İçindekiler
Bir genel müdür yardımcısı sohbet penceresine yazar: “Geçen ay ciro ne kadardı?” İki saniye sonra cevap gelir: 18,4 milyon TL. Altında düzgün biçimlendirilmiş bir tablo, bölgelere göre dağılım ve kısa bir yorum vardır. Rakam pazartesi toplantısının sunumuna girer.
Rakam yanlıştır. Model “ciro” kelimesini sipariş tablosundaki tutar sütununa eşlemiş; iptal edilen siparişleri ayıklamamış, iadeleri düşmemiş, KDV’yi de içeride bırakmıştır. Kimse fark etmez, çünkü rakam inandırıcıdır ve sorgu hata vermemiştir. Yanlış yazılmış bir SQL hata verir; yanlış anlaşılmış bir soru vermez.
“Veritabanımızla konuşabilsek” isteği bugün neredeyse her yönetim toplantısında dile getiriliyor ve teknik olarak hiç bu kadar ulaşılabilir olmamıştı. Ama bu isteği karşılayan sistemlerin çoğu iki yerden yara alıyor: Ya yanlış rakamı kendinden emin bir dille söylüyor ya da modele verilen geniş yetki, birine görmemesi gereken veriyi gösteriyor.
Yazının tezi şu: Yapay zekâ SQL yazmayı bilir; “ciro”nun sizin şirketinizde ne anlama geldiğini ve kimin neyi görebileceğini bilmez. Doğru cevap daha iyi bir modelden değil, modele verdiğiniz tanımlardan ve veritabanının koyduğu sınırlardan gelir.
Bu yazıda böyle bir sistemi uçtan uca kurgulamayı anlatıyorum: metrik sözlüğü, modele gösterilecek sade bir vitrin, yetkinin nerede durması gerektiği, modelin yazdığı SQL’in nasıl denetleneceği, KVKK, veriden gelen talimatlar ve doğruluğun nasıl ölçüleceği. Örnekler PostgreSQL, Python ve Prefect yazısında tanıttığım FastMCP ile; ama ilkeler hangi araçla kurarsanız kurun geçerli.
Zor olan SQL değil, anlam
Modellerin SQL yazma becerisi son iki yılda büyük bir sıçrama yaptı. Gerçek kurumsal veritabanlarını örnek alan Spider 2.0 testi Kasım 2024’te yayımlandığında, en iyi ajan görevlerin yalnızca yüzde 21,3’ünü çözebiliyordu; aynı ajan daha basit, akademik Spider 1.0 testinde yüzde 91,2 başarı gösteriyordu. Bugün liderlik tablosunun tepesindeki sistemler, testin Snowflake üzerindeki sürümünde yüzde 97’ye yaklaşıyor.
Bu rakamlar bir şeyi gösteriyor, bir şeyi gizliyor. Gösterdiği: Doğru bağlam verildiğinde model yüzlerce satırlık SQL’i doğru yazabiliyor. Gizlediği: Bu testlerde her sorunun tek bir doğru cevabı var ve o cevap önceden tanımlı. Sizin şirketinizde “ciro”nun tanımı yazılı değilse, hiçbir test modelin onu doğru tahmin edip etmediğini ölçemez. Liderlik tablosundaki sistemler de çıplak bir model değil; şema belgeleri, örnek sorgular ve doğrulama adımlarıyla donatılmış ajanlar.
Bir şirkette “ciro” sorusunun arkasında en az dört karar vardır:
- Hangi siparişler? Yalnızca tamamlananlar mı, iptaller de mi?
- Hangi tutar? KDV dâhil mi, hariç mi? İndirimden önce mi, sonra mı?
- İadeler? Düşülür mü; düşülürse iadenin tarihine mi, siparişin tarihine mi yazılır?
- Hangi tarih? Sipariş tarihi mi, fatura tarihi mi, teslim tarihi mi?
Bu kararların hiçbiri veritabanı şemasında yazmaz. Finans ekibinin kafasında, bir Excel dosyasının formülünde ya da pazartesi raporunu hazırlayan kişinin alışkanlığında yaşar. Pazartesi raporu yazısında bu yüzden raporu kodlamadan önce bir KPI sözlüğü yazmayı önermiştim. Yapay zekâlı bir soru-cevap sisteminde bu sözlük bir iyi uygulama olmaktan çıkar, sistemin kendisi olur.
Üç mimari: Serbest SQL, metrik katmanı, hazır sorgular
Modeli veritabanına bağlamanın üç yolu var ve hangisini seçtiğiniz hem doğruluğu hem güvenliği belirler.
1. Serbest SQL. Modele şemayı gösterirsiniz, o da her soru için SQL yazar. En esnek yol budur; aynı zamanda en riskli olanıdır. “Ciro”nun tanımı her soruda yeniden icat edilir; iki kişi aynı soruyu sorduğunda iki farklı SQL, dolayısıyla iki farklı rakam alabilir.
2. Metrik katmanı. Metrikler bir kez, insanlar tarafından tanımlanır. Model SQL yazmaz; hangi metriğin, hangi dönem için, hangi kırılımla istendiğini seçer. SQL’i tanımdan sunucu üretir. Esnekliği daha azdır, ama aynı soru her zaman aynı rakamı verir.
3. Hazır sorgular. “Bölgeye göre aylık satış” gibi sık sorulan soruların her biri parametreli bir sorgu olarak yazılır ve modele birer araç olarak açılır. En dar ve en güvenli yoldur; sorular çeşitlendikçe yönetmesi zorlaşır.
Önerim, kullanıcıya göre ayırmak:
- Yöneticiler ve iş birimleri metrik katmanını kullanır. Bu kişiler cevabı kontrol edecek SQL bilgisine sahip değildir ve olmak zorunda da değildir; onlara yalnızca tanımlı metrikler açılır.
- Analistler denetimli serbest SQL kullanabilir. SQL okuyabilen biri modelin yazdığı sorguyu kontrol edebilir. Serbest SQL’in kapılarını aşağıda ayrıntılı anlatıyorum.
- Hazır sorgular, metrik katmanının ifade edemediği birkaç kritik soru için tamamlayıcıdır.
Bu ayrımın özü şu: Cevabı denetleyemeyecek birine, cevabı denetlenmesi gereken bir araç vermeyin.
Metrik sözlüğü: “Ciro” bir kez tanımlanır
Metrik katmanının kalbi, her metriğin tek bir yerde ve insanın okuyabileceği biçimde tanımlandığı bir sözlüktür. Basit bir YAML dosyasıyla başlayabilirsiniz:
# metrikler.yaml
ciro:
ad: Net ciro
tanim: >
Tamamlanmış siparişlerin KDV hariç tutarlarından iadeler düşülerek
bulunur. İptal edilen ve bekleyen siparişler dâhil değildir. Siparişler
fatura tarihine göre döneme yazılır.
es_anlamlilar: [satış, hasılat, gelir, net satış]
ifade: sum(s.net_tutar - s.iade_tutari)
kaynak: analiz.siparis s
kosul: s.durum = 'tamamlandi'
tarih_kolonu: s.fatura_tarihi
kirilimlar:
bolge: s.bolge
kanal: s.kanal
segment: s.musteri_segmenti
tazelik: siparis
sahibi: Finans
not: KDV dâhil tutar istenirse brut_ciro metriği kullanılır.
iptal_orani:
ad: İptal oranı
tanim: >
Dönem içinde oluşturulan siparişlerden iptal edilenlerin sayıca yüzdesi.
Siparişler sipariş tarihine göre döneme yazılır.
es_anlamlilar: [iptal yüzdesi, iptaller]
ifade: round(100.0 * count(*) FILTER (WHERE s.durum = 'iptal') / nullif(count(*), 0), 1)
kaynak: analiz.siparis s
tarih_kolonu: s.siparis_tarihi
kirilimlar:
bolge: s.bolge
kanal: s.kanal
tazelik: siparis
sahibi: Satış Operasyonları
Bu dosyada birkaç bilinçli karar var:
tanimönce insan için yazılır; ama model de okur ve kullanıcıya cevapla birlikte gösterilir.es_anlamlilarTürkçe için kritik. Aynı şey “satış”, “hasılat” ya da “ciro” diye sorulur. Bunların hangi metriğe gittiği kararını modelin tahminine bırakmayın.- İki metrik iki farklı tarihe bakabilir. Ciro fatura tarihine, iptal oranı sipariş tarihine göre hesaplanıyor. Bu fark yazılı olmazsa iki rakam yan yana konduğunda kimse neden tutmadığını anlayamaz.
ifade,kaynak,kosulvekirilimlarSQL parçalarıdır, ama modelden değil sözlükten gelir. Bu dosya kod gibi gözden geçirilir ve sürüm kontrolünde durur.- Sahibi olmayan metrik tanımsızdır. Tanım değişeceği zaman kimin onay vereceği belli olmalı. Tekilleştirme yazısında veri standardı için söylediğim burada da geçerli: Kalite bir sahiplik meselesidir.
- Bir ada iki tanım yazılmaz. “Ciro” iki farklı şey ifade ediyorsa, iki ayrı metrik ve iki ayrı ad olmalı:
cirovebrut_ciro.
Bu sözlüğü sıfırdan yazmak zorunda değilsiniz. Kurumsal tarafta bu işin adı “semantik katman” ve olgun araçlar var: dbt Labs, Ekim 2025’te metrik tanımlarını SQL’e çeviren MetricFlow’u Apache 2.0 lisansıyla açık kaynak yaptı; Snowflake ve Salesforce’un da içinde olduğu Open Semantic Interchange (OSI) girişimi, bu tanımların araçlar arasında taşınabilmesi için ortak bir biçim üzerinde çalışıyor. Ekibiniz dbt kullanıyorsa oradan başlamak mantıklı. Kullanmıyorsa bu yazıdaki gibi küçük bir YAML dosyası ilk ay için fazlasıyla yeterli. Önemli olan aracın kendisi değil, tanımların yazılı, sahipli ve tek yerde olması.
Modele veritabanınızı değil, bir vitrin gösterin
Bir CRM ya da ERP veritabanında yüzlerce tablo ve binlerce sütun olur: eski sürümlerden kalan tablolar, durum2 gibi adlar, kodlanmış değerler, kişisel veriler. Bunların hepsini modele göstermek hem doğruluğu düşürür hem riski büyütür.
Bunun yerine modele ayrı bir şemada sade bir vitrin gösterin: soru-cevap için gereken birkaç view, anlaşılır sütun adları ve her sütunda Türkçe bir açıklama.
CREATE SCHEMA analiz;
CREATE VIEW analiz.siparis WITH (security_invoker = true) AS
SELECT
s.id,
s.siparis_tarihi,
s.fatura_tarihi,
s.durum,
s.net_tutar,
coalesce(s.iade_tutari, 0) AS iade_tutari,
b.ad AS bolge,
s.kanal,
m.segment AS musteri_segmenti,
s.ekip_id
FROM crm.siparis s
JOIN crm.bolge b ON b.id = s.bolge_id
JOIN crm.musteri m ON m.id = s.musteri_id;
COMMENT ON VIEW analiz.siparis IS
'Her satır bir sipariştir. Tutarlar TL ve KDV hariçtir.';
COMMENT ON COLUMN analiz.siparis.durum IS
'tamamlandi, iptal ya da beklemede. Ciroya yalnızca tamamlandi girer.';
COMMENT ON COLUMN analiz.siparis.iade_tutari IS
'Siparişe sonradan yapılan iadelerin KDV hariç toplamı; iade yoksa 0.';
Vitrinin kuralları:
- Kişisel veri yok. Müşterinin adı, kimlik numarası, telefonu ve e-postası vitrine girmez; segment, bölge ve kanal girer. Sebebini KVKK bölümünde anlatıyorum.
- Serbest metin yok. Görüşme notu, şikâyet metni ve açıklama alanları vitrine girmez. Sebebini “Veriden gelen talimatlar” bölümünde anlatıyorum.
- Kodlar açılır.
durum = 3yerinedurum = 'iptal'. Model kod tablosunu tahmin etmek zorunda kalmasın. - Açıklamalar veritabanında durur.
COMMENT ONile yazılan açıklamalar şemayla birlikte yaşar; sunucu bunları okuyup modele verebilir. Ayrı bir belgede duran açıklama ilk şema değişikliğinde eskir. security_invoker = trueunutulmaz. Bu ayrıntının neden hayati olduğunu bir sonraki bölümde anlatıyorum.
Bir uyarı: Vitrin modelin işini kolaylaştırır, ama bir güvenlik duvarı değildir. Model ya da modele talimat veren biri, vitrinin arkasındaki tablolara ulaşmaya çalışabilir. Duvar başka bir yerde durur.
Kapılar: Yetki veritabanında durur
Bu bölümün tek cümlelik özeti: Model, sunucu ya da kullanıcı ne yaparsa yapsın, çarpacağı duvar veritabanının kendi yetki sistemi olmalı. Sunucudaki kontroller, modele verilen talimatlar ve araç işaretleri yardımcıdır; hiçbiri tek başına güvenilecek bir sınır değildir.
Bu bölümde “denemede” diye andığım sonuçların hepsini, yazmadan önce PostgreSQL 17 üzerinde tek tek aldım.
1. Salt okunurluk yetkiden gelir, oturum ayarından değil
İlk akla gelen önlem, her sorguyu salt okunur bir işlemin (BEGIN READ ONLY) içinde çalıştırmaktır. Bu iyi bir ek kilittir, ama tek kilit olamaz:
- Ayar kullanıcının elindedir.
default_transaction_read_onlyayarını rol kendi oturumunda kapatabiliyor; denemede tek birSETkomutu yetti. - Sarmalayıcı aşılabilir. Sunucu sorguyu salt okunur bir işleme sarsa bile, modelin gönderdiği metin
COMMIT;ile o işlemi kapatıp arkasından istediği komutu çalıştırabilir. Bu tam olarak yaşandı: Anthropic’in örnek olarak yayımladığı PostgreSQL MCP sunucusu sorguları salt okunur işleme sarıyordu ve Datadog Security Labs, Ağustos 2025’te bu sarmalayıcınınCOMMIT;ile aşılabildiğini gösterdi. Paket şu an arşivde.
Asıl kilit, modelin bağlandığı rolün yazma yetkisinin hiç olmamasıdır:
CREATE ROLE yz_ege LOGIN PASSWORD '...' CONNECTION LIMIT 5;
GRANT USAGE ON SCHEMA analiz, crm TO yz_ege;
GRANT SELECT ON ALL TABLES IN SCHEMA analiz TO yz_ege;
-- security_invoker view'lar alttaki tablolara sorgulayanın yetkisiyle erişir.
-- Bu yüzden alttaki tablolarda yalnızca vitrinin kullandığı sütunlar açılır:
GRANT SELECT (id, siparis_tarihi, fatura_tarihi, durum, net_tutar,
iade_tutari, bolge_id, kanal, musteri_id, ekip_id)
ON crm.siparis TO yz_ege;
GRANT SELECT (id, ad) ON crm.bolge TO yz_ege;
GRANT SELECT (id, segment) ON crm.musteri TO yz_ege;
Bu rol bir DELETE denediğinde, işlem salt okunur olsun ya da olmasın, “permission denied” alır. Müşterinin kimlik numarasını doğrudan crm.musteri tablosundan okumaya çalıştığında da aynı cevabı alır, çünkü o sütunda yetkisi yoktur.
Mümkünse bu rol canlı veritabanına değil, bir okuma kopyasına (replika) ya da veri ambarına bağlansın. Okuma kopyası yazmayı zaten reddeder; ağır bir sorgu da canlı sistemi yavaşlatmaz.
2. View’lar varsayılan olarak RLS’yi atlar
Claude Code serisinin ilk bölümünde satır düzeyi güvenliği (RLS) ikinci kilit olarak önermiştim: Her temsilci yalnızca kendi ekibinin müşterilerini görür. Vitrin view’larıyla birlikte kullanıldığında burada sinsi bir tuzak var.
PostgreSQL’de bir view, varsayılan olarak alttaki tablolara view’un sahibinin yetkisiyle erişir. View’u oluşturan da genellikle yetkili bir kullanıcı olduğu için RLS kuralları hiç uygulanmaz. Denemede, ekip 1’e bağlı bir rolle düz bir view üzerinden sorgu attığımda bütün ekiplerin satırları geldi. Aynı view’u security_invoker = true ile tanımladığımda yalnızca ekip 1’in satırları geldi.
Kural: Vitrin view’ları her zaman security_invoker = true ile tanımlanır. Bu seçenek PostgreSQL 15 ile geldi; daha eski bir sürümdeyseniz satır filtresini view’un içine yazmanız ve view’u security_barrier ile tanımlamanız gerekir.
3. Kimlik, sorguyu yazanın değiştirebileceği yerde durmaz
Seride RLS kuralını bir oturum değişkenine bağlamıştık: Uygulama her istekte app.ekip_id değerini ayarlar, kural da bu değere bakar. Uygulamanın kendi yazdığı SQL için bu kurgu doğrudur. Ama SQL’i model yazıyorsa yetmez.
Denemede, ekip 1 için ayarlanmış bir oturumda ve salt okunur bir işlemin içinde şu sorguyu çalıştırdım:
SELECT set_config('app.ekip_id', '2', true),
(SELECT sum(net_tutar) FROM analiz.siparis);
set_config bir fonksiyon olduğu için bir SELECT’in içinde çağrılabiliyor ve salt okunur işlem onu engellemiyor. Sorgu, kimliği ekip 2 olarak değiştirdi ve ekip 2’nin toplamını döndürdü. Bir müşteri notuna gizlenmiş tek bir talimat, modele bu satırı yazdırmaya yetebilir.
Çözüm, kimliği oturum değişkenine değil, bağlantının rolüne bağlamaktır. Her yetki kapsamı (bir bölge, bir ekip, bütün şirket) ayrı bir veritabanı rolüdür ve kural current_user’a bakar:
CREATE SCHEMA erisim;
CREATE TABLE erisim.rol_kapsami (
rol name NOT NULL,
ekip_id int NOT NULL,
PRIMARY KEY (rol, ekip_id)
);
INSERT INTO erisim.rol_kapsami VALUES ('yz_ege', 3), ('yz_ege', 4), ('yz_marmara', 1);
GRANT USAGE ON SCHEMA erisim TO yz_ege, yz_marmara;
GRANT SELECT ON erisim.rol_kapsami TO yz_ege, yz_marmara;
ALTER TABLE crm.siparis ENABLE ROW LEVEL SECURITY;
CREATE POLICY yz_kapsam ON crm.siparis
FOR SELECT TO yz_ege, yz_marmara
USING (ekip_id IN (SELECT ekip_id FROM erisim.rol_kapsami
WHERE rol = current_user));
Bağlantı yz_ege olarak açıldığında model set_config ile ne yazarsa yazsın sonuç değişmez; denemede aynı sorgu yalnızca rolün kendi kapsamının toplamını döndürdü. Bir rol, üyesi olmadığı başka bir role SET ROLE ile de geçemez.
İki ayrıntı daha:
- İzin veren politikalar birbirini genişletir. PostgreSQL’de aynı tabloda birden fazla izin veren (permissive) politika varsa, bunlar “veya” ile birleşir. Uygulama için yazılmış oturum değişkenli bir politika
TOile bir role hedeflenmeden bırakılırsa herkese uygulanır ve modelin rolü o kapıdan da satır görebilir. Her politikayıTOile hedefleyin. - Bazı roller RLS’ye hiç takılmaz. Tablonun sahibi, süper kullanıcılar ve
BYPASSRLSyetkili roller kuralları atlar. Modelin rolü bunlardan hiçbiri olmamalı. Aşağıda anlatacağım Supabase olayında asistanın bağlandığı rol tam olarak böyle bir roldü.
Kimin hangi role bağlanacağına sunucu karar verir: Kullanıcı şirketin tek oturum açma sistemiyle (SSO) kimliğini doğrular, sunucu kullanıcının grubuna bakar ve o kapsamın rolüyle bağlanır. Rol şifreleri şifre yöneticisinde durur; ne modele ne kullanıcıya görünür.
4. Süre ve boyut sınırı
- Her sorguya süre sınırı koyun (örneğin 10 saniye). Ama
statement_timeoutayarını da rol kendi oturumunda değiştirebiliyor; denemedeset_config('statement_timeout', '0', false)sınırı tamamen kaldırdı. Bu yüzden sunucu sınırı her işlemin başındaSET LOCALile kendisi koyar; modelin SQL’indekiset_configgibi fonksiyonlar da bir sonraki bölümdeki denetçiye takılır. - Dönen satır sayısını sınırlayın. Modele on bin satır vermek hem bağlamını doldurur hem de toplamı modelin hesaplaması gibi yanlış bir alışkanlığa kapı açar.
- Bağlantı sayısını sınırlayın.
CONNECTION LIMITile rolün aynı anda açabileceği bağlantıyı kısıtlayın; döngüye giren bir ajan veritabanını meşgul etmesin.
Modelin yazdığı SQL’i denetlemek
Serbest SQL’e izin verdiğiniz analist modunda, sorgu veritabanına gitmeden önce bir denetçiden geçer. Denetçi metni düzenli ifadelerle değil, bir SQL ayrıştırıcısıyla inceler. Metinde “DELETE” kelimesini aramak, bir CTE’nin içine gizlenmiş DELETE’i ya da büyük-küçük harf oyunlarını kaçırır. Python’da sqlglot bu iş için iyi bir seçenek:
# denetci.py
import sqlglot
from sqlglot import exp
YASAK_DUGUMLER = (
exp.Insert, exp.Update, exp.Delete, exp.Merge,
exp.Create, exp.Drop, exp.Alter, exp.TruncateTable,
exp.Command, exp.Set, exp.Transaction, exp.Commit, exp.Rollback,
exp.Into, exp.Lock,
)
YASAK_FONKSIYONLAR = {
"set_config", "pg_sleep", "dblink", "dblink_exec",
"pg_read_file", "pg_read_binary_file", "pg_ls_dir",
"lo_import", "lo_export", "lo_get",
"pg_terminate_backend", "pg_cancel_backend",
}
def sorguyu_denetle(sql: str) -> exp.Query:
"""Modelin yazdığı SQL'i çalıştırmadan önce denetler; uygun değilse hata verir."""
try:
ifadeler = [i for i in sqlglot.parse(sql, read="postgres") if i is not None]
except sqlglot.errors.ParseError as hata:
raise ValueError(f"Sorgu ayrıştırılamadı: {hata}") from None
if len(ifadeler) != 1:
raise ValueError("Tek bir sorgu gönderin.")
agac = ifadeler[0]
if not isinstance(agac, exp.Query):
raise ValueError("Sadece SELECT sorgularına izin var.")
for dugum in agac.walk():
if isinstance(dugum, YASAK_DUGUMLER):
raise ValueError(f"Sorguda izin verilmeyen bir ifade var: {dugum.key}")
if isinstance(dugum, exp.Func):
ad = dugum.name if isinstance(dugum, exp.Anonymous) else dugum.sql_name()
if ad.lower() in YASAK_FONKSIYONLAR:
raise ValueError(f"Sorguda izin verilmeyen bir fonksiyon var: {ad}")
return agac
Bu denetçiyi bu yazıdaki saldırı örnekleriyle denedim. Şunları reddediyor:
SELECT 1; COMMIT; DELETE FROM crm.siparis: birden fazla ifade.WITH x AS (DELETE FROM crm.siparis RETURNING *) SELECT count(*) FROM x:SELECTkılığında bir silme.SELECT set_config('app.ekip_id', '2', true), ...: kimlik değiştirme.SELECT pg_sleep(600): veritabanını meşgul etme.SELECT * INTO yedek FROM ...ve... FOR UPDATE: tablo oluşturma ve kilitleme.
date_trunc, GROUP BY ya da UNION içeren normal analiz sorgularını ise geçiriyor.
İki önemli not:
- Denetçi ikinci kilittir. Yasaklı fonksiyon listesi hiçbir zaman eksiksiz olmaz; PostgreSQL’e kurulan her eklenti yeni fonksiyonlar getirir. Denetçi, yetki sisteminin önündeki bir ön elemedir; yetki sisteminin yerine geçmez.
- Denetlediğiniz sorguyu çalıştırın. Sunucu modelin gönderdiği metni değil, ayrıştırıcının ağaçtan yeniden ürettiği SQL’i çalıştırır ve onu bir satır sınırıyla sarar. Böylece denetlenen sorgu ile çalıştırılan sorgu arasında bir fark kalmaz.
KVKK: Veri nereye gidiyor?
Bir yapay zekâ asistanı veritabanına bağlandığında üç şey dışarı çıkar: kullanıcının sorusu, modele gösterilen şema bilgisi ve sorgunun sonucu. Model sağlayıcısının sunucuları yurt dışındaysa, bunlardan biri kişisel veri içerdiği anda KVKK’nın yurt dışına aktarım kuralları devreye girer. 2024’te 7499 sayılı Kanunla değişen 9. madde, aktarımı yeterlilik kararı, standart sözleşme gibi uygun güvenceler ya da sınırlı arızi istisnalar gibi şartlara bağlıyor; standart sözleşme kullanılıyorsa imzalandıktan sonra beş iş günü içinde Kuruma bildirilmesi gerekiyor. Kurum, Kasım 2025’te üretken yapay zekâ ve kişisel veriler üzerine ayrı bir rehber de yayımladı.
Hukuki değerlendirmeyi şirketinizin KVKK sorumlusu ve hukuk ekibiyle birlikte yapmalısınız. Ama mimari, bu sorunun ne kadar büyük olacağını baştan belirler:
- Vitrinde kişisel veri yoksa, sonuçta da olmaz. Model segment, bölge ve kanal düzeyinde toplulaştırılmış rakamlar görür; müşterinin adı, numarası ya da adresi sorgu sonucuna hiç girmez. “Ahmet Bey’in son siparişleri” gibi kişi bazlı sorular bu sistemin değil, yetki kontrollü CRM ekranının işidir.
- Küçük gruplara dikkat edin. Bir kırılımda tek bir müşteri varsa, o grubun toplamı o müşterinin verisidir. Kırılımlarda bir en az grup büyüklüğü belirleyin; örneğin beşten az kayıt içeren grupları “diğer” altında toplayın.
- Rakamı model değil, veritabanı hesaplar. Toplamlar, ortalamalar ve oranlar SQL’de hesaplanır; modele binlerce ham satır gönderip toplamasını istemezsiniz. Bu hem dışarı çıkan veriyi küçültür hem doğruluğu artırır: Dil modelleri uzun sayı listelerini toplamakta bir veritabanı kadar güvenilir değildir.
- Kullanıcının sorusu da veridir. Kullanıcı soruya bir müşterinin adını yazabilir. Bu yüzden kısa bir kullanım kuralı ve sağlayıcıyla yapılan sözleşmedeki veri saklama ve modeli eğitmekte kullanmama koşulları önemlidir.
- Kayıtlar da kişisel veri içerebilir. Aşağıda anlatacağım kayıtlar için bir saklama süresi belirleyin.
Veriden gelen talimatlar
Dil modellerinin bilinen bir zayıflığı, okudukları metindeki talimatları kullanıcının talimatlarından her zaman ayırt edememeleridir. Buna “prompt injection” deniyor. Veritabanına bağlı bir asistanda bu metin, verinin kendisinden gelebilir.
Temmuz 2025’te General Analysis bunun nasıl işlediğini Supabase’in MCP sunucusu üzerinden gösterdi. Bir saldırgan, destek formuna müşteri mesajı gibi görünen bir metin bıraktı; metnin içinde onu okuyacak yapay zekâ asistanına hitap eden talimatlar vardı. Bir geliştirici daha sonra kodlama asistanından açık destek kayıtlarını listelemesini istediğinde asistan bu mesajı okudu, talimata uydu, gizli bir tablodaki erişim anahtarlarını okudu ve onları destek kaydının içine yazdı. Saldırganın tek yapması gereken kendi destek kaydını açıp okumaktı. Asistan, RLS’yi tamamen atlayan service_role yetkisiyle bağlıydı.
Simon Willison bu tabloyu “ölümcül üçlü” diye adlandırıyor: özel veriye erişim, güvenilmeyen içerik ve dışarıya bilgi gönderebilme. Üçü aynı oturumda bir araya geldiğinde, modelin talimatlara ne kadar direnebildiği ikincil bir soru hâline gelir. Çözüm, üçlüden en az birini kırmaktır:
- Güvenilmeyen içeriği vitrine almayın. Müşterinin, ziyaretçinin ya da herhangi bir dış kişinin yazabildiği serbest metin alanları (notlar, şikâyetler, form mesajları) vitrinde yer almaz. Vitrin sayılardan ve kontrollü kategorilerden oluşur.
- Veri asistanına yazma ya da gönderme yetkisi vermeyin. Veritabanını okuyan asistanın aynı oturumda e-posta gönderen, web sayfası çağıran ya da başka bir sisteme yazan araçları olmamalı. Bilgiyi dışarı taşıyacak bir kanal yoksa, okunan bir talimatın zarar verme imkânı daralır.
- Yetkiyi en dar tutun. Supabase olayındaki asistan RLS’yi baştan atlayan bir rolle bağlıydı. Yukarıdaki kapsam rolleriyle bağlanan bir asistan talimata uysa bile kendi kapsamının dışına çıkamaz.
Her cevabın yanında kanıt
Yanlış bir rakamın en tehlikeli tarafı, doğru bir rakamla aynı görünmesidir. Bu yüzden sistem her cevabın yanında dört şey gösterir:
- Kullanılan metrik ve tanımı: “Net ciro: tamamlanmış siparişler, KDV hariç, iadeler düşülmüş, fatura tarihine göre.”
- Dönem, açık tarihlerle: “Geçen ay” değil, “1 Ekim 2026 - 31 Ekim 2026”.
- Verinin tazeliği: “Veri en son bu sabah 06.10’da güncellendi.” Gece yüklemesi çalışmadıysa kullanıcı dünkü rakama bakıyor olabilir ve bunu bilmesi gerekir. Tazelik okunamıyorsa cevapta “bilinmiyor” yazar; bilgi eksikliği iyi haber sayılmaz.
- Çalıştırılan SQL: Yönetici okumaz, ama analist okur; şüpheli bir rakamda ilk bakılacak yer burasıdır.
Bu bilgiler modelin keyfine bırakılmaz: Sunucu hepsini araç çıktısına koyar, modele verilen talimat da cevapta göstermesini ister.
Tahmin etme, sor
İyi bir analist belirsiz bir soruyu cevaplamadan önce sorar. Sistem de öyle yapmalı:
- “Ciro ne kadar?” Hangi dönem?
- “Geçen ayki satışlar?” Ciro mu, sipariş adedi mi?
- “Ege’de durum nasıl?” Hangi metrik?
Bunu sağlamanın yolu, sunucunun talimatlarına açıkça yazmaktır: Soru birden fazla metrikle eşleşiyorsa ya da dönem belirsizse, araç çağırmadan önce kullanıcıya sor. Metrik sözlüğündeki eş anlamlılar burada işe yarar: “Satış” iki metriğe birden eşleşiyorsa model bunu görür ve sorar.
Tarihler özel bir dikkat ister. “Geçen ay” takvim ayı mı, son 30 gün mü? “Bu yıl” bugüne kadar mı? Model bugünün tarihini her zaman doğru bilmeyebilir. İki yol var: Ya sunucu dönemleri kendisi çözer (araç gecen_ay gibi bir değer alır, tarihleri sunucu hesaplar) ya da model her zaman açık başlangıç ve bitiş tarihi gönderir ve cevapta bunları gösterir. Hangisini seçerseniz seçin, “bitiş tarihi dâhil mi?” sorusunun tek ve yazılı bir cevabı olsun. Aşağıdaki kodda başlangıç dâhil, bitiş hariçtir.
FastMCP ile bir araya getirmek
Şimdi parçaları birleştiren küçük bir MCP sunucusu. Prefect yazısında anlattığım ilke burada da geçerli: Asistana geniş bir yetki değil, dar ve bilinçli seçilmiş araçlar açılır. Yönetici sunucusunda iki araç var: metrikleri listelemek ve bir metriği sorgulamak. Analist sunucusunda bunlara serbest SQL eklenir.
# sunucu.py
import os
from datetime import date
from pathlib import Path
import psycopg
import yaml
from fastmcp import FastMCP
from fastmcp.exceptions import ToolError
from psycopg.rows import dict_row
from sqlglot import exp
from denetci import sorguyu_denetle
METRIKLER = yaml.safe_load(Path("metrikler.yaml").read_text(encoding="utf-8"))
SATIR_SINIRI = 500
mcp = FastMCP(
"veri-asistani",
instructions=(
"Rakamları asla kendin hesaplama ya da tahmin etme; her rakamı bir "
"araçtan al. Soru birden fazla metrikle eşleşiyorsa ya da dönem "
"belirsizse, araç çağırmadan önce kullanıcıya sor. Her cevapta "
"metriğin tanımını, dönemi ve verinin tazeliğini göster."
),
)
def calistir(sql: str, parametreler: dict | None = None) -> list[dict]:
"""Sorguyu kullanıcının kapsam rolüyle, salt okunur ve süre sınırlı çalıştırır."""
with psycopg.connect(os.environ["ANALIZ_DB"], row_factory=dict_row) as baglanti:
baglanti.read_only = True
with baglanti.cursor() as imlec:
imlec.execute("SET LOCAL statement_timeout = '10s'")
imlec.execute(sql, parametreler)
return imlec.fetchmany(SATIR_SINIRI + 1)
def veri_tazeligi(kaynak: str) -> str:
try:
satirlar = calistir(
"SELECT son_yukleme FROM analiz.tazelik WHERE kaynak = %(kaynak)s",
{"kaynak": kaynak},
)
except psycopg.Error:
return "bilinmiyor"
return str(satirlar[0]["son_yukleme"]) if satirlar else "bilinmiyor"
@mcp.tool(annotations={"readOnlyHint": True})
def metrikleri_listele() -> list[dict]:
"""Sorulabilecek metrikleri, tanımlarını, eş anlamlılarını ve kırılımlarını listeler."""
return [
{
"kod": kod,
"ad": m["ad"],
"tanim": m["tanim"],
"es_anlamlilar": m.get("es_anlamlilar", []),
"kirilimlar": list(m.get("kirilimlar", {})),
}
for kod, m in METRIKLER.items()
]
@mcp.tool(annotations={"readOnlyHint": True})
def metrik_sorgula(
metrik: str, baslangic: date, bitis: date, kirilim: str | None = None
) -> dict:
"""Bir metriği verilen dönem için hesaplar.
Başlangıç dâhil, bitiş hariçtir: Ekim 2026 için baslangic=2026-10-01,
bitis=2026-11-01. kirilim verilirse sonuç o boyuta göre gruplanır.
"""
m = METRIKLER.get(metrik)
if m is None:
raise ToolError(f"Tanımlı bir metrik değil: {metrik}. metrikleri_listele aracına bakın.")
if bitis <= baslangic:
raise ToolError("Bitiş tarihi başlangıçtan sonra olmalı.")
kosullar = [f"{m['tarih_kolonu']} >= %(baslangic)s", f"{m['tarih_kolonu']} < %(bitis)s"]
if "kosul" in m:
kosullar.append(m["kosul"])
where = " AND ".join(kosullar)
if kirilim is None:
sql = f"SELECT {m['ifade']} AS deger FROM {m['kaynak']} WHERE {where}"
else:
kolon = m.get("kirilimlar", {}).get(kirilim)
if kolon is None:
raise ToolError(f"{metrik} için tanımlı bir kırılım değil: {kirilim}")
sql = (
f"SELECT {kolon} AS {kirilim}, {m['ifade']} AS deger "
f"FROM {m['kaynak']} WHERE {where} "
f"GROUP BY {kolon} ORDER BY deger DESC"
)
return {
"metrik": m["ad"],
"tanim": m["tanim"],
"donem": f"{baslangic} (dâhil) - {bitis} (hariç)",
"veri_tazeligi": veri_tazeligi(m["tazelik"]),
"sql": sql,
"sonuc": calistir(sql, {"baslangic": baslangic, "bitis": bitis}),
}
def sql_calistir(sorgu: str) -> dict:
"""Analiz şemasında tek bir SELECT sorgusu çalıştırır; en fazla 500 satır döner.
Toplam, ortalama ve oranları SQL içinde hesaplayın; sonucu kendiniz hesaplamayın.
"""
try:
agac = sorguyu_denetle(sorgu)
except ValueError as hata:
raise ToolError(str(hata)) from None
sql = (
exp.select("*")
.from_(agac.subquery("q"))
.limit(SATIR_SINIRI + 1)
.sql(dialect="postgres")
)
satirlar = calistir(sql)
return {
"sql": sql,
"kesildi": len(satirlar) > SATIR_SINIRI,
"sonuc": satirlar[:SATIR_SINIRI],
}
# Serbest SQL yalnızca analist sunucusunda açılır.
if os.environ.get("SERBEST_SQL") == "acik":
mcp.tool(sql_calistir, annotations={"readOnlyHint": True})
if __name__ == "__main__":
mcp.run()
Bu sunucudaki kararlar:
- Modelin yazdığı hiçbir karakter metrik sorgusuna girmez. Metrik ve kırılım adları sözlükteki listeyle karşılaştırılır; SQL parçaları sözlükten gelir, tarihler parametre olarak bağlanır.
- Bağlantı bilgisi kullanıcının kapsam rolüne aittir.
ANALIZ_DBiçindeki rol, kullanıcının görebileceği her şeyi zaten sınırlar; sunucu bu sınırı genişletemez. - Her rakam bir araçtan gelir ve kanıtıyla döner: tanım, dönem, tazelik ve SQL.
- Tazelik okunamazsa “bilinmiyor” döner.
analiz.tazeliktablosunu gece yükleme akışı, her başarılı yüklemenin sonunda günceller. - Serbest SQL bir ortam değişkeniyle açılır; yönetici sunucusunda bu araç hiç tanımlı değildir. Modelin göremediği bir aracı kötüye kullanması mümkün değildir.
- Hatalar modele anlaşılır bir dille döner.
ToolErrormesajı modele iletilir; model “tanımlı bir metrik değil” cevabını alınca listeye bakıp yeniden deneyebilir ya da kullanıcıya sorabilir.
Sunucuyu Claude Desktop’a eklemek için:
fastmcp install claude-desktop sunucu.py --name veri-asistani \
--with "psycopg[binary]" --with sqlglot --with pyyaml \
--env-file .env
.env dosyasındaki ANALIZ_DB bağlantı metni kullanıcının kapsam rolünü gösterir; şifreyi bağlantı metnine değil, PostgreSQL’in .pgpass dosyasına ya da şirketin şifre yöneticisine koyun.
Bu kurulum sunucuyu kullanıcının kendi bilgisayarında çalıştırır ve bir pilot için yeterlidir. Kullanıcı sayısı arttığında sunucuyu merkezi olarak barındırın ve FastMCP’nin kimlik doğrulama desteğiyle şirketin SSO’suna bağlayın; kullanıcıyı kapsam rolüne eşleme kararı o zaman sunucuya geçer. İki durumda da güvenlik sunucuda değil veritabanında durduğu için, sunucuyu atlayıp veritabanına doğrudan bağlanan biri de aynı duvara çarpar.
Hazır araçlar: Chat2DB ve benzerleri
Bu sistemi sıfırdan yazmak zorunda değilsiniz; yapay zekâlı veritabanı istemcileri ve hazır MCP sunucuları var. Örneğin GitHub’da 28 binden fazla yıldızı olan Chat2DB, 40’tan fazla veritabanını destekleyen, doğal dilden SQL üretebilen ve kendi seçtiğiniz modele bağlanabilen bir masaüstü istemci.
Hangi aracı değerlendirirseniz değerlendirin, şu dört soruyu sorun:
- Metrik tanımları nerede yaşıyor? Araç “ciro”yu her soruda yeniden mi yorumluyor, yoksa yazılı bir tanıma mı bağlanıyor?
- Kimlik veritabanına nasıl taşınıyor? Her kullanıcı kendi kapsamının yetkisiyle mi sorgu atıyor, yoksa herkes tek bir ortak kullanıcıyla mı bağlanıyor?
- Şema ve veri nereye gidiyor? Hangi modele, hangi ülkedeki sunucuya, hangi sözleşme koşullarıyla?
- Her soru ve sorgu kayıt altına alınıyor mu?
Chat2DB için cevaplar şöyle: Topluluk sürümü tek kullanıcılı ve kullanıcı hesabı yok; ekip yönetimi ve yönetişim özellikleri ücretli sürümlerde. Sorgular, bağlantıyı tanımlayan kişinin veritabanı yetkisiyle çalışıyor; metrik tanımlarını tutan bir katmanı yok. Ayrıca 5.3.0 sürümünden itibaren lisansı saf Apache 2.0 değil; Apache 2.0 tabanlı ama ek koşullar içeren, kaynağı açık bir lisans. Şirket içi kullanım serbest, ama aracı başkalarına hizmet olarak sunmak yazılı izin gerektiriyor. Kurumsal kullanımdan önce lisansı hukuk ekibinize okutun.
Sonuç: Chat2DB gibi araçlar, SQL bilen bir analistin ya da geliştiricinin kendi masasında daha hızlı çalışması için iyi bir seçenek olabilir. Ama yöneticilere açılan, tanımları ve yetkileri yönetilen bir soru-cevap sisteminin yerine geçmezler. Yazının başındaki ayrımla söylersek: Analistin aracıdır, yöneticinin değil. Hazır PostgreSQL MCP sunucularını da aynı dört soruyla değerlendirin; Datadog örneği, bir aracın “salt okunur” etiketinin tek başına hiçbir şey kanıtlamadığını gösteriyor.
Ölçmek: Altın soru seti ve kayıt
“Doğru çalışıyor mu?” sorusunun cevabı bir his değil, bir test seti olmalı.
Altın soru seti. Pilot kullanıcılardan gerçek soruları toplayın ve her biri için doğru cevabın ne olması gerektiğini yazın. Rakamın kendisini değil doğru araç çağrısını yazmak daha sağlamdır: Rakam veri değiştikçe değişir, doğru metrik ve dönem değişmez.
# altin_sorular.yaml
- soru: Geçen ay ciro ne kadardı?
bugun: 2026-11-16
beklenen:
arac: metrik_sorgula
metrik: ciro
baslangic: 2026-10-01
bitis: 2026-11-01
- soru: Ekim'de bölgelere göre net satış
bugun: 2026-11-16
beklenen:
arac: metrik_sorgula
metrik: ciro
kirilim: bolge
baslangic: 2026-10-01
bitis: 2026-11-01
- soru: Bu yıl iptal oranı en yüksek kanal hangisi?
bugun: 2026-11-16
beklenen:
arac: metrik_sorgula
metrik: iptal_orani
kirilim: kanal
baslangic: 2026-01-01
bitis: 2026-11-17
- soru: Satışlar nasıl gidiyor?
bugun: 2026-11-16
beklenen:
soru_sormali: true # metrik ve dönem belirsiz
Bu seti her değişiklikte çalıştırın: yeni bir metrik, değişen bir tanım, yeni bir model sürümü ya da değişen bir talimat. Her soruyu modele sorun, çağırdığı aracı ve parametreleri beklenenle karşılaştırın. Bunu Claude Code’un etkileşimsiz modu (claude -p) ya da küçük bir API betiğiyle otomatikleştirebilirsiniz. Yüzde yüzü hedeflemek gerçekçi değil, ama skoru izleyin: Bir değişiklik skoru düşürüyorsa yayına girmez. Belirsiz sorularda modelin soru sorup sormadığını ölçmek, doğru cevap verip vermediğini ölçmek kadar önemlidir.
Kayıt. Sunucu her araç çağrısını bir tabloya yazar: kim, ne zaman, hangi araç, hangi parametreler, hangi SQL, kaç satır, ne kadar sürdü, hata var mı. Prefect yazısındaki ilke burada da geçerli: Log bir veri kümesidir. Bu tablo üç soruya cevap verir:
- En çok hangi metrikler soruluyor? Sözlüğe yatırımı nereye yapmalı?
- Hangi çağrılar hata veriyor? Model hangi metrikleri ya da kırılımları uyduruyor?
- Hangi sorular hiçbir metrikle karşılanamıyor?
Son soru için küçük bir araç gerekir, çünkü MCP sunucusu kullanıcının sorusunu görmez, yalnızca araç çağrılarını görür. Model bir soruyu karşılayacak metrik bulamadığında bunu bildirebilmelidir:
@mcp.tool
def eksik_metrik_bildir(soru: str, aciklama: str) -> str:
"""Kullanıcının sorusu tanımlı hiçbir metrikle karşılanamıyorsa bunu kaydeder."""
kayda_gec("eksik_metrik", {"soru": soru, "aciklama": aciklama})
return "Kaydedildi. Kullanıcıya bu sorunun henüz tanımlı bir karşılığı olmadığını söyleyin."
kayda_gec, kayıt tablosuna yazan küçük bir yardımcı fonksiyon. Kayıtları yazan bağlantı, sorguları çalıştıran rolden ayrı ve yalnızca kayıt tablosuna ekleme yetkisi olan bir roldür; okuyucu rol hiçbir yere yazamaz. Bu kayıtlar metrik sözlüğünün yol haritasıdır.
Nereden başlamalı, nerede kullanılmamalı?
Dört haftalık bir pilot yeterli:
- Birinci hafta, tanımlar. Tek bir alan seçin (örneğin satış) ve en çok sorulan on metriği iş birimiyle birlikte yazın. Her metriğin bir sahibi olsun.
- İkinci hafta, vitrin ve kapılar. Vitrin view’larını, kapsam rollerini, RLS politikalarını ve sunucuyu kurun. Yetkileri bu yazıdaki saldırı sorgularıyla kendiniz deneyin.
- Üçüncü hafta, pilot. Sistemi üç-beş kişilik bir ekibe açın ve altın soru setini onların gerçek sorularından oluşturun.
- Dördüncü hafta, karar. Kayıtları okuyun, eksik metrikleri sözlüğe ekleyin, altın setteki skoru ölçün ve sistemi genişletip genişletmeme kararını verin.
Başarının ölçüsü iki tane: altın setteki doğru araç çağrısı oranı ve pilot kullanıcıların rakamı ayrıca Excel’den kontrol etme ihtiyacının azalması.
Bu sistemin kullanılmaması gereken yerler de var:
- Resmî rakamlar. Yönetim kuruluna giden rakamlar, finansal kapanış ve mevzuat raporları sohbetten değil, doğrulanmış rapor akışlarından gelir. Pazartesi raporu yazısının mantığıyla: Resmî rakam rapordan gelir, sohbet keşif içindir. İkisi aynı metrik sözlüğünü kullanırsa, sohbetteki rakam rapordakiyle tutarlı olur.
- Kişi bazlı sorular. Belirli bir müşterinin bilgisi yetki kontrollü uygulama ekranlarının işidir.
- Anlık operasyonel kararlar. Veri gece yükleniyorsa sohbet bu sabahki durumu bilmez; tazelik bilgisi bunu açıkça söyler.
Kontrol listesi
- Her metriğin yazılı bir tanımı, eş anlamlıları ve bir sahibi var.
- Yöneticiler yalnızca metrik katmanını kullanıyor; serbest SQL yalnızca analistlere açık.
- Model ham tabloları değil, ayrı bir şemadaki vitrin view’larını görüyor.
- Vitrinde kişisel veri ve serbest metin alanı yok; küçük gruplar birleştiriliyor.
- Sütun açıklamaları
COMMENT ONile veritabanında duruyor. - Vitrin view’ları
security_invoker = trueile tanımlı. - Modelin rolünün yazma yetkisi yok; alttaki tablolarda yalnızca gereken sütunlar açık.
- RLS kimliği oturum değişkenine değil bağlantının rolüne bağlı; her politika
TOile hedeflenmiş. - Modelin rolü tablo sahibi, süper kullanıcı ya da
BYPASSRLSyetkili değil. - Sorgular mümkünse okuma kopyasında, süre ve satır sınırıyla çalışıyor.
- Serbest SQL bir ayrıştırıcıyla denetleniyor; çalıştırılan sorgu, denetlenen sorgu.
- Veri asistanının aynı oturumda dışarıya bilgi gönderebilecek bir aracı yok.
- Her cevap metrik tanımını, dönemi, tazeliği ve SQL’i gösteriyor.
- Belirsiz sorularda model soru soruyor; bitiş tarihinin dâhil olup olmadığı yazılı.
- Yurt dışına aktarım KVKK sorumlusuyla birlikte değerlendirildi.
- Altın soru seti her değişiklikte çalışıyor ve skor izleniyor.
- Her araç çağrısı ayrı bir rolle kayda geçiyor; kayıtların saklama süresi belli.
Bonus: Bir yapay zekâ asistanına kurdurmak
Aşağıdaki prompt’u Claude Code, Cursor ya da benzeri bir kodlama asistanına verebilirsiniz. Köşeli parantezli yerleri kendi verinize göre doldurun:
Sen kıdemli bir veri mühendisisin. PostgreSQL [sürüm], Python ve FastMCP ile
yöneticilerin doğal dille veri sorabileceği bir MCP sunucusu kuracağız.
Aşağıdaki kurallara harfiyen uy; bir kuralı esnetmen gerekirse önce bana sor.
## Veri
- Kaynak tablolar ve sütunlar: [tablo ve sütun listesini buraya yapıştır]
- İlk alan ve metrikler: [ör. satış: net ciro, brüt ciro, sipariş adedi, iptal oranı]
- Yetki kapsamları: [ör. bölge bazında; bir de bütün şirketi gören kapsam]
- Tazelik bilgisi: [ör. gece yükleme akışı analiz.tazelik tablosunu güncelliyor]
## Kurallar
1. Model ham tablolara değil, analiz şemasındaki view'lara bakar. View'lar
security_invoker = true ile tanımlanır; kişisel veri ve serbest metin
alanı içermez; her sütunun COMMENT ON ile Türkçe açıklaması vardır.
2. Metrikler metrikler.yaml dosyasında tanımlanır: ad, tanım, eş anlamlılar,
ifade, kaynak, koşul, tarih kolonu, kırılımlar, tazelik kaynağı ve sahibi.
Tanımları ben onaylamadan kesinleştirme; taslak hazırla ve bana sor.
3. Her yetki kapsamı ayrı bir LOGIN rolüdür. Rollerin yazma yetkisi yoktur;
alttaki tablolarda yalnızca vitrinin kullandığı sütunlara SELECT verilir.
RLS politikaları current_user'a bakar, oturum değişkenine bakmaz; her
politika TO ile hedeflenir. Hiçbir rol tablo sahibi ya da BYPASSRLS olmaz.
4. Sunucu her sorguyu salt okunur işlemde, SET LOCAL statement_timeout ile
ve en fazla [500] satırla çalıştırır.
5. Yönetici sunucusunda yalnızca metrikleri_listele, metrik_sorgula ve
eksik_metrik_bildir vardır. metrik_sorgula SQL'i sözlükten üretir; modelden
gelen metrik ve kırılım adları listeyle doğrulanır, tarihler parametre
olarak bağlanır. Başlangıç dâhil, bitiş hariçtir.
6. Serbest SQL aracı yalnızca SERBEST_SQL=acik ise tanımlanır. Sorgu sqlglot
ile denetlenir: tek ifade, yalnızca SELECT; yazma, kilit, SET ve işlem
düğümleri ile set_config ve pg_sleep gibi fonksiyonlar yasak. Çalıştırılan
SQL, denetlenen ağaçtan yeniden üretilir ve satır sınırıyla sarılır.
7. Her cevap metriğin tanımını, dönemi, verinin tazeliğini ve SQL'i içerir.
Tazelik okunamazsa "bilinmiyor" döner.
8. Her araç çağrısı, yalnızca INSERT yetkili ayrı bir rolle kayıt tablosuna
yazılır.
## İlk görev
Önce vitrin view'larını, rolleri ve RLS politikalarını yaz. Ardından her rol
için şu saldırıları deneyen testler yaz ve hepsinin başarısız olduğunu göster:
DELETE, CTE içinde DELETE, "SELECT 1; COMMIT; DELETE ...", set_config ile
kapsam değiştirme, vitrin dışındaki kişisel veri sütununu okuma ve başka bir
kapsamın satırlarını görme. Örnek veriler kurgusal olsun. Her adımdan sonra
ne yaptığını kısaca özetle ve varsayım yaptığın yerleri açıkça belirt.
Özet
- Zor olan SQL değil, anlam. Model SQL yazmayı bilir; “ciro”nun sizin şirketinizdeki tanımını bilmez. Tanımlar yazılı, sahipli ve tek yerdedir.
- Mimari kullanıcıya göre seçilir. Yöneticiler metrik katmanını, analistler denetimli serbest SQL’i kullanır.
- Modele veritabanı değil, vitrin gösterilir: sade view’lar ve Türkçe açıklamalar; kişisel veri ve serbest metin olmadan.
- Duvar, veritabanının yetki sistemidir. Yazma yetkisi olmayan roller,
security_invokerview’lar ve kimliği bağlantının rolüne bağlayan RLS. Salt okunur işlem ve sunucu kontrolleri yardımcıdır, sınır değildir. - Modelin yazdığı SQL bir ayrıştırıcıyla denetlenir ve denetlenen sorgu çalıştırılır.
- Rakamı veritabanı hesaplar, model değil. Bu hem doğruluğu artırır hem KVKK riskini küçültür.
- Ölümcül üçlüden en az biri kırılır: Güvenilmeyen metin vitrine girmez, veri asistanı dışarıya bir şey gönderemez.
- Her cevap kanıtıyla gelir; belirsiz bir soruda model tahmin etmez, sorar.
- Doğruluk bir hisle değil, altın soru setiyle ölçülür; kayıtlar sözlüğün yol haritasıdır.
Veritabanıyla konuşmak bir sohbet projesi değil, bir tanım projesidir: Model, ona öğrettiğiniz tanımlar kadar doğru konuşur.
Kaynaklar
- Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows (makale) ve Spider 2.0 liderlik tablosu
- Supabase MCP can leak your entire SQL database (General Analysis) ve Supabase MCP ve ölümcül üçlü (Simon Willison)
- MCP vulnerability case study: SQL injection in the PostgreSQL MCP server (Datadog Security Labs)
- Open source MetricFlow (dbt Labs)
- Chat2DB ve lisans metni
- Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda) (KVKK)
- PostgreSQL belgeleri: CREATE VIEW ve Row Security Policies
- sqlglot ve FastMCP belgeleri