AnalyticDB PostgreSQL MCP Sunucusu

“AnalyticDB PostgreSQL” MCP Sunucusu ne yapar?

AnalyticDB PostgreSQL MCP Sunucusu, Yapay Zeka asistanları ile AnalyticDB PostgreSQL veritabanları arasında evrensel bir köprü görevi görür. Yapay Zeka ajanlarının veritabanı metadata’sını almasına, SQL sorguları çalıştırmasına ve veritabanı işlemlerini programlı olarak yönetmesine olanak tanıyarak sorunsuz bir etkileşim sağlar. Veritabanı işlevlerine standart erişim sunarak, bu MCP sunucusu şema keşfi, sorgu çalıştırma, tablo istatistikleri toplama ve sorgu performansını analiz etme gibi görevleri kolaylaştırır. Bu da, Yapay Zeka tabanlı iş akışlarını sağlam ve kurumsal düzeyde PostgreSQL analitik veritabanlarıyla entegre etmek isteyen geliştiriciler ve veri mühendisleri için vazgeçilmez bir araç haline getirir.

Prompt Listesi

Sağlanan depo veya dökümantasyonda prompt şablonlarından bahsedilmemiştir.

Kaynaklar Listesi

• adbpg:///schemas
  Bağlı AnalyticDB PostgreSQL veritabanında bulunan tüm şemaları getirir.

• adbpg:///{schema}/tables
  Belirtilen bir şema içindeki tüm tabloları listeler.

• adbpg:///{schema}/{table}/ddl
  Belirli bir tablo için Data Definition Language (DDL) ifadesini sunar.

• adbpg:///{schema}/{table}/statistics
  Belirtilen tabloya ilişkin istatistikleri gösterir, performans analizi ve optimizasyon için yardımcı olur.

Araçlar Listesi

• execute_select_sql
  AnalyticDB PostgreSQL sunucusunda SELECT SQL sorgularını çalıştırarak veri getirir.

• execute_dml_sql
  INSERT, UPDATE veya DELETE gibi DML (Veri Manipülasyon Dili) işlemlerini yürütür.

• execute_ddl_sql
  CREATE, ALTER veya DROP gibi DDL (Veri Tanımlama Dili) işlemlerini yürütür.

• analyze_table
  Veritabanı performansını optimize etmek için bir tabloya ait istatistikleri toplar.

• explain_query
  Belirli bir SQL sorgusu için yürütme planı sunar; kullanıcıların sorgu performansını anlamasına ve optimize etmesine yardımcı olur.

Bu MCP Sunucunun Kullanım Alanları

• Veritabanı Keşfi ve Metadata Alma
  Geliştiriciler, veritabanı şemalarını kolayca keşfedebilir, tabloları listeleyebilir ve tablo tanımlarına erişebilir; bu da üretkenliği ve veri yapılarının anlaşılmasını artırır.

• Otomatik Sorgu Çalıştırma
  Yapay Zeka ajanları, SELECT ve DML sorgularını programlı şekilde çalıştırabilir; bu da rapor oluşturma, veri güncellemeleri ve otomatik iş akışları gibi kullanım senaryolarını mümkün kılar.

• Şema Yönetimi ve Evrimi
  Sunucu, DDL sorgularının çalıştırılmasını sağlar; böylece, tabloların oluşturulması, değiştirilmesi veya silinmesi gibi şema değişikliklerini CI/CD süreçlerinin bir parçası haline getirir.

• Performans İyileştirme
  analyze_table ve explain_query gibi araçlar, geliştiricilerin istatistik ve yürütme planı toplamasını kolaylaştırır; darboğazların tespitini ve sorguların optimize edilmesini sağlar.

• Yapay Zeka ile Veri Analizi
  Yapay Zeka asistanlarıyla entegre olarak, sunucu bağlama duyarlı veri analizi desteği sunar ve akıllı veri keşfi ile içgörü üretimini mümkün kılar.

Nasıl Kurulur

Windsurf

1. Gereksinimler:
   Python 3.10+ ve gerekli paketlerin kurulu olduğundan emin olun.
2. Klonla veya Yükle:
   • Klonla: git clone https://github.com/aliyun/alibabacloud-adbpg-mcp-server.git
   • Ya da pip ile yükle: pip install adbpg_mcp_server
3. Konfigürasyonu Düzenle:
   Windsurf MCP istemci konfigürasyon dosyasını açın.
4. MCP Sunucusu Ekle:
   Aşağıdaki JSON’u 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"
       }
     }
   }
   

5. Kaydet & Yeniden Başlat
   Dosyayı kaydedin ve Windsurf’u yeniden başlatın.

Claude

1. Gereksinimler:
   Python 3.10+ ve bağımlılıkları kurulu olmalı.
2. Sunucuyu Yükle:
   pip install adbpg_mcp_server
3. Konfigürasyonu Düzenle:
   Claude’un MCP konfigürasyonunu açın.
4. MCP Sunucusu Ekle:

   "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"
       }
     }
   }
   

5. Kaydet & Yeniden Başlat
   Konfigürasyonu kaydedin ve Claude’u yeniden başlatın.

Cursor

1. Gereksinimler:
   Python 3.10+ ve bağımlılıkların kurulu olduğundan emin olun.
2. Klonla veya Yükle:
   Klonlayın veya pip install adbpg_mcp_server komutunu çalıştırın.
3. Konfigürasyonu Düzenle:
   Cursor’un MCP konfigürasyon dosyasını açın.
4. MCP Sunucusu Ekle:

   "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"
       }
     }
   }
   

5. Kaydet & Yeniden Başlat
   Kaydedin ve Cursor’u yeniden başlatın.

Cline

1. Gereksinimler:
   Python 3.10+ ve bağımlılıkları kurulu olmalı.
2. Klonla veya Yükle:
   Yukarıdaki gibi Git veya pip kullanın.
3. Konfigürasyonu Düzenle:
   MCP konfigürasyonunu açın.
4. MCP Sunucusu Ekle:

   "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"
       }
     }
   }
   

5. Kaydet & Yeniden Başlat
   Konfigürasyonu kaydedin ve Cline’ı yeniden başlatın.

API Anahtarlarını Güvenceye Alma

Veritabanı kimlik bilgileri için ortam değişkenleri kullanılır. Güvenliği artırmak için hassas bilgileri doğrudan yazmak yerine ortam değişkenlerini kullanın:

"env": {
  "ADBPG_HOST": "${ADBPG_HOST}",
  "ADBPG_PORT": "${ADBPG_PORT}",
  "ADBPG_USER": "${ADBPG_USER}",
  "ADBPG_PASSWORD": "${ADBPG_PASSWORD}",
  "ADBPG_DATABASE": "${ADBPG_DATABASE}"
}

Bu MCP Nasıl Akışlarda Kullanılır

FlowHunt’ta MCP Kullanımı

MCP sunucularını FlowHunt iş akışınıza entegre etmek için, önce MCP bileşenini akışınıza ekleyip Yapay Zeka agent’ınıza bağlayın:

MCP bileşenine tıklayarak konfigürasyon panelini açın. Sistem MCP konfigürasyonu bölümünde MCP sunucu bilgilerinizi şu JSON formatında girin:

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

Yapılandırma tamamlandığında, Yapay Zeka agent’ınız bu MCP’yi tüm fonksiyonlarına ve yeteneklerine erişerek bir araç olarak kullanabilir. “adbpg-mcp-server” ifadesini MCP sunucunuzun gerçek adıyla ve URL’yi kendi MCP sunucu adresinizle değiştirmeniz gerektiğini unutmayın.

Genel Bakış

Mevcut dökümantasyona göre, AnalyticDB PostgreSQL MCP Sunucusu, veritabanı tabanlı iş akışları için sağlam bir entegrasyon sunmakta; net araçlar ve kaynak uç noktaları ile birlikte. Ancak prompt şablonları ve Roots/Sampling gibi gelişmiş özelliklerde eksiklikleri bulunmaktadır.

MCP Puanı

Görüş & Derecelendirme:
Bu MCP sunucusu, temel veritabanı entegrasyon özellikleri için iyi dökümante edilmiş olup, PostgreSQL için geliştiricilerin temel ihtiyaçlarını kapsamaktadır. Prompt şablonlarının ve Roots/Sampling gibi gelişmiş MCP özelliklerinin olmaması bir dezavantaj olsa da, odaklanmış yapısı ve açıklığı, onu veritabanı odaklı iş akışları için faydalı kılmaktadır. Puan: 7/10