SQL Server 2025: Vector, Graph ve RAG Tek Veritabanında

Bir e-ticaret platformunda modern yapay zekâ özelliklerini hayata geçirmek istediğinizde, klasik mimari size genelde dört ayrı sistem önerir: anlamsal arama için bir vektör veritabanı (Pinecone, Qdrant), ilişki analizi için bir graph veritabanı (Neo4j), sohbet asistanı için bir RAG servis katmanı ve tüm bunları besleyen ana ilişkisel veritabanı. Dört ayrı sistem; dört ayrı yedekleme stratejisi, dört ayrı yetkilendirme modeli, dört ayrı operasyon yükü.

SQL Server 2025 bu denklemi değiştiriyor. Vektör arama, graph dolaşımı, harici AI model entegrasyonu ve uçtan uca RAG — hepsi aynı veritabanı motorunda, aynı SELECT içinde, aynı yedeklemenin altında çalışıyor.

Bunu somut bir örnekle göstermek için DMCShop‘u geliştirdik: 50.000+ ürünlük gerçek ölçekli bir e-ticaret kataloğu üzerinde anlamsal arama, ürün önerisi, RAG asistanı ve fraud ring tespitini uçtan uca çalıştıran, açık kaynak (MIT) bir referans uygulaması.

• 🔗 Canlı demo: demo.dmcteknoloji.com
• 🔗 Kaynak kod: github.com/dmcteknoloji/dmcshop-sql2025

Neyi çözüyoruz?

Geleneksel yaklaşımda “ürün için anlamsal arama + birlikte alınan ürün önerisi + sohbet asistanı + fraud tespiti” demek, en az üç farklı uzmanlık alanı ve üç farklı altyapı demekti. Veriyi senkronize tutmak (ürün eklendiğinde hem SQL’e hem vektör DB’sine hem graph DB’sine yazmak), tutarlılığı sağlamak ve hepsini güvende tutmak başlı başına bir proje.

SQL Server 2025’in getirdiği yeniliklerle bu senaryoların tamamı tek motorda toplanıyor:

DMCShop nedir?

DMCShop, SQL Server 2025’in VECTOR(N) + DiskANN ve GRAPH MATCH + SHORTEST_PATH özelliklerinin üretim senaryolarındaki karşılığını gösteren açık kaynak bir referans uygulamasıdır. Mock veri yok — gerçek ölçekte çalışıyor:

Teknoloji yığını: .NET 10, Blazor Server, EF Core 10, embedding ve sohbet için Ollama ( nomic-embed-text + qwen2.5:3b-instruct ), tek Azure B4ms VM (4 vCPU / 16 GB) üzerinde canlı; aynı yığın local docker-compose ile birebir çalışıyor.

Beş senaryo, tek veritabanı

1. Semantik ürün arama — VECTOR_SEARCH + DiskANN

Kullanıcı “rahat ergonomik klavye” yazdığında, kelime eşleşmesi ( LIKE ) çoğu zaman sıfır sonuç döner. Anlamsal arama ise ergonomik ofis ürünlerini — mouse pad, MX Master mouse, rahat ayakkabı — semantik uzayda yakın olduğu için getirir.

USE dmcshop;
DECLARE @q VECTOR(768) = AI_GENERATE_EMBEDDINGS(
N'rahat ergonomik klavye' USE MODEL ollama_embed_text
);
WITH hits AS (
SELECT * FROM VECTOR_SEARCH(
TABLE      = vector.product_embedding,
COLUMN     = embedding_ollama_768,
SIMILAR_TO = @q,
METRIC     = 'cosine',
TOP_N      = 5)
)
SELECT h.product_id, p.name, h.distance
FROM   hits h JOIN shop.product p ON p.product_id = h.product_id
ORDER BY h.distance;

Demoda vektör sorgusu ~150 ms, LIKE sorgusu ~10 ms sürer; ama LIKE çoğu sorguda boş döner. Anlam vs. lafzi arama farkı yan yana görülür.

2. RAG tabanlı ürün asistanı — embed → retrieval → chat → audit

/asistan sayfasında “1500 TL altı ergonomik mouse” sorusu uçtan uca tek akışta yanıtlanır: soru embed edilir, vektör arama ile en alakalı 5 ürün getirilir, sohbet modeli bu bağlamla token-token yanıt üretir ve her çağrı vector.query_log tablosunda denetim için kayda alınır. Streaming yanıt, SignalR ile tarayıcıya canlı akar.

İlk soru modelin RAM’e yüklenmesiyle ~15 sn (cold-start); sonraki sorular cache’li, ~3-5 sn.

3. Fraud ring tespiti — GRAPH MATCH + SHORTEST_PATH

Aynı cihaz parmak izini, aynı IP’yi veya aynı kartı paylaşan müşteri kümeleri graph dolaşımıyla bulunur. En etkileyici kısım: dolandırıcılık zincirinin kanıtı doğrudan okunabilir bir metne dönüşür.

SELECT
cn1.display_name AS start_customer,
STRING_AGG(cn2.display_name, N' → ')
WITHIN GROUP (GRAPH PATH) AS hops
FROM graph.customer_node AS cn1,
graph.uses_device FOR PATH AS ud1,
graph.device_node FOR PATH AS dn,
graph.uses_device FOR PATH AS ud2,
graph.customer_node FOR PATH AS cn2
WHERE MATCH(SHORTEST_PATH(cn1(-(ud1)->dn<-(ud2)-cn2)+))
AND cn1.customer_id = 10;

STRING_AGG ... WITHIN GROUP (GRAPH PATH) ifadesiyle bir dolandırıcılık yolu doğrudan “Ali → Ayşe → Mehmet” gibi bir kanıt zincirine dönüşür. Müfettiş için anında rapor.

4. “Bunu alanlar bunu da aldı” — GRAPH MATCH 2-hop

Klasik co-purchase önerisi, ilişkisel JOIN ile yazıldığında 50+ satırı bulur. Graph diliyle tek bir MATCH yeter:

SELECT TOP (10) p2_shop.name, COUNT(DISTINCT c.customer_id) AS co_buyer_count
FROM graph.product_node p1, graph.purchased pur1,
graph.customer_node c,
graph.purchased pur2, graph.product_node p2,
shop.product p2_shop
WHERE MATCH(p1<-(pur1)-c-(pur2)->p2)
AND p1.product_id = 1041
AND p2.product_id <> 1041
AND p2_shop.product_id = p2.product_id
GROUP BY p2.product_id, p2_shop.name
ORDER BY co_buyer_count DESC;

5. “Sana özel” — Vector + Graph hibrit öneri

En ileri senaryo: müşterinin son siparişlerinin embedding centroid’i hesaplanır, VECTOR_SEARCH ile benzer ürünler bulunur, ardından GRAPH MATCH ile bu ürünlerin sosyal kanıtı (kaç kişi birlikte aldı) skora katılır. Hibrit skor = mesafe + 1/(1+sosyal) . Anlamsal benzerlik ve davranışsal sinyal tek sorguda birleşir.

Üretimden çıkan üç gerçek not (RTM-CU4)

Belgelerin anlatmadığı, sahada öğrenilen nüanslar — workshop’larda en çok soru alan kısım:

1. VECTOR tipi preview bayrağıyla açılır. ALTER DATABASE SCOPED CONFIGURATION SET PREVIEW_FEATURES = ON;
2. DiskANN vektör indeksi varken tabloya hiçbir DML yapılamaz ( Msg 42231 — INSERT, UPDATE ve DELETE hepsi reddedilir). Tek yol: önce DROP INDEX , sonra DML, sonra yeniden CREATE VECTOR INDEX . Toplu embedding yüklemesini buna göre tasarlamak gerekir.
3. VECTOR_SEARCH sözdizimi değişti. Eski TOP (N) WITH APPROXIMATE RTM’de yok; çıktı bir CTE içinde tutulup dışarıda JOIN’lenmeli (yukarıdaki örneklerdeki desen).

Bu tür detaylar, “demo’da çalışıyor”dan “üretimde çalışıyor”a geçişin farkıdır.

Mimari: üç katman, tek VM

DMCShop tek bir Azure B4ms VM üzerinde (4 vCPU / 16 GB) çalışır; HTTPS için Caddy 2 + Let’s Encrypt, otomatik sertifika yenileme. Tüm kurulum tek komutla otomatize:

git clone https://github.com/dmcteknoloji/dmcshop-sql2025.git
cd dmcshop-sql2025
./scripts/setup.sh                       # showcase (120 ürün, ~3 dk)
# veya
DMCSHOP_SCALE=large ./scripts/setup.sh   # kurumsal (50K ürün, ~45 dk)
dotnet run --project app/src/DMCShop.Web # http://localhost:5295

setup.sh idempotent: container, model, schema, seed, embedding ve DiskANN indeksini uçtan uca yönetir.

Ne zaman SQL Server VECTOR, ne zaman ayrı bir vektör DB?

Dürüst olmak gerekirse her senaryo için tek doğru yok. Milyarlarca vektör ve aşırı yüksek QPS gerektiren saf vektör iş yüklerinde özelleşmiş vektör veritabanları hâlâ güçlü. Ama verinizin zaten SQL Server’da olduğu, vektör + graph + ilişkisel sorguların birlikte çalışması gereken kurumsal senaryolarda; tek motorda toplama, operasyon ve tutarlılık açısından ciddi bir kazanç sağlıyor. Mikroservis dağıtımı yok, veri senkronizasyonu yok, tek yedekleme, tek yetki sistemi.

Denemek için

• Canlı demo: demo.dmcteknoloji.com
• Kaynak kod (MIT): github.com/dmcteknoloji/dmcshop-sql2025
• Workshop handbook (60-90 dk uçtan uca tur): https://github.com/dmcteknoloji/dmcshop-sql2025/blob/main/docs/handbook.md

DMCShop, SQL Server 2025: Herkes İçin, Her Rol İçin kitabının canlı çalışan karşılığıdır. Kitabın 32 bölümünden her birinin demoda hangi sayfa, T-SQL dosyası veya .NET kodu ile karşılandığı docs/kitap-demo-koprusu.md içinde eşleştirilmiştir — kitabı okurken yan ekranda demoyu açıp bölümün canlı karşılığını görebilirsiniz.