN
    RETURN '00000000-0000-0000-0000-000000000000'::UUID;
END;
$$ LANGUAGE plpgsql SECURITY DEFINER;

RLS Faydaları:

Otomatik Filtreleme: Veritabanı veri izolasyonunu zorlar
Uygulama Basitliği: Karmaşık WHERE ifadelerine gerek yok
Varsayılan Güvenlik: Yanlış verilere erişmek imkansız
Denetim Uyumluluğu: Net veri erişim sınırları

3. Vektör Arama Şeması

-- Product embeddings for semantic search
CREATE TABLE retail.product_description_embeddings (
    product_id UUID PRIMARY KEY REFERENCES retail.products(product_id),
    description_embedding vector(1536),
    last_updated TIMESTAMP DEFAULT NOW()
);

-- Optimize vector similarity search
CREATE INDEX idx_product_embeddings_vector 
ON retail.product_description_embeddings 
USING ivfflat (description_embedding vector_cosine_ops);

-- Semantic search function
CREATE OR REPLACE FUNCTION search_products_by_description(
    query_embedding vector(1536),
    similarity_threshold FLOAT DEFAULT 0.7,
    max_results INTEGER DEFAULT 20
)
RETURNS TABLE(
    product_id UUID,
    name VARCHAR,
    description TEXT,
    similarity_score FLOAT
) AS $$
BEGIN
    RETURN QUERY
    SELECT 
        p.product_id,
        p.name,
        p.description,
        (1 - (pde.description_embedding <=> query_embedding)) AS similarity_score
    FROM retail.products p
    JOIN retail.product_description_embeddings pde ON p.product_id = pde.product_id
    WHERE (pde.description_embedding <=> query_embedding) <= (1 - similarity_threshold)
    ORDER BY similarity_score DESC
    LIMIT max_results;
END;
$$ LANGUAGE plpgsql;

🔌 Bağlantı Yönetimi Desenleri

Verimli veritabanı bağlantı yönetimi, MCP sunucu performansı için kritik öneme sahiptir:

Bağlantı Havuzu Yapılandırması

class ConnectionPoolManager:
    """Manages PostgreSQL connection pools."""
    
    async def create_pool(self) -> Pool:
        """Create optimized connection pool."""
        return await asyncpg.create_pool(
            host=self.config.db_host,
            port=self.config.db_port,
            database=self.config.db_name,
            user=self.config.db_user,
            password=self.config.db_password,
            
            # Pool configuration
            min_size=2,          # Minimum connections
            max_size=10,         # Maximum connections
            max_inactive_connection_lifetime=300,  # 5 minutes
            
            # Query configuration
            command_timeout=30,   # Query timeout
            server_settings={
                "application_name": "zava-mcp-server",
                "jit": "off",          # Disable JIT for stability
                "work_mem": "4MB",     # Limit work memory
                "statement_timeout": "30s"
            }
        )
    
    async def execute_with_retry(
        self, 
        query: str, 
        params: Tuple = None,
        max_retries: int = 3
    ) -> List[Dict[str, Any]]:
        """Execute query with automatic retry logic."""
        
        for attempt in range(max_retries):
            try:
                async with self.pool.acquire() as conn:
                    if params:
                        rows = await conn.fetch(query, *params)
                    else:
                        rows = await conn.fetch(query)
                    return [dict(row) for row in rows]
                    
            except (ConnectionError, InterfaceError) as e:
                if attempt == max_retries - 1:
                    raise
                
                # Exponential backoff
                await asyncio.sleep(2 ** attempt)
                logger.warning(f"Database connection failed, retrying ({attempt + 1}/{max_retries})")

Kaynak Yaşam Döngüsü Yönetimi

class MCPServerManager:
    """Manages MCP server lifecycle and resources."""
    
    async def startup(self):
        """Initialize server resources."""
        # Create database connection pool
        self.db_pool = await self.pool_manager.create_pool()
        
        # Initialize AI services
        self.ai_client = await self.create_ai_client()
        
        # Setup monitoring
        self.metrics_collector = MetricsCollector()
        
        logger.info("MCP server startup complete")
    
    async def shutdown(self):
        """Cleanup server resources."""
        try:
            # Close database connections
            if self.db_pool:
                await self.db_pool.close()
            
            # Cleanup AI client
            if self.ai_client:
                await self.ai_client.close()
            
            # Flush metrics
            await self.metrics_collector.flush()
            
            logger.info("MCP server shutdown complete")
            
        except Exception as e:
            logger.error(f"Error during shutdown: {e}")
    
    async def health_check(self) -> Dict[str, str]:
        """Verify server health status."""
        status = {}
        
        # Check database connection
        try:
            async with self.db_pool.acquire() as conn:
                await conn.fetchval("SELECT 1")
            status["database"] = "healthy"
        except Exception as e:
            status["database"] = f"unhealthy: {e}"
        
        # Check AI service
        try:
            await self.ai_client.health_check()
            status["ai_service"] = "healthy"
        except Exception as e:
            status["ai_service"] = f"unhealthy: {e}"
        
        return status

🛡️ Hata Yönetimi ve Dayanıklılık Desenleri

Sağlam hata yönetimi, güvenilir MCP sunucu çalışmasını sağlar:

Hiyerarşik Hata Türleri

class MCPError(Exception):
    """Base MCP server error."""
    def __init__(self, message: str, error_code: str = "MCP_ERROR"):
        self.message = message
        self.error_code = error_code
        super().__init__(message)

class DatabaseError(MCPError):
    """Database operation errors."""
    def __init__(self, message: str, query: str = None):
        super().__init__(message, "DATABASE_ERROR")
        self.query = query

class AuthorizationError(MCPError):
    """Access control errors."""
    def __init__(self, message: str, user_id: str = None):
        super().__init__(message, "AUTHORIZATION_ERROR")
        self.user_id = user_id

class QueryTimeoutError(DatabaseError):
    """Query execution timeout."""
    def __init__(self, query: str):
        super().__init__(f"Query timeout: {query[:100]}...", query)
        self.error_code = "QUERY_TIMEOUT"

class ValidationError(MCPError):
    """Input validation errors."""
    def __init__(self, field: str, value: Any, constraint: str):
        message = f"Validation failed for {field}: {constraint}"
        super().__init__(message, "VALIDATION_ERROR")
        self.field = field
        self.value = value

Hata Yönetimi Ara Yazılımı

@contextmanager
async def error_handling_context(operation_name: str, user_id: str = None):
    """Centralized error handling for operations."""
    start_time = time.time()
    
    try:
        yield
        
        # Success metrics
        duration = time.time() - start_time
        metrics.operation_success.labels(operation=operation_name).inc()
        metrics.operation_duration.labels(operation=operation_name).observe(duration)
        
    except ValidationError as e:
        logger.warning(f"Validation error in {operation_name}: {e.message}", extra={
            "operation": operation_name,
            "user_id": user_id,
            "error_type": "validation",
            "field": e.field
        })
        metrics.operation_error.labels(operation=operation_name, type="validation").inc()
        raise
        
    except AuthorizationError as e:
        logger.warning(f"Authorization error in {operation_name}: {e.message}", extra={
            "operation": operation_name,
            "user_id": user_id,
            "error_type": "authorization"
        })
        metrics.operation_error.labels(operation=operation_name, type="authorization").inc()
        raise
        
    except DatabaseError as e:
        logger.error(f"Database error in {operation_name}: {e.message}", extra={
            "operation": operation_name,
            "user_id": user_id,
            "error_type": "database",
            "query": e.query[:100] if e.query else None
        })
        metrics.operation_error.labels(operation=operation_name, type="database").inc()
        raise
        
    except Exception as e:
        logger.error(f"Unexpected error in {operation_name}: {str(e)}", extra={
            "operation": operation_name,
            "user_id": user_id,
            "error_type": "unexpected"
        }, exc_info=True)
        metrics.operation_error.labels(operation=operation_name, type="unexpected").inc()
        raise MCPError(f"Internal server error in {operation_name}")

📊 Performans Optimizasyon Stratejileri

Sorgu Performansı İzleme

class QueryPerformanceMonitor:
    """Monitor and optimize query performance."""
    
    def __init__(self):
        self.slow_query_threshold = 1.0  # seconds
        self.query_stats = defaultdict(list)
    
    @contextmanager
    async def monitor_query(self, query: str, operation_type: str = "unknown"):
        """Monitor query execution time and performance."""
        start_time = time.time()
        query_hash = hashlib.md5(query.encode()).hexdigest()[:8]
        
        try:
            yield
            
            duration = time.time() - start_time
            
            # Record performance metrics
            self.query_stats[operation_type].append(duration)
            
            # Log slow queries
            if duration > self.slow_query_threshold:
                logger.warning(f"Slow query detected", extra={
                    "query_hash": query_hash,
                    "duration": duration,
                    "operation_type": operation_type,
                    "query": query[:200]
                })
            
            # Update metrics
            metrics.query_duration.labels(type=operation_type).observe(duration)
            
        except Exception as e:
            duration = time.time() - start_time
            logger.error(f"Query failed", extra={
                "query_hash": query_hash,
                "duration": duration,
                "operation_type": operation_type,
                "error": str(e)
            })
            raise
    
    def get_performance_summary(self) -> Dict[str, Any]:
        """Generate performance summary report."""
        summary = {}
        
        for operation_type, durations in self.query_stats.items():
            if durations:
                summary[operation_type] = {
                    "count": len(durations),
                    "avg_duration": sum(durations) / len(durations),
                    "max_duration": max(durations),
                    "min_duration": min(durations),
                    "slow_queries": len([d for d in durations if d > self.slow_query_threshold])
                }
        
        return summary

Önbellek Stratejisi

class QueryCache:
    """Intelligent query result caching."""
    
    def __init__(self, redis_url: str = None):
        self.cache = {}  # In-memory fallback
        self.redis_client = redis.Redis.from_url(redis_url) if redis_url else None
        self.cache_ttl = 300  # 5 minutes default
    
    async def get_cached_result(
        self, 
        cache_key: str, 
        query_func: Callable,
        ttl: int = None
    ) -> Any:
        """Get result from cache or execute query."""
        ttl = ttl or self.cache_ttl
        
        # Try cache first
        cached_result = await self._get_from_cache(cache_key)
        if cached_result is not None:
            metrics.cache_hit.labels(type="query").inc()
            return cached_result
        
        # Execute query
        metrics.cache_miss.labels(type="query").inc()
        result = await query_func()
        
        # Cache result
        await self._set_in_cache(cache_key, result, ttl)
        
        return result
    
    def _generate_cache_key(self, query: str, user_context: str) -> str:
        """Generate consistent cache key."""
        key_data = f"{query}:{user_context}"
        return hashlib.sha256(key_data.encode()).hexdigest()

🎯 Temel Çıkarımlar

Bu laboratuvarı tamamladıktan sonra şunları anlamış olmalısınız:

✅ Katmanlı Mimari: MCP sunucu tasarımında sorumlulukları nasıl ayıracağınızı
✅ Veritabanı Desenleri: Çok kiracılı şema tasarımı ve RLS uygulaması
✅ Bağlantı Yönetimi: Verimli havuzlama ve kaynak yaşam döngüsü
✅ Hata Yönetimi: Hiyerarşik hata türleri ve dayanıklılık desenleri
✅ Performans Optimizasyonu: İzleme, önbellekleme ve sorgu optimizasyonu
✅ Üretim Hazırlığı: Altyapı endişeleri ve operasyonel desenler

🚀 Sırada Ne Var?

Lab 02: Güvenlik ve Çok Kiracılılık ile devam ederek şunları derinlemesine inceleyin:

Satır Düzeyinde Güvenlik uygulama detayları
Kimlik doğrulama ve yetkilendirme desenleri
Çok kiracılı veri izolasyon stratejileri
Güvenlik denetimi ve uyumluluk hususları

📚 Ek Kaynaklar

Mimari Desenler

Python'da Temiz Mimari - Python uygulamaları için mimari desenler
Veritabanı Tasarım Desenleri - İlişkisel veritabanı tasarım ilkeleri
Mikro Hizmet Desenleri - Hizmet mimarisi desenleri

PostgreSQL İleri Konular

PostgreSQL Performans Ayarı - Veritabanı optimizasyon rehberi
Bağlantı Havuzu En İyi Uygulamaları - Bağlantı yönetimi
Sorgu Planlama ve Optimizasyon - Sorgu performansı

Python Async Desenleri

AsyncIO En İyi Uygulamalar - Async programlama desenleri
FastAPI Mimari - Modern Python web mimarisi
Pydantic Modelleri - Veri doğrulama ve serileştirme

Sıradaki: Güvenlik desenlerini keşfetmeye hazır mısınız? Lab 02: Güvenlik ve Çok Kiracılılık ile devam edin.

Feragatname:
Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul etmiyoruz.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Çekirdek Mimari Kavramlar

🎯 Bu Laboratuvar Neleri Kapsıyor?

Genel Bakış

Öğrenme Hedefleri

🏗️ MCP Sunucu Mimari Katmanları

Katman 1: Protokol Katmanı (FastMCP)

Katman 2: İş Mantığı Katmanı

Katman 3: Veri Erişim Katmanı

Katman 4: Altyapı Katmanı

🗄️ Veritabanı Tasarım Desenleri

1. Çok Kiracılı Şema Tasarımı

2. Satır Düzeyinde Güvenlik Uygulaması

3. Vektör Arama Şeması

🔌 Bağlantı Yönetimi Desenleri

Bağlantı Havuzu Yapılandırması

Kaynak Yaşam Döngüsü Yönetimi

🛡️ Hata Yönetimi ve Dayanıklılık Desenleri

Hiyerarşik Hata Türleri

Hata Yönetimi Ara Yazılımı

📊 Performans Optimizasyon Stratejileri

Sorgu Performansı İzleme

Önbellek Stratejisi

🎯 Temel Çıkarımlar

🚀 Sırada Ne Var?

📚 Ek Kaynaklar

Mimari Desenler

PostgreSQL İleri Konular

Python Async Desenleri

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

Çekirdek Mimari Kavramlar

🎯 Bu Laboratuvar Neleri Kapsıyor?

Genel Bakış

Öğrenme Hedefleri

🏗️ MCP Sunucu Mimari Katmanları

Katman 1: Protokol Katmanı (FastMCP)

Katman 2: İş Mantığı Katmanı

Katman 3: Veri Erişim Katmanı

Katman 4: Altyapı Katmanı

🗄️ Veritabanı Tasarım Desenleri

1. Çok Kiracılı Şema Tasarımı

2. Satır Düzeyinde Güvenlik Uygulaması

3. Vektör Arama Şeması

🔌 Bağlantı Yönetimi Desenleri

Bağlantı Havuzu Yapılandırması

Kaynak Yaşam Döngüsü Yönetimi

🛡️ Hata Yönetimi ve Dayanıklılık Desenleri

Hiyerarşik Hata Türleri

Hata Yönetimi Ara Yazılımı

📊 Performans Optimizasyon Stratejileri

Sorgu Performansı İzleme

Önbellek Stratejisi

🎯 Temel Çıkarımlar

🚀 Sırada Ne Var?

📚 Ek Kaynaklar

Mimari Desenler

PostgreSQL İleri Konular

Python Async Desenleri