前言

前陣子剛好處於職涯的轉換期，從 Software Engineer 轉變為顧問 Consultant 的角色。在適應新身份和不同工作節奏的過程中，部落格也跟著停更了一段時間。現在好不容易閒下來，是時候把這幾個月「搗鼓」的東西整理出來跟大家分享了～

還記得上一篇 教學：安裝 MCP 至 Claude Desktop，善用 AI 加速工作生產力 提到如何把現成的 MCP server 裝進 Claude 嗎？

今天我們不只要「用」，更要進一步「造」——自己動手建構一個本地的 MCP server，打造專屬於你的 AI 小工具。

為什麼想做這個？

這個靈感其實來自於我很日常的一個 idea。

每天早上醒來或通勤時，習慣做的第一件事大概就是滑手機看新聞。

但我通常只關注科技、娛樂與股市這類特定主題，現在的演算法雖然強大，但內容品質都不一定穩定，或者我需要瀏覽多個來源了解同個主題但不同解讀面向的新聞。

所以我產生了一個想法：能不能透過 API 把新聞抓下來，讓 LLM 幫我統整？

所以目標很明確：利用自定義的 MCP server 串接新聞 API，讓 Claude 能夠根據我的指令，直接調用、過濾並總結我真正想看的內容。

因此我抱持「想偷懶所以變勤勞」的想法，開始了這次的實作

技術架構

整個系統分為三層：

1. Claude Desktop - 使用者介面，透過自然語言下指令
2. News MCP Server - 我們要自己建的部分，使用 FastMCP 框架
3. newsdata.io API - 外部新聞資料來源，支援 200+ 國家、40+ 語言

%%{init: {'theme':'dark', 'themeVariables': { 'darkMode': true, 'mainBkg': '#000000', 'clusterBkg': '#1A1A1A', 'primaryTextColor': '#E0E0E0', 'fontFamily': 'sans-serif' }}}%%
graph TB
    User[使用者] --> Claude[Claude Desktop
]
    Claude <-->|JSON-RPC| MCP[News MCP Server]
    MCP <-->|REST API| API[newsdata.io]
    
    subgraph "MCP Tools"
        MCP --> Tool1[get_latest_news]
        MCP --> Tool2[get_tech_news]
        MCP --> Tool3[get_taiwan_news]
    end
    
    API --> DB[newsdata.io news]
    
    style User fill:#475569,stroke:#94a3b8,stroke-width:2px,color:#E0E0E0
    style Claude fill:#254a7c,stroke:#60a5fa,stroke-width:3px,color:#E0E0E0
    style MCP fill:#8b4011,stroke:#fcd34d,stroke-width:3px,color:#E0E0E0
    style API fill:#5820a4,stroke:#c4b5fd,stroke-width:3px,color:#E0E0E0
    style DB fill:#0a5e44,stroke:#34d399,stroke-width:3px,color:#E0E0E0
    style Tool1 fill:#546274,stroke:#9ca3af,stroke-width:1px,color:#F0F0F0
    style Tool2 fill:#546274,stroke:#9ca3af,stroke-width:1px,color:#F0F0F0
    style Tool3 fill:#546274,stroke:#9ca3af,stroke-width:1px,color:#F0F0F0

環境準備

首先安裝Python 套件管理工具 uv ：

1
2
3
4
5
6
7
8
9

# 安裝 uv
curl -LsSf https://astral.sh/uv/install.sh | sh

# 建立專案
mkdir news-mcp && cd news-mcp
uv init

# 安裝相依套件
uv add "mcp[cli]>=1.9.4" "requests>=2.32.4"

接著到 newsdata.io 註冊免費帳號，取得 API Key（免費版每日 200 次請求）。

核心程式碼

建立 src/mcp_news.py，核心概念就是用 @mcp.tool() decorator 把函數包裝成 MCP 工具：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74

from typing import Any, Optional
from mcp.server.fastmcp import FastMCP
import requests
import os

# 初始化 MCP server
mcp = FastMCP("news", dependencies=["requests"])

# API 設定
NEWSDATA_API_KEY = os.getenv("NEWSDATA_API_KEY")
BASE_URL = "https://newsdata.io/api/1"

@mcp.tool()
def get_latest_news(
    country: Optional[str] = None,
    category: Optional[str] = None,
    language: str = "en",
    query: Optional[str] = None,
    max_results: int = 10
) -> dict[str, Any]:
    """
    Get latest news articles
    
    Args:
        country: Country code (e.g., 'us', 'tw', 'jp')
        category: News category (e.g., 'technology', 'business')
        language: Language code (default: 'en')
        query: Search keywords
        max_results: Maximum results (default: 10)
    """
    url = f"{BASE_URL}/news"
    params = {
        "apikey": NEWSDATA_API_KEY,
        "language": language,
    }
    
    if country:
        params["country"] = country
    if category:
        params["category"] = category
    if query:
        params["q"] = query
    
    response = requests.get(url, params=params)
    data = response.json()
    
    articles = data.get("results", [])[:max_results]
    
    return {
        "total_results": len(articles),
        "articles": [
            {
                "title": article.get("title"),
                "description": article.get("description"),
                "link": article.get("link"),
                "source": article.get("source_id"),
                "published_at": article.get("pubDate"),
            }
            for article in articles
        ]
    }

@mcp.tool()
def get_tech_news(language: str = "en", max_results: int = 10) -> dict[str, Any]:
    """Get latest technology news"""
    return get_latest_news(category="technology", language=language, max_results=max_results)

@mcp.tool()
def get_taiwan_news(category: Optional[str] = None, max_results: int = 10) -> dict[str, Any]:
    """Get latest news from Taiwan in Chinese"""
    return get_latest_news(country="tw", category=category, language="zh", max_results=max_results)

if __name__ == "__main__":
    mcp.run()

LLM 如何知道要用哪個 Function？

這裡的關鍵在於 FastMCP 會自動把 Python 函數轉換成 JSON Schema，讓 LLM 能理解。

當你用 @mcp.tool() decorator 標記一個函數時，FastMCP 會自動：

1. 讀取函數簽名：從參數的型別標註（type hints）提取每個參數的資料型別
2. 解析 docstring：從函數說明文件中提取工具的描述和參數說明
3. 生成 JSON Schema：將這些資訊序列化成標準格式

例如我們的 get_latest_news 函數會被轉換成：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

{
  "name": "get_latest_news",
  "description": "Get latest news articles",
  "inputSchema": {
    "type": "object",
    "properties": {
      "country": { 
        "type": "string",
        "description": "Country code (e.g., 'us', 'tw', 'jp')"
      },
      "category": {
        "type": "string",
        "description": "News category (e.g., 'technology', 'business')"
      },
      "language": {
        "type": "string",
        "description": "Language code (default: 'en')",
        "default": "en"
      }
    }
  }
}

當你向 Claude 下達指令時，背後的流程是這樣的：

1. Claude 接收到你的自然語言指令：「Get me the latest technology news」
2. 分析可用的工具列表：Claude 看到有 get_latest_news、get_tech_news、get_taiwan_news 等工具
3. 判斷最適合的工具：根據描述和參數，判斷 get_tech_news 最符合需求
4. 產生工具呼叫請求：Claude 產生類似這樣的 JSON：

   1 2 3 4 5 6 7

   { "tool": "get_tech_news", "parameters": { "language": "en", "max_results": 10 } }

5. MCP Server 執行函數：接收到請求後執行對應的 Python 函數
6. 回傳結構化結果：函數執行完回傳 JSON 格式的新聞資料
7. Claude 整理成自然語言：將結構化資料轉換成易讀的摘要給使用者

docstring 和參數說明越清楚，LLM 就越能準確判斷什麼時候該用哪個工具

這也是為什麼我們定義了 get_tech_news 這樣的函數——它的名稱和描述更明確，讓 LLM 能更快速地匹配使用者的意圖。

測試運行

設定環境變數後，可以直接測試：

1
2

export NEWSDATA_API_KEY="your_api_key_here"
mcp dev src/mcp_news.py

終端機會顯示一個 URL，點擊後會開啟 MCP Inspector，可以在瀏覽器中直接測試各個工具。

整合到 Claude Desktop

編輯 Claude 設定檔（macOS: ~/Library/Application Support/Claude/claude_desktop_config.json）：

1
2
3
4
5
6
7
8
9
10
11

{
  "mcpServers": {
    "news": {
      "command": "uv",
      "args": ["run", "/path/to/news-mcp/src/mcp_news.py"],
      "env": {
        "NEWSDATA_API_KEY": "your_api_key_here"
      }
    }
  }
}

重啟 Claude Desktop，在 Settings -> Developer -> Local MCP servers 就可以看到我的 MCP server 顯示 running 的狀態

實際使用

現在可以直接用自然語言跟 Claude 對話：

• “Get me the latest technology news”
• “Show me Taiwan technology news in Chinese”
• “What’s happening with cryptocurrency?”

Claude 會自動判斷要呼叫哪個工具，幫你整理成易讀的摘要。

重要概念

MCP 的運作原理其實很簡單：FastMCP 會把你的函數轉換成 JSON Schema，讓 AI 知道有哪些工具可用、需要什麼參數。

當使用者下指令時，AI 判斷要用哪個工具，MCP server 執行後回傳結果，AI 再把結果轉成人類易懂的回應。整個過程都是自動的，你只需要專注在寫好工具函數本身。

實際運行範例

讓我們來看一個真實的使用案例。我在 Claude 中直接使用這個 News MCP Server，用自然語言向 AI 下指令：

指令：「Summarize me Gemini3 from latest news」

可以看到整個流程運作：

1. AI 理解我的意圖：我想知道 Gemini 3 的最新新聞摘要
2. 自動選擇正確的工具：AI 判斷應該使用 search_news 函數
3. 傳入適當參數：

   1 2 3 4

   { "keywords": "Gemini 3", "max_results": 10 }

4. 取得即時新聞：MCP Server 向 newsdata.io API 發送請求
5. AI 整理成摘要：將結構化的 response （從 API 拿到的新聞資料）總結成易讀的內容

回傳的摘要包含：

• Google 最新發布 Gemini 3 的重點功能
• 在 AI 領導力排行榜上的表現
• 多模態推理能力的提升
• “Nano Banana Pro” 圖片生成功能
• 價格策略調整
• 市場影響分析

透過 FastMCP 框架，就可以快速建立了一個實用的新聞 MCP server。

這個架構可以延伸到任何有 API 的服務：天氣、股價、待辦事項、內部系統等等。

下次當各位覺得「如果 AI 能幫我做這個就好了」，不妨花個半小時，自己動手打造一個專屬的 MCP 工具吧！！！

隨著 OpenAI ChatGPT、Anthropic Claude 等 AI 服務的興起，運用這些工具來加速工作效率已經成為日常。

還記得 ChatGPT 剛問世時，我多半拿它來做翻譯、寫郵件草稿這種基礎應用。

但自從 Anthropic 在去年推出 MCP（Model Context Protocol） 後，AI 助理的能力又往前邁進了一大步——彷彿多了個小幫手，幫你處理繁瑣的日常工作瑣事，讓你能專注在更重要的任務上。

什麼是 MCP？

MCP（Model Context Protocol） 是 Anthropic 在 2024 年 11 月發表的開放標準協議，目的是讓 AI 助理安全地連接並使用各種第三方資料與工具。

直接跟大家劇透他的功能 ：
只要用戶授權，Claude 就能連結 Gmail、Google Drive、Atlassian、Asana 等常見工作工具，將 AI 從單純的對話夥伴，升級為真正能操作你日常工作平台的幫手。

這也解決了大語言模型長期面臨的資訊孤島問題。過去我們只能透過複製貼上的方式讓 AI 知道外部資訊，現在 Claude 可以直接「看到」並操作這些工具。

這些第三方服務會以 MCP Server 的形式提供功能（例如列出郵件、讀取專案資料等），用戶只要在 Claude 連接對應的 MCP Server，就能直接下指令使用這些功能，一氣呵成完成各種操作。

小提醒：根據 Anthropic 官方說明，部分第三方 MCP 服務需要特定付費方案才能使用（我自己是用 Pro 方案）。

MCP 的連接方式也很靈活，除了直接連接外部服務，也可以自己在本地搭建 MCP Server，客製化專屬功能。

不過今天這篇文章先聚焦如何在 Claude 上快速使用 MCP，至於如何用 Python 搭建本地 MCP Server，會變成下一篇文章跟大家說明（要填坑啦）

實戰示範：連接 Gmail 到 Claude Desktop

Step 1. 開啟 Claude Desktop → 前往 Settings → 點擊 Connectors

Step 2. 選擇要連接的第三方工具 → 點擊 Connect

接著會跳轉到 Google 的授權頁面，依照提示登入你的 Google 帳號並授權。完成後回到 Claude 的設定頁面，若顯示 Connected 或類似的連接成功狀態，就代表設定完成！

Step 3. 測試 Gmail MCP 功能

重新啟動 Claude Desktop 並開啟新的對話視窗，記得確認 Gmail 連接已啟用（通常會在對話框下方看到相關圖示）。

接著就可以開始操作了

例如：我請 Claude 統計 過去一個月收到多少封來自 The Washington Post 的郵件，Claude 會自動透過 MCP 工具讀取 Gmail，並給出結果（數量讓我驚呆了 😅）。

結語

看吧！設定 MCP 其實很簡單～
而且 MCP 不只可以做資料讀取，還能處理更進階的寫入操作（例如建立 GitHub issue）。

不過還是要提醒大家使用 AI 工具要注意的事項：

1. 只授權必要的權限給 AI，別把隱私或敏感資料也一併丟進去
2. 無論 AI 幫你完成什麼操作，都務必檢查並審核結果，確保執行的動作正確哦

參考資料：

1. Introducing Model Context Protocol
2. Using the Gmail and Google Calendar Integrations

最近剛好在研究多租戶架構，發現到多租戶架構的實踐方式其實相當多種，今天要來分享如何使用 PostgresSQL Row Level Security 實踐多租戶吧！

什麼是多租戶？

多租戶（Multi-tenancy）是一種軟體架構設計，目的是在同一套系統上服務多個獨立使用者（租戶），既能共用系統資源，又能確保資料隔離。
舉例來說，Slack 本身就是多租戶架構，每個公司（例如 IBM、Grab）都是 Slack 的一個租戶。

多租戶資料儲存方式

以資料庫設計來看，常見的幾種多租戶實踐方式：

獨立模式（Silo）

• 每個租戶一套獨立資料庫
• 優點：隔離效果最佳
• 缺點：成本高、維護麻煩，每新增租戶都要開新資料庫

橋接模式（Bridge）

• 多個租戶共用資料庫，但用不同 schema 分隔
• 優點：節省部分資源
• 缺點：維運與設定相對複雜

共享模式（Pool）

• 所有租戶共用同一資料庫與命名空間
• 每個 Table 透過分隔鍵（通常是租戶 ID）來區分
• 優點：成本低、維護簡單、擴展方便
• 缺點：隔離性相對低，風險需要額外控管

以下是多租戶模式的比較圖，從左到右維運成本會慢慢降低

這篇文章要介紹的 RLS，就是針對「共享模式」的具體實例

PostgreSQL Row Level Security（RLS）是什麼？

RLS 是從 Postgres 9.5 後開始支援的，簡單來說，他可以在 DB 曾作出 「誰能看到/修改哪些列」的限制，在預設情況下的 DB Table，如果沒有特別設定策略，就不會特別限制查詢資料列。

以下透過情境來舉例，這樣可以更明白 RLS 如何做同租戶內隔離：

假設我們在做一個連鎖企業管理系統，總店與多家分店共用一套平台，所有分店資料放同一 Table，並透過 branch_id 區分：

• 使用者：
  • 總部管理人員 (HQ)：能看到所有分店資料
  • 分店店長（租戶）：只能看到自己的分店資料

沒有 RLS 的情況

分店 A 查自己的營收，需要每次手動加條件：

1
2
3

SELECT * 
FROM sales 
WHERE branch_id = 'branch_A';

總店查所有分店資料：

1
2

SELECT * 
FROM sales;

這樣開發會有一些風險：

1. SQL 漏寫 -> 忘記加上 WHERE 條件，就會讓分店看到其他分店的資料
2. 維護複雜 -> 要特別寫管理者專用 SQL 才能看到多分店資料

這時候，RLS 的優勢就可以用在這邊了！

RLS 可以把它想像成：

「資料庫自動幫你加上 WHERE tenant_id = …，而且無法繞過」

我們可以透過以下指令啟用 RLS：

1
2
3
4

ALTER TABLE sales ENABLE ROW LEVEL SECURITY;

CREATE POLICY branch_isolation_policy ON sales
USING (branch_id = current_setting('app.current_branch')::UUID);

登入時，設定 Session 參數：

1

SET app.current_branch = 'branch_A';

此後，分店 A 查詢：

1

SELECT * FROM sales; ---- 自動過濾，只會回傳分店 A 的資料

所以可以知道 RLS 的好處在於

• 資料隔離：各分店數據完全隔離，避免誤查或惡意存取
• 開發簡化：不再到處手動加 WHERE branch_id = ?，降低遺漏風險
• 可擴展：新增 1000 家分店也不用修改資料庫 TABLE 架構或程式邏輯

Django 實踐 RLS

接下來說明如何在 Django 框架中實作 RLS 多租戶隔離系統。

原始碼在這ㄦ

這邊的程式碼主要用來展示 RLS 功能，其他像是使用者認證、權限管理等安全細節就不深入探討了，畢竟 Django 本身的功能很豐富，寫起來會太複雜 :p

對 Django 不熟的朋友建議先了解基本的 Django 觀念

檔案架構

1
2
3
4
5
6
7
8
9
10
11
12
13
14

django-rls-multitenant/
├── .env                    # 環境變數設定
├── config/
│   └── docker-compose.yaml  # 容器編排設定
├── scripts/
│   ├── init.sql            # 資料庫初始化腳本
│   └── test_rls.sql        # 測試資料產生腳本 （AI 產出的，快速又方便）
├── tenants/
│   ├── models.py           # Branch 和 Sales 資料模型
│   ├── middleware.py       # 分店上下文中介軟體
│   ├── views.py            # API 視圖邏輯
│   └── migrations/         # Django 資料庫遷移檔案
└── rls_project/
    └── settings.py         # Django 專案設定

資料庫角色結構

1
2
3

app_user (Django 應用連線用戶) 
    ↓ 繼承
app_role (應用角色)

• Table 擁有者: postgres (管理員) - 防止 RLS 繞過機制
• 應用連接: app_user - 受 RLS 策略完全限制
• 強制 RLS: 確保所有用戶都受策略約束

在實作 PoC 的時候 Docker 真的很方便，之後來寫一篇關於 Docker 學習的心路歷程好了（BUT 我還在初學者階段 XDD）

1. 進入目錄，啟動容器服務

   1 2	cd django-rls-multitenant/config docker-compose up -d

2. 初始化 DB

   1	cat ../scripts/init.sql | docker-compose exec -T postgres psql -U postgres -d rls_db

   init.sql 的作用：

   • 建立 app_role 和 app_user (Django 連 DB 用的帳號)
   • 建立 get_current_branch_id() 函數 (RLS 策略會用到)
   • 設定基本權限

3. 進入 Django 容器

   1	docker-compose exec web bash

4. 執行 Django 資料庫 migration

   注意：使用 postgres 身份建立表格

   1	DB_USER=postgres DB_PASSWORD=postgres python manage.py migrate

5. 創建 RLS 策略 migration

   1 2 3 4 5

   # 檢查是否已有 RLS migration python manage.py showmigrations tenants # 如果沒有 enable_rls migration，需要創建空的 migration 檔案，並貼上 RLS 策略 python manage.py makemigrations --empty tenants --name enable_rls

   這部分我把 RLS 策略寫在 Django migration 裡，好處是可以跟著專案版本一起管理，這樣開發、測試、正式環境都能用同一套指令部署，而且如果策略有問題還能回滾。

   另外可以確保 Table 先建好，再套用 RLS 策略，避免順序錯亂的問題。

   建立好空的 migration 檔案後，編輯 tenants/migrations/0002_enable_rls.py，貼上以下 RLS 策略：

   1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62

   from django.db import migrations class Migration(migrations.Migration): dependencies = [ ('tenants', '0001_initial'), ] operations = [ migrations.RunSQL( sql=""" -- Transfer table ownership to postgres (admin) ALTER TABLE tenants_branch OWNER TO postgres; ALTER TABLE tenants_sales OWNER TO postgres; -- Enable RLS for Branch table ALTER TABLE tenants_branch ENABLE ROW LEVEL SECURITY; ALTER TABLE tenants_branch FORCE ROW LEVEL SECURITY; -- Simple branch access policy CREATE POLICY branch_access_policy ON tenants_branch FOR ALL TO app_role USING (id = get_current_branch_id()); -- Enable RLS for Sales table ALTER TABLE tenants_sales ENABLE ROW LEVEL SECURITY; ALTER TABLE tenants_sales FORCE ROW LEVEL SECURITY; -- Simple sales isolation policy CREATE POLICY sales_branch_isolation ON tenants_sales FOR ALL TO app_role USING (branch_id = get_current_branch_id()); -- Grant permissions to app_role (not ownership) REVOKE ALL ON tenants_branch FROM PUBLIC; REVOKE ALL ON tenants_sales FROM PUBLIC; GRANT SELECT, INSERT, UPDATE, DELETE ON tenants_branch TO app_role; GRANT SELECT, INSERT, UPDATE, DELETE ON tenants_sales TO app_role; GRANT USAGE, SELECT ON ALL SEQUENCES IN SCHEMA public TO app_role; """, reverse_sql=""" -- Remove RLS policies DROP POLICY IF EXISTS branch_access_policy ON tenants_branch; DROP POLICY IF EXISTS sales_branch_isolation ON tenants_sales; -- Disable RLS ALTER TABLE tenants_branch DISABLE ROW LEVEL SECURITY; ALTER TABLE tenants_sales DISABLE ROW LEVEL SECURITY; -- Restore ownership and permissions ALTER TABLE tenants_branch OWNER TO app_user; ALTER TABLE tenants_sales OWNER TO app_user; GRANT ALL ON tenants_branch TO PUBLIC; GRANT ALL ON tenants_sales TO PUBLIC; """ ) ]

6. 執行 RLS migration 來應用策略

   1	DB_USER=postgres DB_PASSWORD=postgres python manage.py migrate

7. 產生測試資料

   為了時間方便，請 AI 幫我產生測試資料，直接執行起來方便許多～

   1	cat ../scripts/test_rls.sql | docker-compose exec -T postgres psql -U postgres -d rls_db

   執行後應產生：

   • 3 個分店資料 (西門、東區、板橋)
   • 每個分店 20 筆銷售記錄
   • 總計 60 筆銷售記錄

確認 RLS 功能生效

接下來，測試看看租戶之間能不能達到隔離效果

首先，假設你是系統管理員 postgres ，你可以取得所有租戶的資料：

1

docker-compose exec postgres psql -U postgres -d rls_db -c "SELECT id, name, code FROM tenants_branch ORDER BY code;"

結果：

1
2
3
4
5

                  id                  |   name   | code  
--------------------------------------|----------|-------
01e9ff22-d020-42f7-9045-6c2b74df1ccb | 西門分店 | BR001
b4b465c4-8485-4225-af37-9f5d6432e1ef | 東區分店 | BR002
cb31e356-84f8-4f81-a58c-9c86caf08a8a | 板橋分店 | BR003

接著拿到不同分店的 ID，就可以測試 Django API 了！
我這邊用 curl 來測試：

Django 執行時使用的是 app_user，受到 RLS 策略限制，所以不會看到其他租戶的資料

1
2
3

# 檢查分店上下文
curl -s -H "X-Branch-ID: 01e9ff22-d020-42f7-9045-6c2b74df1ccb" \
     http://localhost:8000/api/context-status/ | jq

API 結果

1
2
3
4
5
6
7
8
9
10
11
12

{
  "context": {
    "current_user": "app_user",
    "current_branch_id": "01e9ff22-d020-42f7-9045-6c2b74df1ccb",
    "user_type": "Branch User"
  },
  "visibility": {
    "branches": 1,
    "sales": 20
  },
  "request_branch_id": "01e9ff22-d020-42f7-9045-6c2b74df1ccb"
}

1
2
3

# 檢查銷售資料
curl -s -H "X-Branch-ID: 01e9ff22-d020-42f7-9045-6c2b74df1ccb" \
     http://localhost:8000/api/sales/ | jq

API 結果

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

{
  "sales": [
    {
      "id": "fd281cb8-665f-4d42-831e-c080d858a991",
      "branch_name": "西門分店",
      "date": "2025-07-25",
      "amount": "9186.00",
      "transaction_count": 16,
      "product_category": "飲料"
    },
    {
      "id": "c9fb589c-e2b7-4031-b647-3c21f5a36d04",
      "branch_name": "西門分店",
      "date": "2025-07-24",
      "amount": "8980.00",
      "transaction_count": 17,
      "product_category": "配菜"
    },
    ... skip ...
  ],
  "count": 20,
  "total_amount": "240058.00",
  "current_branch_id": "01e9ff22-d020-42f7-9045-6c2b74df1ccb"
}

預期回應

• visibility.branches: 1 (僅可見自己的分店)
• visibility.sales: 20 (僅可見自己的銷售記錄)
• 所有銷售記錄的 branch_name 皆為 “西門分店”

測試不同分店的隔離效果

1
2
3

# 使用東區分店的 ID 測試
curl -s -H "X-Branch-ID: b4b465c4-8485-4225-af37-9f5d6432e1ef" \
     http://localhost:8000/api/sales/ | jq

結果會發現

• 一樣只能看到 1 個分店、20 筆記錄
• 所有記錄都是 “東區分店” 的資料
• 總銷售額跟西門分店完全不一樣

試試看如果隨便輸入 id

1
2
3
4
5
6

# 用假的分店 ID 測試
curl -s -H "X-Branch-ID: 11111111-1111-1111-1111-111111111111" \
     http://localhost:8000/api/sales/

# 不給分店 ID 測試
curl -s http://localhost:8000/api/sales/

系統會正確拒絕：

• 假 ID：{"error": "Invalid branch"}
• 沒給 ID：{"error": "Branch ID required"}

以上就是使用 PostgreSQL RLS 實踐多租戶系統的完整流程 （寫完發現挺累的 XD）

我個人認為，RLS 雖然不是多租戶架構的萬能解法，但在「共享模式」的多租戶設計中，確實一個不錯的使用工具。

對於想要快速構建一個多租戶的平台（SaaS, 多分店管理系統），或許是不錯的選擇！

參考資料

[1] https://aws.amazon.com/blogs/database/multi-tenant-data-isolation-with-postgresql-row-level-security/

[2] https://www.postgresql.org/docs/current/ddl-rowsecurity.html

[3] https://docs.djangoproject.com/en/stable/topics/db/multi-db/

嗨！歡迎來到我的部落格

從 2023 年研究所畢業到開始工作，這段時間接觸了很多不同領域的東西

因為我本身是雜食性動物，對什麼都很好奇，看到什麼都想學一點，但久了就發現東西學了一堆，卻沒有一個地方好好記錄，總覺得哪裡怪怪 der

所以決定從現在開始，把這些東學一點、西學一點的內容整理起來，分享一些筆記（偶爾可能會出現雜記）

希望能對自己有幫助，也讓剛好路過的人看看有沒有能一起交流的地方

關於我

A secret makes a woman woman 🤫

未來會分享什麼？

在這個部落格中，我計劃分享：

• 技術筆記：程式設計相關的學習心得和實作經驗
• 生活感悟：日常生活中的一些思考和體會
• 讀書心得：好書推薦和閱讀筆記
• 專案分享：個人專案的開發過程和心得

感謝您花時間閱讀我的第一篇文章，希望未來的內容也能夠帶給您一些價值！