SQL SERVER 2025
Yazılımcılar İçin SQL Server 2025
Vektör, JSON, RegEx ve AI · görsellerle ve canlı örneklerle geliştirici rehberi
Çağlar Özenç · caglarozenc.com · DMC Bilgi Teknolojileri · 2026
SQL Server 2025 çıktığında en çok merak ettiğim şey, pazarlama başlıklarının arkasında bir geliştiricinin günlük işini gerçekten neyin değiştirdiğiydi. Yıllardır SQL Server'la yaşayan biri olarak, "yeni sürüm geldi" cümlesinin çoğu zaman "birkaç yeni bayrak, birkaç uyarı ve bir sürü ince ayrıntı" demek olduğunu bilirim.
Bu kitabı, o ince ayrıntıları bir kez kendim yaşayıp yazmak için hazırladım. İçindeki hemen her örneği canlı bir SQL Server 2025 üzerinde çalıştırdım; dokümanla derlemenin ayrıştığı, bir özelliğin kutu üründe ve bulutta farklı davrandığı yerleri tek tek işaretledim. Amacım, aynı tuzaklara benden sonra düşmemen.
Kitap bir DBA el kitabı değil; uygulama yazan bir mühendisin gözünden yazıldı. Baştan sona okuyabilir ya da ihtiyacın olan bölüme atlayabilirsin; her bölüm tek başına ayakta durur. Örneklerin tamamı depoda çalıştırılabilir hâlde ve her push'ta gerçek bir SQL Server 2025 üzerinde otomatik doğrulanıyor.
İyi okumalar.
Çağlar Özenç
Ortamı 60 saniyede kur, önizleme bayraklarını aç ve kitabın nasıl okunacağını gör.
Bu e-book, yazılım geliştiriciler, yazılım uzmanları ve SQL developer'lar için yazıldı. Amaç, SQL Server 2025'i bir DBA gözünden değil, uygulama yazan bir mühendisin gözünden anlatmak: yeni T-SQL yeteneklerini, veritabanını bir AI-uygulama platformuna dönüştüren özellikleri ve bunları .NET / EF Core / Python kodundan nasıl kullanacağını.
Kitaptaki hemen her örnek, gerçek bir SQL Server 2025 örneğinde çalıştırılıp çıktısıyla birlikte verilmiştir. Kullanılan sürüm:
Microsoft SQL Server 2025 (RTM-CU7) - 17.0.4065.4 (X64)
Enterprise Developer Edition (64-bit) on Linux (Ubuntu 24.04)Neden gerçek çıktı? Önizleme özelliklerinin sözdizimi dokümanla derleme (build) arasında farklılaşabilir. Bu kitap, örnekleri canlı bir motorda doğrulayarak "dokümanda öyle yazıyordu ama çalışmadı" tuzağını ortadan kaldırır. Nerede kutu ürünle Azure SQL/Fabric ayrıştıysa, bu ayrım açıkça belirtilmiştir.
SQL Server 2025 (sürüm 17.x), 2016'dan bu yana en geniş motor sürümü. Geliştirici açısından öne çıkanlar:
nvarchar(max) içinde JSON saklama dönemi bitti.
Bu kitabı hazırlarken kullandığım komut; sende de aynısı çalışır:
docker run -e "ACCEPT_EULA=Y" -e "MSSQL_SA_PASSWORD=Guclu#Parola1" \
-e "MSSQL_PID=Developer" -p 1433:1433 --name sqldev2025 -d \
mcr.microsoft.com/mssql/server:2025-latestBağlanmak için sqlcmd (18+), SSMS 21, VS Code mssql eklentisi veya Azure Data Studio kullanabilirsin. Konteynerin içinden hızlı test:
docker exec -it sqldev2025 /opt/mssql-tools18/bin/sqlcmd \
-S localhost -U sa -P 'Guclu#Parola1' -C -No -Q "SELECT @@VERSION"Not:
-C -No= sunucu sertifikasına güven + şifrelemeyi zorlama. Üretimde geçerli bir sertifika kullan; SQL Server 2025 aktarımda TLS 1.3 + TDS 8.0'ı destekler.
Bazı yenilikler (vektör indeks, CES, fuzzy eşleşme vb.) veritabanı-kapsamlı önizleme bayrağı ister. Ayrıca yeni fonksiyonların bir kısmı uyumluluk düzeyi 170'e ihtiyaç duyar (AI_GENERATE_CHUNKS gibi).
CREATE DATABASE DevBook;
ALTER DATABASE DevBook SET COMPATIBILITY_LEVEL = 170;
GO
-- Önizleme özelliklerini aç (veritabanına kalıcı yazılır)
ALTER DATABASE SCOPED CONFIGURATION SET PREVIEW_FEATURES = ON;Kontrol:
SELECT name, value FROM sys.database_scoped_configurations WHERE name = 'PREVIEW_FEATURES';name value
---------------- -----
PREVIEW_FEATURES 1Vektör arama, native JSON ve dilin içindeki RegEx. Bu kısımda verinin kendisi değişiyor: veritabanı artık embedding saklıyor, belge tutuyor ve desen eşleştiriyor.
Sürümün manşeti bu. SQL Server 2025, embedding'leri saklar, indeksler ve arar; hatta T-SQL içinden embedding üretir. Bir RAG (retrieval-augmented generation) hattını veritabanının içinde kurabilirsin.
vector veri tipi ve vektör fonksiyonlarıvector(n) sabit boyutlu bir sayısal dizi saklar; optimize ikili formatta tutulur ama JSON dizisi gibi görünür. Eleman başına tek (4 bayt, float32) duyarlık kullanılır.
DECLARE @a vector(3) = '[1,2,3]', @b vector(3) = '[2,3,4]';
SELECT VECTOR_DISTANCE('cosine', @a, @b) AS cosine_dist,
VECTOR_DISTANCE('euclidean', @a, @b) AS euclid_dist,
VECTOR_NORM(@a, 'norm2') AS l2norm,
CAST(VECTOR_NORMALIZE(@a, 'norm2') AS varchar(64)) AS normalized;cosine_dist euclid_dist l2norm normalized
--------------------- ------------------- ------------------ -------------------------------------------------
7.4167251586914062E-3 1.7320507764816284 3.7416573867739413 [2.6726124e-001,5.3452247e-001,8.0178368e-001]VECTOR_DISTANCE üç metrik destekler: 'cosine', 'euclidean', 'dot'. Vektörün özelliklerini VECTORPROPERTY ile okursun:
DECLARE @a vector(3) = '[1,2,3]';
SELECT VECTORPROPERTY(@a,'Dimensions') AS dims, VECTORPROPERTY(@a,'BaseType') AS basetype;dims basetype
---- --------
3 float32En yakın komşuları bulmak için indekse gerek yok: VECTOR_DISTANCE + ORDER BY tam (exact / kNN) arama yapar. Küçük-orta kümelerde ve tüm sürümlerde (kutu + Azure + Fabric) çalışır.
DECLARE @qv vector(5) = '[0.3,0.3,0.3,0.3,0.3]';
SELECT TOP (3) id, title, VECTOR_DISTANCE('cosine', embedding, @qv) AS dist
FROM dbo.Articles
ORDER BY dist;id title dist
-- ---------- -------------------
15 Article 15 0.09546583890914917
30 Article 30 0.09546583890914917
49 Article 49 0.09546583890914917Saha örneği: benzer destek biletleri. Yeni bir destek bileti geldiğinde geçmişte çözülmüş benzer biletleri bulmak çözüm süresini kısaltır. Biletlerin embedding'ini bir vector kolonunda tutar, yeni gelen bileti aynı modelle embed edip en yakın komşuları çekersin:
CREATE TABLE dbo.Tickets (id int PRIMARY KEY, konu nvarchar(60), v vector(3));
INSERT dbo.Tickets VALUES
(1,'Sorgu çok yavaş çalışıyor','[0.90,0.10,0.05]'),
(2,'Uygulama veritabanına bağlanamıyor','[0.10,0.90,0.10]'),
(3,'Rapor ekranı geç açılıyor','[0.82,0.18,0.08]'),
(4,'Gece yedeği başarısız oldu','[0.08,0.12,0.90]');
-- Yeni bilet performans temalı; en benzer 2 geçmiş bilet
DECLARE @yeni vector(3) = '[0.88,0.12,0.06]';
SELECT TOP 2 id, konu, ROUND(VECTOR_DISTANCE('cosine', v, @yeni), 4) AS uzaklik
FROM dbo.Tickets ORDER BY uzaklik;id konu uzaklik
-- -------------------------- -------
1 Sorgu çok yavaş çalışıyor 0.0004
3 Rapor ekranı geç açılıyor 0.0036Performans temalı yeni bilet, bağlantı veya yedekleme biletlerini değil iki performans biletini getirdi. Gerçekte vector(3) yerine bir embedding modelinden gelen vector(384)/vector(1536) kullanırsın (bkz. Bölüm 11.4).
Milyonlarca satırda exact tarama pahalıdır. DiskANN tabanlı bir vektör indeksi, yaklaşık en yakın komşu (ANN) aramasıyla bunu ölçeklenebilir kılar.
Denerken dört pratik tuzağa takıldım, sırayla:
Tuzak 1, Önizleme bayrağı. Vektör indeks + VECTOR_SEARCH kutu üründe önizlemedir: PREVIEW_FEATURES = ON gerekir (Azure SQL DB / Fabric SQL'de gerekmez).
Tuzak 2, `SET QUOTED_IDENTIFIER ON`. Bu ayar kapalıysa indeks oluşturma Msg 1934 ile başarısız olur (sqlcmd'de varsayılan kapalıdır; SSMS'te açıktır):
Msg 1934, Level 16: CREATE VECTOR INDEX failed because the following SET
options have incorrect settings: 'QUOTED_IDENTIFIER'.Doğru kurulum:
SET QUOTED_IDENTIFIER ON;
-- En az 100 satır gerekir; embedding'ler örnek amaçlı üretiliyor
CREATE TABLE dbo.Articles (id int PRIMARY KEY, title nvarchar(100), embedding vector(5));
INSERT dbo.Articles (id, title, embedding)
SELECT value, 'Article ' || value,
CAST(JSON_ARRAY(value*0.01, value*0.02, value*0.03, value*0.04, value*0.05) AS vector(5))
FROM GENERATE_SERIES(1, 100);
CREATE VECTOR INDEX vec_idx ON dbo.Articles(embedding)
WITH (METRIC = 'cosine', TYPE = 'diskann');
SELECT name, type_desc FROM sys.vector_indexes;name type_desc
------- ---------
vec_idx VECTORTuzak 3, Sözdizimi kutuda `TOP_N`, Azure/Fabric'te `WITH APPROXIMATE`. Bu, testlerimde çıkan en önemli nokta. Dokümandaki yeni SELECT TOP (N) WITH APPROXIMATE sözdizimi "en güncel sürüm indeksler" içindir ve şu an yalnız Azure SQL Database ile Fabric SQL'de vardır. SQL Server 2025 kutu ürününde (CU7) bunu denersen:
Msg 102, Level 15: Incorrect syntax near 'APPROXIMATE'.Kutu üründe `VECTOR_SEARCH` fonksiyonunu `TOP_N` parametresiyle çağırırsın.
Tuzak 4, Alias kuralı. Tablo kolonlarına tablo alias'ıyla (t), üretilen distance kolonuna sonuç alias'ıyla (s) erişirsin; karıştırırsan "Invalid column name" alırsın.
SET QUOTED_IDENTIFIER ON;
DECLARE @qv vector(5) = '[0.3,0.3,0.3,0.3,0.3]';
SELECT t.id, t.title, s.distance
FROM VECTOR_SEARCH(
TABLE = dbo.Articles AS t, -- tablo alias'ı: t
COLUMN = embedding,
SIMILAR_TO = @qv,
METRIC = 'cosine',
TOP_N = 3) AS s -- sonuç alias'ı: s
ORDER BY s.distance;id title distance
-- --------- ---------------------
1 Article 1 9.5465958118438721E-2
2 Article 2 9.5465958118438721E-2
3 Article 3 9.5465958118438721E-2Azure SQL DB / Fabric SQL'de aynı sorgu "en güncel sürüm" indeksle şöyle yazılır,
TOP_NyerineTOP (N) WITH APPROXIMATE, veORDER BYyalnızcadistanceASC olmalı:SELECT TOP (3) WITH APPROXIMATE t.id, s.distance FROM VECTOR_SEARCH(TABLE = ... AS t, COLUMN = ..., SIMILAR_TO = @qv, METRIC = 'cosine') AS s ORDER BY s.distance;. Güncel indeksler ayrıca tam DML (INSERT/UPDATE/DELETE) ve iterative filtering (WHERE'in aramanın içinde uygulanması) getirir; eski indeksler tabloyu salt-okunur yapıp filtreyi aramadan sonra uygulardı.
CREATE EXTERNAL MODEL bir AI çıkarım uç noktasını (Azure OpenAI, OpenAI, Ollama, ONNX Runtime) veritabanı nesnesi olarak tanımlar; AI_GENERATE_EMBEDDINGS bu modelle embedding üretir. Managed Identity ile anahtar saklamadan kimlik doğrularsın.
-- Ön koşul: dış REST çağrısını aç (Azure SQL DB / Fabric'te varsayılan açık)
EXEC sp_configure 'external rest endpoint enabled', 1; RECONFIGURE WITH OVERRIDE;
-- Managed Identity tabanlı kimlik (secret alanı zorunlu)
CREATE DATABASE SCOPED CREDENTIAL [https://my-aoai.cognitiveservices.azure.com/]
WITH IDENTITY = 'Managed Identity',
secret = '{"resourceid":"https://cognitiveservices.azure.com"}';
CREATE EXTERNAL MODEL AzureEmbed WITH (
LOCATION = 'https://my-aoai.cognitiveservices.azure.com/openai/deployments/text-embedding-3-small/embeddings?api-version=2024-02-01',
API_FORMAT = 'Azure OpenAI',
MODEL_TYPE = EMBEDDINGS,
MODEL = 'text-embedding-3-small',
CREDENTIAL = [https://my-aoai.cognitiveservices.azure.com/]);Not: Credential adı,
LOCATIONprotokol + host'uyla birebir eşleşmeli.MODEL_TYPEiçin şu an tek geçerli değerEMBEDDINGS.API_FORMATkabul edilenler:Azure OpenAI,OpenAI,Ollama,ONNX Runtime(ONNX ile yerel, internetsiz çalışabilirsin).
HTTPS zorunlu (bizzat doğruladım): Motor yalnızca HTTPS/TLS uç noktalara izin verir. HTTP bir Ollama uç noktası denediğimde motor net biçimde reddetti:
>
Msg 31610 … Accessing the external endpoint is only allowed via HTTPS.
>
Yerel bir modeli (Ollama/ONNX) kullanacaksan uç noktayı geçerli/güvenilen bir sertifikayla TLS arkasına al; pratikte çoğu ekip
LOCATION'ı doğrudan Azure OpenAI'ye yönlendirir.
AI_GENERATE_EMBEDDINGS'i iki uçtan uca senaryoda bizzat çalıştırdım. İkisinde de motor embedding'i kendisi üretip vector kolonuna yazdı, sonra soruyu da aynı modelle embed edip VECTOR_DISTANCE ile aradı.
A) Azure OpenAI (üretim yolu). text-embedding-3-small (1536 boyut), kimlik HTTPEndpointHeaders (api-key) ile:
CREATE TABLE dbo.Kb (id int IDENTITY PRIMARY KEY, chunk nvarchar(200), emb vector(1536));
INSERT dbo.Kb (chunk, emb)
SELECT c.chunk, AI_GENERATE_EMBEDDINGS(c.chunk USE MODEL AzureEmbed)
FROM (VALUES (N'SQL Server 2025 offers a built-in vector type and DiskANN index for semantic search.'),
(N'The native JSON type stores documents in a binary format.'),
(N'Regular expressions provide pattern matching without CLR.')) c(chunk);
DECLARE @q vector(1536) = AI_GENERATE_EMBEDDINGS(N'how do I search text by meaning?' USE MODEL AzureEmbed);
SELECT TOP 2 id, LEFT(chunk,52) AS chunk, ROUND(VECTOR_DISTANCE('cosine', emb, @q), 4) AS dist
FROM dbo.Kb ORDER BY dist;id chunk dist
-- ---------------------------------------------------- ------
1 SQL Server 2025 offers a built-in vector type and Di 0.7059
3 Regular expressions provide pattern matching without 0.8240B) Yerel model (Ollama), motor içinden. Modeli bilgisayarında tutmak istersen bir ayrıntı önemli: SQL Server yalnızca güvenilir bir HTTPS uç noktasına izin verir ve self-signed sertifikayı kabul etmez. Bunu ayrıntısıyla test ettim: container'ın işletim sistemi sertifikaya güvense bile (OpenSSL doğrulaması OK), motorun REST istemcisi güvenmiyor ve isteği hiç göndermeden 0x80070008 veriyor. Çözüm: Ollama'yı bilgisayarında çalıştırıp önüne güvenilir sertifikalı bir tünel (ör. ücretsiz cloudflared) koy. Model tamamen yerel kalır; SQL yalnızca tünelin güvenilir sertifikasını görür:
-- Terminalde: ollama serve + cloudflared tunnel --url http://localhost:11434
CREATE EXTERNAL MODEL LocalOllama WITH (
LOCATION = 'https://<tunel-adi>.trycloudflare.com/api/embed',
API_FORMAT = 'Ollama', MODEL_TYPE = EMBEDDINGS, MODEL = 'all-minilm');
DECLARE @q vector(384) = AI_GENERATE_EMBEDDINGS(N'how do I find similar text by meaning?' USE MODEL LocalOllama);
SELECT TOP 2 id, LEFT(chunk,46) AS chunk, ROUND(VECTOR_DISTANCE('cosine', emb, @q), 4) AS dist
FROM dbo.KbLocal ORDER BY dist;id chunk dist
-- ----------------------------------------------- ------
1 SQL Server 2025 has a built-in vector type and 0.6912
3 Regular expressions match patterns without CLR 0.7352Her iki senaryoda da embedding'i motor kendisi üretti ve anlamsal arama yerel SQL Server 2025 üzerinde çalıştı. Yerel yol için gereken tek ek bileşen, self-signed sertifikayı SQL kabul etmediği için güvenilir sertifikalı tüneldir. (Bölüm 11.4'teki demo ise embedding'leri istemci tarafında üretip yükler; tünel bile gerekmez.)
AI_GENERATE_CHUNKSRAG için uzun metni modele sığacak parçalara bölmen gerekir. AI_GENERATE_CHUNKS bunu yapan bir tablo-değerli fonksiyondur, yani CROSS APPLY ile kullanılır ve chunk, chunk_order, chunk_offset, chunk_length kolonları döndürür. Harici uç nokta gerektirmez, bu yüzden aşağıdaki çıktı gerçek:
SELECT c.chunk, c.chunk_order, c.chunk_length
FROM (VALUES (N'SQL Server 2025 yazılımcılar için yerleşik vektör ve JSON getirir.')) d(t)
CROSS APPLY AI_GENERATE_CHUNKS(SOURCE = d.t, CHUNK_TYPE = FIXED, CHUNK_SIZE = 25, OVERLAP = 0) AS c;chunk chunk_order chunk_length
-------------------------- ----------- ------------
SQL Server 2025 yazılımcı 1 25
lar için yerleşik vektör 2 25
ve JSON getirir. 3 16OVERLAP (0-50 arası yüzde) ile ardışık parçaların örtüşmesini sağlayarak retrieval doğruluğunu artırırsın. Tam RAG akışı: AI_GENERATE_CHUNKS → AI_GENERATE_EMBEDDINGS → vector(1536) kolonuna INSERT → sorgu vektörüyle VECTOR_DISTANCE/VECTOR_SEARCH.
Native vektör, `Microsoft.Data.SqlClient` 6.1.0+ ile TDS üzerinden ikili taşınır; SqlVector<float> tipi eklendi. .NET 10'da SqlDbType.Vector numaralandırması var. Eski istemciler için SQL Server vektörü varchar(max) olarak sunarak geriye uyumluluğu korur.
EF Core 10 vektörü ve VECTOR_DISTANCE'ı tam destekler (yalnız SQL Server 2025+):
public class Article
{
public int Id { get; set; }
public string Title { get; set; } = "";
[Column(TypeName = "vector(1536)")]
public SqlVector<float> Embedding { get; set; }
}EF.Functions.VectorDistance(...) ile LINQ üzerinden semantik arama yaparsın; tam bağlantı dizesi, sorgu ve Python örnekleri Bölüm 8'de.
Not: EF Core 11'den itibaren vektör özellikleri, büyük oldukları için sorguda varsayılan yüklenmez, gerektiğinde açıkça seçilir. Dapper ile de
SqlVector<float>doğrudan parametre olarak bağlanır.
Karar için gerçek sayı gerekir. 100.000 satır, 16 boyutlu bir tabloda aynı sorguyu exact (indeks yok) ve DiskANN ANN (VECTOR_SEARCH) ile 5'er kez çalıştırdım (warm cache):
Bu ölçekte ANN ~3× hızlı; asıl kazanç ise satır sayısı ve boyut arttıkça ortaya çıkar (milyonlarca satır ve 768/1536 boyutta fark çok daha belirginleşir). Pratik kural: birkaç yüz bin satıra ve düşük gecikme ihtiyacına kadar exact yeterli ve basittir; ötesinde DiskANN indeksine geç. ANN yaklaşıktır, %100 kesinlik şartsa exact kullan.
Kutu ürün notu: Bu ANN ölçümü kutu üründe
VECTOR_SEARCH ... TOP_Nsözdizimiyle alındı;PREVIEW_FEATURES = ONveSET QUOTED_IDENTIFIER ONgerekir (bkz. Bölüm 10, Sorun Giderme).
Artık gerçek bir json veri tipi var: ikili depolanır, indekslenebilir, 2 GB'a kadar belge. nvarchar(max) içinde JSON tutmaya göre okuma performansı belirgin artar ve şema motor tarafından doğrulanır.
json kolonu oluştur ve sorgulaCREATE TABLE dbo.Orders (Id int IDENTITY PRIMARY KEY, Doc json);
INSERT dbo.Orders (Doc) VALUES
(N'{"customer":"Ada","total":1290.50,"items":["ssd","ram"],"paid":true}'),
(N'{"customer":"Linus","total":540.00,"items":["kbd"],"paid":false}');
SELECT Id,
JSON_VALUE(Doc, '$.customer') AS customer,
CAST(JSON_VALUE(Doc, '$.total') AS decimal(10,2)) AS total,
JSON_QUERY(Doc, '$.items') AS items,
ISJSON(Doc) AS is_valid
FROM dbo.Orders;Id customer total items is_valid
-- -------- ------- -------------- --------
1 Ada 1290.50 ["ssd","ram"] 1
2 Linus 540.00 ["kbd"] 1JSON_VALUE skaler değer, JSON_QUERY nesne/dizi döndürür. ISJSON bir metnin geçerli JSON olup olmadığını sınar.
JSON_MODIFYUPDATE dbo.Orders SET Doc = JSON_MODIFY(Doc, '$.paid', 'true') WHERE Id = 2;
SELECT Id, JSON_VALUE(Doc, '$.paid') AS paid FROM dbo.Orders WHERE Id = 2;Id paid
-- ----
2 trueNüans:
JSON_MODIFY'nin değer argümanı bir T-SQL metniyse JSON'a string olarak yazılır:JSON_MODIFY(Doc,'$.paid','true')→{"paid":"true"}. Gerçek JSON boolean için değeri uygun tiple ver:JSON_MODIFY(Doc,'$.paid', CAST(1 AS bit))→{"paid":true}(canlı doğruladım).
JSON_ARRAYAGG / JSON_OBJECTAGG2025'in iki yeni birinci sınıf agregası, string birleştirme hilelerini bitirir:
SELECT JSON_ARRAYAGG(JSON_VALUE(Doc,'$.customer')) AS customers,
JSON_OBJECTAGG(JSON_VALUE(Doc,'$.customer')
: CAST(JSON_VALUE(Doc,'$.total') AS decimal(10,2))) AS totals
FROM dbo.Orders;customers totals
----------------- ------------------------------
["Ada","Linus"] {"Ada":1290.50,"Linus":540.00}OPENJSONSELECT o.Id, j.[value] AS item
FROM dbo.Orders o CROSS APPLY OPENJSON(o.Doc, '$.items') j;Id item
-- ----
1 ssd
1 ram
2 kbdSaha örneği: belirli ürünü içeren siparişler. json dizisinde bir değeri aramak için OPENJSON'ı alt sorguyla kullanırsın; ayrı bir arama servisine gerek yok:
SELECT Id, JSON_VALUE(Doc, '$.customer') AS musteri
FROM dbo.Orders
WHERE 'ssd' IN (SELECT value FROM OPENJSON(Doc, '$.items'));Id musteri
-- -------
1 AdaCLR'sız, dilin içinde regex nihayet geldi. Uygulama katmanındaki doğrulama/temizleme mantığının çoğunu motora indirebilirsin.
SELECT REGEXP_REPLACE(' çok fazla boşluk ', '\s+', ' ') AS normalized,
REGEXP_SUBSTR('SKU: ABC-12345 stok', '[A-Z]{3}-\d{5}') AS sku,
REGEXP_COUNT('a1b2c3d4', '\d') AS digit_count,
REGEXP_INSTR('order-2026', '\d{4}') AS year_pos;normalized sku digit_count year_pos
------------------ --------- ----------- --------
çok fazla boşluk ABC-12345 4 7Tam liste: REGEXP_LIKE, REGEXP_REPLACE, REGEXP_SUBSTR, REGEXP_INSTR, REGEXP_COUNT, REGEXP_MATCHES, REGEXP_SPLIT_TO_TABLE.
REGEXP_LIKE bir YÜKLEMDİRTestlerimde çıkan en önemli developer detayı: REGEXP_LIKE bir arama yüklemidir (predicate), WHERE, CASE, CHECK içinde kullanılır. Onu doğrudan SELECT ... AS ok gibi seçemez veya = 0 ile karşılaştıramazsın. Şu yanlış:
Msg 102, Level 15: Incorrect syntax near '='. -- WHERE REGEXP_LIKE(...) = 0 YANLIŞDoğru kullanım, geçersiz e-postaları bulmak için NOT:
SELECT email
FROM (VALUES ('gecerli@x.com'), ('gecersiz@@')) c(email)
WHERE NOT REGEXP_LIKE(email, '^[\w.+-]+@[\w-]+\.[\w.-]+$');email
----------
gecersiz@@Skaler bir sonuç istiyorsan CASE sar:
SELECT email,
CASE WHEN REGEXP_LIKE(email,'^[\w.+-]+@[\w-]+\.[\w.-]+$') THEN 'valid' ELSE 'INVALID' END AS status
FROM (VALUES ('ada@dmc.com.tr'),('bad@@x'),('linus@kernel.org')) c(email);email status
---------------- ------
ada@dmc.com.tr valid
bad@@x INVALID
linus@kernel.org validSaha örneği: TR telefon ve IBAN doğrulama. Form verisini uygulamaya güvenmeden, motor düzeyinde doğrularsın:
SELECT deger,
CASE WHEN REGEXP_LIKE(deger, '^\+90 ?\d{3} ?\d{3} ?\d{2} ?\d{2}$') THEN 'telefon OK'
WHEN REGEXP_LIKE(deger, '^TR\d{24}$') THEN 'IBAN OK'
ELSE 'geçersiz' END AS sonuc
FROM (VALUES ('+90 212 945 61 66'), ('TR330006100519786457841326'), ('bozuk-veri')) v(deger);deger sonuc
--------------------------- ----------
+90 212 945 61 66 telefon OK
TR330006100519786457841326 IBAN OK
bozuk-veri geçersizSELECT value FROM REGEXP_SPLIT_TO_TABLE('sql,server;2025|dev', '[,;|]');value
------
sql
server
2025
devYazım hatası toleransı, kayıt eşleştirme (record matching) için. Önizleme özellikleridir:
SELECT EDIT_DISTANCE('Istanbul','Istambul') AS edit_dist,
EDIT_DISTANCE_SIMILARITY('Istanbul','Istambul') AS edit_sim,
JARO_WINKLER_SIMILARITY('Ankara','Ankraa') AS jw_sim;edit_dist edit_sim jw_sim
--------- -------- ------
1 88 96EDIT_DISTANCE = gereken düzenleme (ekleme/silme/değiştirme) sayısı; *_SIMILARITY fonksiyonları 0-100 arası benzerlik döndürür.
SELECT 'sql' || '-' || '2025' AS pipe_concat, -- || birleştirme
GREATEST(3,9,4,7) AS greatest_v,
LEAST(3,9,4,7) AS least_v,
CURRENT_DATE AS today,
BASE64_ENCODE(CAST('DMC' AS varbinary(8))) AS b64,
CAST(BASE64_DECODE('RE1D') AS varchar(8)) AS b64_back;pipe_concat greatest_v least_v today b64 b64_back
----------- ---------- ------- ---------- ---- --------
sql-2025 9 3 2026-07-26 RE1D DMCPRODUCT(), bir kümenin çarpımını hesaplayan yeni agrega (bileşik büyüme, olasılık vb.):
SELECT category, PRODUCT(factor) AS compound
FROM (VALUES ('growth',1.10), ('growth',1.05), ('growth',1.20)) t(category,factor)
GROUP BY category;category compound
-------- --------
growth 1.386000Ayrıca: UNISTR (Unicode kaçış), CURRENT_DATE, SUBSTRING'de length opsiyonel (ANSI uyumu), DATEADD artık bigint kabul eder, ve GENERATE_SERIES ile sayı dizileri:
SELECT STRING_AGG(CAST(value AS varchar(4)), ',') AS series FROM GENERATE_SERIES(1, 10, 2);series
---------
1,3,5,7,9Veritabanını servislere ve olay akışlarına bağla, eşzamanlılığı ölçekle, veriyi katman katman koru. Üretimde asıl fark burada açılır.
SQL Server 2025, veritabanını olay-güdümlü ve servis-odaklı mimarilerin birinci sınıf bir parçası yapar.
sp_invoke_external_rest_endpointVeritabanından doğrudan bir REST/GraphQL uç noktasına çağrı yap: Azure Function tetikle, Power BI güncelle, Azure OpenAI ile konuş, on-prem servis çağır.
DECLARE @response nvarchar(max);
EXEC sp_invoke_external_rest_endpoint
@url = 'https://api.example.com/v1/notify',
@method = 'POST',
@payload = N'{"orderId": 42, "status": "shipped"}',
@headers = '{"Content-Type":"application/json"}',
@response = @response OUTPUT;
SELECT JSON_VALUE(@response, '$.result') AS result;Güvenlik: Uç nokta HTTPS + TLS olmalı; kimlik bilgileri
DATABASE SCOPED CREDENTIALiçinde tutulur. Bu özelliksp_configure 'external rest endpoint enabled'ile açılır.
Data API Builder, tablo ve view'larından kod yazmadan güvenli REST ve GraphQL uç noktaları üretir. Bir JSON yapılandırması yeterli:
{
"data-source": { "database-type": "mssql", "connection-string": "@env('SQL_CONN')" },
"entities": {
"Article": {
"source": "dbo.Articles",
"permissions": [
{ "role": "anonymous", "actions": ["read"] },
{ "role": "authenticated", "actions": ["create", "update"] }
]
}
}
}Çalıştır: dab start. Artık GET /api/Article (REST) ve /graphql (GraphQL) hazır, sayfalama, filtreleme, satır düzeyi güvenlik dahil. Frontend ekipleri için ideal. DAB'ı container'daki DevBook'a karşı çalıştırdım; GET /api/Article?$first=2 gerçek yanıtı (vektör kolonu dahil):
{ "value": [
{ "id": 1, "title": "Article 1", "embedding": [0.01, 0.02, 0.03, 0.04, 0.05] },
{ "id": 2, "title": "Article 2", "embedding": [0.02, 0.04, 0.06, 0.08, 0.10] } ] }SQL MCP Server (Data API Builder üzerinden), özel veya Foundry AI ajanlarının veritabanına güvenli, denetimli biçimde bağlanmasını sağlar. GitHub Copilot ve Cursor gibi araçlar MCP ile şemayı ve veriyi mantık yürüterek okuyabilir. Azure SQL Hyperscale'de doğrudan bir SQL MCP uç noktası da vardır.
CES, DML değişikliklerini (insert/update/delete) şema + eski/yeni değerlerle near-real-time olarak Azure Event Hubs'a yayınlar. Format: CloudEvent (JSON veya Avro Binary). CDC'nin olay-güdümlü halefi, mikroservisleri, cache invalidasyonunu, arama indekslemesini veriyle senkron tutmak için.
Saha örneği: aramayı ve önbelleği veriyle senkron tut. Bir sipariş güncellendiğinde CES bu değişikliği Event Hubs'a bir CloudEvent olarak yayınlar; tüketici bir mikroservis olayı alıp arama indeksini ve önbelleği tazeler. Böylece "veritabanı yazıldı ama arama sonuçları/önbellek eski" sorununu, poll eden bir job veya uygulama tarafında ek kod yazmadan çözersin.
CES bir önizleme özelliğidir (
PREVIEW_FEATURES). Yükseltme notu: eski Synapse Link kaldırıldı; analitik replikasyon için yeni yol Fabric Mirroring'dir (bkz. Bölüm 8).
Developer'ın günlük hayatını en çok etkileyen motor yenilikleri.
Optimized Locking, kilit belleğini ve blokajı köklü biçimde azaltır. İki mekanizma: Lock After Qualification (LAQ) (satır ancak niteledikten sonra kilitlenir) ve işlem-kimliği (TID) kilitleme. Sonuç: kilit yükseltmesi (lock escalation) büyük ölçüde ortadan kalkar, yüksek eşzamanlı OLTP'de çok daha az blokaj.
Ön koşul Accelerated Database Recovery (ADR)'dir; RCSI ile en iyi sonucu verir:
ALTER DATABASE DevBook SET ACCELERATED_DATABASE_RECOVERY = ON;
ALTER DATABASE DevBook SET READ_COMMITTED_SNAPSHOT ON WITH ROLLBACK IMMEDIATE;
SELECT is_accelerated_database_recovery_on AS adr,
is_read_committed_snapshot_on AS rcsi
FROM sys.databases WHERE name = 'DevBook';adr rcsi
--- ----
1 1Saha örneği: kampanya anında sipariş sayacı. İndirim başladığında binlerce eşzamanlı sipariş, ortak bir stok/sayaç satırını günceller. Klasik kilitleme sayfa/tablo escalation'ına gidip blokajı patlatır. ADR + optimized locking ile yalnız niteleyen satır kilitlendiğinden throughput belirgin artar; en sıcak sayaçları In-Memory OLTP'ye (Bölüm 6.5) taşımak daha da hızlandırır.
Klasik "catch-all" sorgu belasına (opsiyonel/NULL parametreler tek plana sıkışır) yeni ilaç. OPPO, Parameter Sensitive Plan Optimization (PSPO) altyapısını genişleterek opsiyonel parametre değerlerine göre farklı planlar üretir, WHERE (@x IS NULL OR col = @x) kalıbındaki performans çöküşlerini azaltır.
Minimum eforla mevcut iş yükünü hızlandıran özellikler. 2025 eklentileri:
| Özellik | Ne yapar |
|---|---|
| CE feedback for expressions | Kardinalite tahmini ifade düzeyinde geçmişten öğrenir |
| OPPO | Opsiyonel parametreye göre çoklu plan |
| DOP feedback (varsayılan açık) | Paralellik derecesini geçmişe göre ayarlar |
| Query Store for secondaries (varsayılan açık) | Okunabilir ikincillerde de Query Store |
| ABORT_QUERY_EXECUTION ipucu | Bilinen problemli sorgunun gelecekteki çalışmasını bloke eder |
Query Store, plan geçmişini ve çalışma istatistiklerini saklar; regresyona uğramış sorguyu bulup iyi planı zorlayabilirsin.
SELECT TOP 10 q.query_id, rs.avg_duration, rs.count_executions, p.plan_id
FROM sys.query_store_runtime_stats rs
JOIN sys.query_store_plan p ON p.plan_id = rs.plan_id
JOIN sys.query_store_query q ON q.query_id = p.query_id
ORDER BY rs.avg_duration DESC;
-- iyi planı zorla
EXEC sys.sp_query_store_force_plan @query_id = 42, @plan_id = 7;Çok yüksek yazma hızı gereken "sıcak" tablolar (sayaç, oturum, kuyruk) için bellek-optimize tablolar kilitsiz/latch'siz çalışır. Önce bir MEMORY_OPTIMIZED_DATA dosya grubu gerekir:
ALTER DATABASE DevBook ADD FILEGROUP imoltp CONTAINS MEMORY_OPTIMIZED_DATA;
ALTER DATABASE DevBook ADD FILE (name='imoltp1', filename='/var/opt/mssql/data/imoltp1') TO FILEGROUP imoltp;
CREATE TABLE dbo.HotCounter (Id int PRIMARY KEY NONCLUSTERED, Hits bigint)
WITH (MEMORY_OPTIMIZED = ON, DURABILITY = SCHEMA_AND_DATA);
INSERT dbo.HotCounter VALUES (1, 0);
UPDATE dbo.HotCounter SET Hits = Hits + 1 WHERE Id = 1;
SELECT name, is_memory_optimized, durability_desc FROM sys.tables WHERE name='HotCounter';name is_memory_optimized durability_desc
---------- ------------------- ---------------
HotCounter 1 SCHEMA_AND_DATADURABILITY = SCHEMA_AND_DATA verinin kalıcı olmasını sağlar; SCHEMA_ONLY ise yalnız şemayı tutar (yeniden başlatınca veri gider, geçici/oturum verisi için ideal, en hızlısı).
Güvenlik yalnız DBA'in değil, kod yazanın da işi. SQL Server 2025'te bir developer'ın bilmesi gerekenler.
Yeni RegEx/JSON fonksiyonları bile string birleştirmeyle sorgu kurmayı mazur göstermez. Daima parametreli komut kullan (SqlParameter, EF Core, Dapper otomatik parametreler). Dinamik SQL şartsa sp_executesql + parametre.
| Katman | Araç | Ne zaman |
|---|---|---|
| Kullanımda şifreleme | Always Encrypted (+ secure enclaves) | DBA bile göremesin; enclave ile eşitlik dışı sorgu |
| Satır izolasyonu | Row-Level Security (RLS) | Çok-kiracılı uygulamalarda kiracı ayrımı |
| Maskeleme | Dynamic Data Masking (DDM) | PII'yi arayüzde gizle |
| Kurcalama kanıtı | Ledger | Kriptografik doğrulanabilirlik / uyumluluk |
| Kütle şifreleme | TDE + AKV/Managed HSM | Diskte şifreli veri |
CREATE TABLE dbo.Customers (
Id int,
TenantId int,
Tckn char(11) MASKED WITH (FUNCTION = 'partial(0,"*********",2)')
);
INSERT dbo.Customers VALUES (1,10,'12345678901'), (2,20,'98765432109');
SELECT Id, TenantId, Tckn FROM dbo.Customers; -- yetkili (UNMASK) kullanıcı görünümüId TenantId Tckn
-- -------- -----------
1 10 12345678901
2 20 98765432109Maskeleme ≠ yetkilendirme. Yukarıda
sa(UNMASK iznine sahip) gerçek TCKN'yi görür; maskeleme yalnız görüntüyü gizler veWHERE/ORDER BYile çıkarıma açıktır. Gerçek gizlilik sınırı için RLS + Always Encrypted gerekir. DDM'yi "güvenlik" değil, "gözden kaçırma azaltıcı" olarak düşün.
Encrypt=Strict ile zorunlu kıl.##MS_DatabaseConnector## vb.).Denetim/uyumluluk kayıtlarının kurcalanmadığını kriptografik olarak kanıtlaman gerekiyorsa Ledger tam bunun içindir. Append-only ledger tablosu yalnız INSERT kabul eder; UPDATE/DELETE motor tarafından reddedilir:
CREATE TABLE dbo.AuditLog (Id int IDENTITY PRIMARY KEY, Actor sysname, Action nvarchar(50))
WITH (LEDGER = ON (APPEND_ONLY = ON));
INSERT dbo.AuditLog (Actor, Action) VALUES ('ada','GRANT'), ('linus','REVOKE');
UPDATE dbo.AuditLog SET Action = 'x' WHERE Id = 1; -- reddedilirMsg 37359, Level 16: Updates are not allowed for the append only Ledger table 'dbo.AuditLog'.Güncellenebilir (updatable) ledger tabloları da vardır, bunlar system-versioning + otomatik ledger görünümü ile geçmişi tutar; her satırın kriptografik hash'i sys.database_ledger_transactions ile doğrulanabilir. Append-only ise sızıntı/silme koruması gereken yalnız-ekleme denetim akışları için en yalın seçenektir.
Ledger'ı uygulama tarafında değil veritabanında tutmak, denetim kaydının uygulama hatası veya kötü niyetli erişimle bozulmasını da engeller.
Saha örneği: KVKK/BDDK denetim izi. "Kim, ne zaman, hangi veriye erişti" kaydının sonradan değiştirilmediğini kanıtlaman gerekir. Append-only ledger tablosu bu izi tutar; bir denetçi sys.database_ledger_transactions üzerinden kayıtların kriptografik bütünlüğünü doğrulayabilir. Kayıt uygulama katmanında değil, motorda güvence altına alınır.
Always Encrypted ile veri istemci tarafında şifrelenir; sunucu, DBA dahil, yalnızca ciphertext görür ve anahtar sunucuda hiç bulunmaz. Bunu tamamen yerel kurdum (Azure ya da Windows sertifika deposu olmadan): Column Master Key olarak self-signed bir RSA sertifikası, Microsoft.Data.SqlClient'ta ise özel bir anahtar-deposu sağlayıcısı (SqlColumnEncryptionKeyStoreProvider) kullandım. Derlenip çalışan tam kod: samples/AlwaysEncryptedDemo.
CREATE COLUMN MASTER KEY CMK1 WITH (KEY_STORE_PROVIDER_NAME='DMC_LOCAL', KEY_PATH='local/dmc-cmk');
CREATE COLUMN ENCRYPTION KEY CEK1 WITH VALUES
(COLUMN_MASTER_KEY=CMK1, ALGORITHM='RSA_OAEP', ENCRYPTED_VALUE=0x...); -- istemci üretir
CREATE TABLE dbo.Patients (
Id int IDENTITY PRIMARY KEY, Name nvarchar(60),
Ssn nvarchar(16) COLLATE Latin1_General_BIN2
ENCRYPTED WITH (COLUMN_ENCRYPTION_KEY=CEK1, ENCRYPTION_TYPE=DETERMINISTIC,
ALGORITHM='AEAD_AES_256_CBC_HMAC_SHA_256'));Bağlantı dizesine Column Encryption Setting=Enabled ekleyip sağlayıcıyı kaydeden istemci, düz metni görür (bizzat çalıştırdım):
Id Name Ssn
-- ------------ -----------
1 Ada Lovelace 12345678901
2 Linus T. 98765432109Aynı satırlar, anahtarı olmayan düz bir sorguda (tipik DBA erişimi) yalnızca ciphertext'tir:
Id Name Ssn
-- ------------ ------------------------------------------
1 Ada Lovelace 0x01BB7ED4FA4BEF8EC7F92F62643801121A131A...
2 Linus T. 0x013C9A5AF77F693B2C08E79892914AAC4E68021...Katalog da doğrular: Ssn sütunu DETERMINISTIC şifreli, CEK1/CMK1 ile, sağlayıcı DMC_LOCAL. Deterministic şifreleme eşitlik araması ve join'e izin verir (metin sütununda BIN2 collation şarttır); en yüksek gizlilik için RANDOMIZED kullan. DDM'den farkı (Bölüm 7.3): maskeleme yalnız görüntüyü gizler; Always Encrypted'te anahtar istemcide olduğundan sunucu veriyi hiçbir koşulda göremez.
Koddan bağlan, güvenle yükselt, hataları hızlı çöz ve gerçek dünya tarifleriyle bitir.
Native vektör için 6.1.0+ şart. Strict encryption (TDS 8.0) ile bağlantı dizesi:
var cs = "Server=tcp:localhost,1433;Database=DevBook;User Id=app;Password=***;"
+ "Encrypt=Strict;TrustServerCertificate=False;";
await using var conn = new SqlConnection(cs);
await conn.OpenAsync();
// Vektör parametresi (Microsoft.Data.SqlClient 6.1+ / .NET 10 SqlDbType.Vector)
var cmd = new SqlCommand(
"SELECT TOP 5 id, title FROM dbo.Articles ORDER BY VECTOR_DISTANCE('cosine', embedding, @q)", conn);
cmd.Parameters.Add(new SqlParameter("@q", new SqlVector<float>(queryEmbedding)));
await using var r = await cmd.ExecuteReaderAsync();var q = new SqlVector<float>(queryEmbedding);
var results = await db.Articles
.Select(a => new {
a.Title,
Distance = EF.Functions.VectorDistance("cosine", a.Embedding, q) })
.OrderBy(x => x.Distance)
.Take(10)
.ToListAsync();import pyodbc, json
cn = pyodbc.connect(
"DRIVER={ODBC Driver 18 for SQL Server};SERVER=localhost;DATABASE=DevBook;"
"UID=app;PWD=***;Encrypt=yes;TrustServerCertificate=yes")
cur = cn.cursor()
qv = json.dumps([0.3, 0.3, 0.3, 0.3, 0.3]) # vektörü JSON dizisi olarak gönder
cur.execute("""
SELECT TOP (3) id, title, VECTOR_DISTANCE('cosine', embedding, CAST(? AS vector(5))) AS dist
FROM dbo.Articles ORDER BY dist""", qv)
for row in cur.fetchall():
print(row.id, row.title, row.dist)İpucu: ODBC/JDBC gibi native vektörü henüz bilmeyen sürücülerde vektörü JSON dizisi metni olarak gönderip
CAST(... AS vector(n))ile dönüştür, SQL Server geriye uyumluluk için vektörü metin olarak da kabul eder.
AI_GENERATE_CHUNKS vb.) bunu ister.Microsoft.Data.SqlClient 6.1+, EF Core 10, .NET 10 (SqlDbType.Vector).VECTOR_SEARCH, CES, fuzzy eşleşme kutu üründe önizleme; üretim kararını GA takvimine bağla, PREVIEW_FEATURES gerektiğini unutma.WITH APPROXIMATE şu an yalnız Azure SQL DB / Fabric SQL; kutuda VECTOR_SEARCH ... TOP_N kullan.Bu tablo, kendi testlerimde gerçekten karşılaştığım hataları ve çözümlerini derler, vektör/AI özellikleriyle çalışırken en çok vakit kaybettiren noktalar.
| Hata (mesaj) | Neden | Çözüm |
|---|---|---|
Msg 1934 … CREATE VECTOR INDEX failed … 'QUOTED_IDENTIFIER' | Oturumda QUOTED_IDENTIFIER kapalı (sqlcmd varsayılanı) | İndeksten önce SET QUOTED_IDENTIFIER ON; |
Msg 102 … Incorrect syntax near 'APPROXIMATE' | WITH APPROXIMATE kutu üründe yok | Kutuda VECTOR_SEARCH … TOP_N kullan; WITH APPROXIMATE yalnız Azure SQL DB/Fabric |
Msg 102 … Incorrect syntax near '=' | REGEXP_LIKE(...) = 0, yüklem skaler gibi kullanılmış | WHERE NOT REGEXP_LIKE(...) ya da CASE WHEN REGEXP_LIKE(...) |
Msg 207 … Invalid column name 'id' (VECTOR_SEARCH) | Tablo kolonuna sonuç alias'ıyla erişildi | Tablo kolonları tablo alias'ı, distance sonuç alias'ı |
Msg 42227 … Cannot find a vector index with metric 'cosine' | İndeks yok ya da metriği uyuşmuyor | Aynı metrikle CREATE VECTOR INDEX … WITH (METRIC='cosine', …) |
Incorrect syntax near 'REGEXP_LIKE' / fonksiyon bulunamıyor | Önizleme/uyumluluk bağlamı eksik | PREVIEW_FEATURES = ON + COMPATIBILITY_LEVEL = 170 |
AI_GENERATE_CHUNKS bulunamıyor | Uyumluluk düzeyi < 170 | ALTER DATABASE … SET COMPATIBILITY_LEVEL = 170; |
| Vektör indeks/arama "yokmuş" gibi davranıyor | PREVIEW_FEATURES kapalı | ALTER DATABASE SCOPED CONFIGURATION SET PREVIEW_FEATURES = ON; |
Altın kural: Vektör/AI ile çalışan bir veritabanında oturumun başında üçlüyü garanti et,
PREVIEW_FEATURES = ON,COMPATIBILITY_LEVEL = 170,SET QUOTED_IDENTIFIER ON.
Aşağıdaki tarifleri bizzat çalıştırıp doğruladım.
Semantik yakınlığı klasik bir filtreyle birleştir, önce WHERE süzer, sonra vektör mesafesi sıralar:
DECLARE @qv vector(5) = '[0.3,0.3,0.3,0.3,0.3]';
SELECT TOP (3) id, title, VECTOR_DISTANCE('cosine', embedding, @qv) AS dist
FROM dbo.Articles
WHERE title LIKE '%1%' -- anahtar kelime / kategori filtresi
ORDER BY dist; -- semantik sıralamaDeğişiklikleri şemasız json olarak sakla, sorguyla analiz et:
CREATE TABLE dbo.Audit (Id int IDENTITY, Event json);
INSERT dbo.Audit (Event) VALUES
(N'{"user":"ada","action":"login","ok":true}'),
(N'{"user":"ada","action":"delete","ok":false}');
SELECT JSON_VALUE(Event,'$.user') AS usr, COUNT(*) AS silme_sayisi
FROM dbo.Audit
WHERE JSON_VALUE(Event,'$.action') = 'delete'
GROUP BY JSON_VALUE(Event,'$.user');usr silme_sayisi
--- ------------
ada 1CHECK kısıtıGeçersiz veriyi uygulamaya güvenmeden, motor düzeyinde reddet:
CREATE TABLE dbo.Signup (
email nvarchar(200) CHECK (REGEXP_LIKE(email, '^[\w.+-]+@[\w-]+\.[\w.-]+$'))
);
INSERT dbo.Signup VALUES ('ok@dmc.com'); -- kabul
INSERT dbo.Signup VALUES ('bad@@'); -- CHECK ihlali → reddedilir
REGEXP_LIKEbir yüklem olduğu içinCHECKkısıtında doğrudan kullanılabilir, uygulama katmanı atlansa bile geçersiz e-posta tabloya giremez.
Bu örnekleri SQL Server 2025 üzerinde bizzat çalıştırdım: gerçek belgeleri yerel bir embedding modeliyle (Ollama all-minilm, 384 boyut) vektöre çevirdim, vector(384) kolonuna yükledim ve canlı VECTOR_DISTANCE ile aradım. (Üretimde embedding için AI_GENERATE_EMBEDDINGS + Azure OpenAI kullanırsın, bkz. Bölüm 2.4; motorun HTTPS zorunluluğu unutulmamalı.)
1) Bilgi tabanı, gerçek embedding'lerle yükle. Her belge dış bir modelle embed edilir; sonuç vector(384) olarak saklanır:
CREATE TABLE dbo.Kb (id int PRIMARY KEY, chunk nvarchar(300), embedding vector(384));
-- Her satır, bir embedding modelinden gelen 384 boyutlu gerçek vektörle doldurulur
INSERT dbo.Kb VALUES (1, N'SQL Server 2025 offers a built-in vector type and DiskANN index for semantic similarity search.', CAST('[...]' AS vector(384)));
-- ... 6 belge ...2) Soruyu embed et, en yakın 3 belgeyi getir (canlı çıktı):
DECLARE @q vector(384) = CAST('[...soru embedding...]' AS vector(384));
SELECT TOP (3) id, chunk, ROUND(VECTOR_DISTANCE('cosine', embedding, @q), 4) AS dist
FROM dbo.Kb ORDER BY dist;Soru: "how do I find semantically similar text in the database?"
id chunk dist
-- ------------------------------------------------------------------------------------------------ ------
1 SQL Server 2025 offers a built-in vector type and DiskANN index for semantic similarity search. 0.4082
3 The native JSON type stores documents in a binary format and speeds up indexed queries. 0.7696
4 Regular expression functions provide pattern matching and validation without CLR. 0.8228Anlamsal arama çalışıyor: soru "vektör" kelimesini içermese de en yakın belge (0.41) semantik aramadan bahseden #1; JSON (0.77) ve RegEx (0.82) belirgin biçimde uzak. Mesafe farkı sıralamanın gerçekten anlama dayandığını gösterir.
3) API olarak sun, tek satır kod bile yazmadan. Aynı tabloyu Data API Builder ile REST'e aç (bkz. Bölüm 5.2); bu da canlı doğrulandı:
{ "value": [
{ "id": 1, "title": "Article 1", "embedding": [0.01, 0.02, 0.03, 0.04, 0.05] },
{ "id": 2, "title": "Article 2", "embedding": [0.02, 0.04, 0.06, 0.08, 0.10] } ] }Sonuç: chunk (canlı) → embed (gerçek model) → sakla (`vector`) → ara (`VECTOR_DISTANCE`, canlı) → sun (DAB REST, canlı), hepsi veritabanı merkezli, ayrı bir vektör DB'si veya arama servisi olmadan.
| Konu | SQL Server 2022 | SQL Server 2025 |
|---|---|---|
| Vektör arama | Yok (harici vektör DB) | Yerleşik vector tipi + VECTOR_SEARCH + DiskANN |
| Embedding üretimi | Uygulama katmanında | T-SQL'de AI_GENERATE_EMBEDDINGS / EXTERNAL MODEL |
| JSON | nvarchar(max) + fonksiyonlar | Gerçek json tipi (ikili, indekslenebilir) |
| Desen eşleştirme | LIKE / CLR | Yerleşik REGEXP_* fonksiyonları |
| Eşzamanlılık | Klasik kilitleme | Optimized Locking (LAQ + TID) |
| API üretimi | Elle / harici | Data API Builder (otomatik REST/GraphQL) |
| Değişiklik akışı | CDC / CT | Change Event Streaming → Event Hubs |
| AI ajanı erişimi | Yok | SQL MCP Server |
| .NET vektör | Yok | Microsoft.Data.SqlClient 6.1 SqlVector<float>, EF Core 10 |
| Uyumluluk düzeyi | 160 | 170 |
Hızlı başvuru: sözlük, birincil kaynaklar ve yazar.
VECTOR_DISTANCE'ın desteklediği mesafe metrikleri.Tüm özellik ve fonksiyon adları ile GA / önizleme durumları aşağıdaki birincil Microsoft kaynaklarından doğrulanmış; örnekler SQL Server 2025 (RTM-CU7, 17.0.4065.4) üzerinde çalıştırılmıştır.
Çağlar Özenç, Kurucu ve Microsoft Data Platform MVP.
Yıllardır SQL Server ve veri platformlarıyla uğraşıyorum: performans ayarlama, felaket kurtarma, yedekleme ve yüksek erişilebilirlik benim asıl işim. Kurucusu olduğum DMC Bilgi Teknolojileri, 15 yılı aşkın saha deneyimiyle kamu ve özel sektörde yüzlerce veri projesini hayata geçirdi; proaktif danışmanlık ve 7/24 destekle veritabanlarını güvenle yönetiyoruz. Bu kitabı da sahada öğrendiklerimi SQL Server 2025 üzerinde bizzat sınayarak yazdım.
Kişisel web: caglarozenc.com
İletişim: dmcteknoloji.com · +90 212 945 61 66 · info@dmcteknoloji.com
Örnekleri SQL Server 2025 üzerinde bizzat çalıştırıp doğruladım; kesin sözdizimini kurulu derlemene ve resmi dokümana karşı teyit et, önizleme özellikleri GA'ya kadar değişebilir.