“AnalyticDB PostgreSQL” MCP Sunucusu ne yapar?

AnalyticDB PostgreSQL MCP Sunucusu, Yapay Zeka asistanları ile AnalyticDB PostgreSQL veritabanları arasında evrensel bir arayüz görevi görür. Bu sunucu, Yapay Zeka ajanlarının AnalyticDB PostgreSQL ile sorunsuz iletişim kurmasını sağlayarak veritabanı meta verilerini almasına ve çeşitli SQL işlemleri yürütmesine olanak tanır. Veritabanı işlevlerini Model Context Protocol (MCP) üzerinden sunarak, Yapay Zeka modellerinin SELECT, DML ve DDL SQL sorguları çalıştırma, tablo istatistiklerini analiz etme, şema veya tablo bilgisi alma gibi görevleri yerine getirmesini sağlar. Bu, veritabanı sorguları, şema keşfi ve performans analizleri gibi görevlerin Yapay Zeka ortamlarında otomatikleşmesini ve kolaylaşmasını büyük ölçüde artırır.

Prompt Listesi

Depo veya belgelerde herhangi bir prompt şablonu belirtilmemiştir.

Kaynak Listesi

• adbpg:///schemas: Bağlı AnalyticDB PostgreSQL veritabanında mevcut tüm şemaları getirir.
• adbpg:///{schema}/tables: Belirtilen bir şema içindeki tüm tabloları listeler.
• adbpg:///{schema}/{table}/ddl: Belirtilen bir tablo için Data Definition Language (DDL) ifadesini getirir.
• adbpg:///{schema}/{table}/statistics: Belirli bir tablo için ayrıntılı istatistikleri gösterir.

Araç Listesi

• execute_select_sql: AnalyticDB PostgreSQL sunucusunda SELECT SQL sorguları çalıştırarak veri çekilmesini sağlar.
• execute_dml_sql: DML (INSERT, UPDATE, DELETE) SQL sorgularını çalıştırarak veritabanı kayıtlarının değiştirilmesini sağlar.
• execute_ddl_sql: Veritabanı şemasını yönetmek için DDL (CREATE, ALTER, DROP) SQL sorgularını yürütür.
• analyze_table: Sorgu planlamasını optimize etmek için tablo istatistiklerini toplar ve günceller.
• explain_query: Bir SQL sorgusu için yürütme planını alarak performans teşhisi sağlar.

Bu MCP Sunucusunun Kullanım Senaryoları

• Yapay Zeka Destekli Veritabanı Sorguları: Yapay Zeka ajanlarının SELECT veya DML SQL komutlarını çalıştırmasını sağlayarak doğal dil arayüzüyle doğrudan veri çekme veya değiştirme imkânı sunar.
• Şema ve Meta Veri Keşfi: Yapay Zeka modellerinin şemaları, tabloları ve DDL’leri verimli bir şekilde keşfetmesi için listelemesini sağlar.
• Otomatik Tablo Analizi: analyze_table aracı ile istatistik toplama ve güncelleme yaparak sorgu optimizasyonunu ve performans ayarını iyileştirir.
• Sorgu Optimizasyon Rehberliği: explain_query aracı ile geliştiricilere veya Yapay Zeka ajanlarına SQL sorgularını anlama ve optimize etme desteği sağlar.
• Veri İş Akışlarına Entegrasyon: Veritabanı işlemlerinin Yapay Zeka veya orkestrasyon araçları tarafından yönetilen daha büyük otomatik iş akışlarına sorunsuz dahil edilmesini sağlar.

Kurulum Nasıl Yapılır

Windsurf

1. Python 3.10+ kurulu olduğundan emin olun.
2. Depoyu indirin veya klonlayın:
   git clone https://github.com/aliyun/alibabacloud-adbpg-mcp-server.git
3. Windsurf yapılandırma dosyanıza MCP sunucusunu ekleyin:

"mcpServers": {
  "adbpg-mcp-server": {
    "command": "uv",
    "args": [
      "--directory",
      "/path/to/adbpg-mcp-server",
      "run",
      "adbpg-mcp-server"
    ],
    "env": {
      "ADBPG_HOST": "host",
      "ADBPG_PORT": "port",
      "ADBPG_USER": "username",
      "ADBPG_PASSWORD": "password",
      "ADBPG_DATABASE": "database"
    }
  }
}

4. Yapılandırmayı kaydedin ve Windsurf’ü yeniden başlatın.
5. Sunucunun MCP isteklerine yanıt verdiğinden emin olarak bağlantıyı doğrulayın.

Claude

1. Python 3.10+ ve gerekli paketleri yükleyin.
2. pip ile yükleyin:
   pip install adbpg_mcp_server
3. Claude yapılandırmasına aşağıdaki gibi sunucuyu ekleyin:

"mcpServers": {
  "adbpg-mcp-server": {
    "command": "uvx",
    "args": [
      "adbpg_mcp_server"
    ],
    "env": {
      "ADBPG_HOST": "host",
      "ADBPG_PORT": "port",
      "ADBPG_USER": "username",
      "ADBPG_PASSWORD": "password",
      "ADBPG_DATABASE": "database"
    }
  }
}

4. Yapılandırmayı kaydedin ve Claude’u yeniden başlatın.
5. MCP sunucusunun çalışır durumda olduğunu doğrulayın.

Cursor

1. Python 3.10+ ve bağımlılıklarını kurun.
2. Klonlama veya pip ile yükleme seçeneklerinden birini seçin (yukarıya bakınız).
3. Cursor’un yapılandırma dosyasını şu şekilde düzenleyin:

"mcpServers": {
  "adbpg-mcp-server": {
    "command": "uvx",
    "args": [
      "adbpg_mcp_server"
    ],
    "env": {
      "ADBPG_HOST": "host",
      "ADBPG_PORT": "port",
      "ADBPG_USER": "username",
      "ADBPG_PASSWORD": "password",
      "ADBPG_DATABASE": "database"
    }
  }
}

4. Kaydedin, Cursor’u yeniden başlatın ve MCP sunucusunun işlevselliğini doğrulayın.

Cline

1. Python 3.10+ hazır ve bağımlılıklar yüklü olmalı.
2. Paketi klonlayın veya pip ile yükleyin.
3. Cline yapılandırmasını aşağıdaki gibi güncelleyin:

"mcpServers": {
  "adbpg-mcp-server": {
    "command": "uvx",
    "args": [
      "adbpg_mcp_server"
    ],
    "env": {
      "ADBPG_HOST": "host",
      "ADBPG_PORT": "port",
      "ADBPG_USER": "username",
      "ADBPG_PASSWORD": "password",
      "ADBPG_DATABASE": "database"
    }
  }
}

4. Değişiklikleri kaydedin ve Cline’ı yeniden başlatın.
5. Bağlantıyı kontrol ederek sunucunun erişilebilir olduğundan emin olun.

API Anahtarlarını Güvenceye Alma

Veritabanı şifreleri gibi hassas değerleri her zaman düz metin yapılandırma dosyalarında değil, ortam değişkenlerinde saklayın. Örnek:

"env": {
  "ADBPG_PASSWORD": "${ADBPG_PASSWORD_ENV}"
}

Güvenli entegrasyon için sistem ortam değişkenlerinizi buna göre yapılandırın.

Bu MCP’yi Flow’larda Kullanmak

FlowHunt’ta MCP Kullanımı

FlowHunt iş akışınıza MCP sunucularını entegre etmek için, akışınıza MCP bileşenini ekleyip Yapay Zeka ajanınıza bağlayarak başlayın:

MCP bileşenine tıklayarak yapılandırma panelini açın. Sistem MCP yapılandırma bölümüne MCP sunucu bilgilerinizi şu JSON formatında ekleyin:

{
  "adbpg-mcp-server": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Yapılandırma tamamlandığında, Yapay Zeka ajanı bu MCP’yi bir araç olarak tüm işlev ve yetenekleriyle kullanabilir. “adbpg-mcp-server” adını kendi MCP sunucunuzun adıyla ve URL’yi kendi MCP sunucu URL’nizle değiştirmeyi unutmayın.

Genel Bakış

Bu MCP sunucusunun incelemesi, kurulum, kaynaklar ve araçlar için sağlam bir dokümantasyona sahip olduğunu, ancak prompt şablonları ve Roots veya Sampling gibi gelişmiş özelliklerin olmadığını gösteriyor. Odak noktası açıkça veritabanı merkezli iş akışlarıdır.

MCP Skoru

Puan:
Bu MCP sunucusuna 7/10 puan veriyorum. Temel entegrasyon ve veritabanı kullanım senaryoları için iyi belgelenmiş, ancak prompt şablonlarının, gelişmiş MCP özelliklerinin ve topluluk katılımının (yıldız/çatal) eksikliği nedeniyle puanı daha düşük. Veritabanı odaklı Yapay Zeka iş akışları için güçlü bir başlangıç noktasıdır.