Model Context Protocol (MCP)
Model Context Protocol (MCP), Anthropic tarafından Kasım 2024'te tanıtılan ve yapay zekâ uygulamalarının harici araçlara ve veri kaynaklarına tek seferlik özel entegrasyonlar yerine yeniden kullanılabilir sunucular aracılığıyla nasıl bağlanacağını tanımlayan açık bir standarttır.
Model Context Protocol nedir?
MCP, çoka çok entegrasyon problemini çözer: MCP olmadan her yapay zekâ uygulamasının her araç için kendi bağlayıcısına ihtiyacı vardır. MCP ile bir araç sağlayıcısı tek bir MCP sunucusu geliştirir ve uyumlu her yapay zekâ uygulaması onu kullanabilir. Yaygın benzetme, yapay zekâ için bir USB-C portudur.
Üç rol tanımlar. Host, kullanıcının içinde çalıştığı yapay zekâ uygulamasıdır; örneğin Claude Desktop, Claude Code, Cursor veya VS Code.
Host'un içinde bir client (istemci), her sunucuyla bir bağlantı sürdürür. Server (sunucu) ise GitHub, Postgres, Slack veya dahili bir API gibi bir sistemi sarmalar ve onu modelin keşfedip çağırabileceği standart bir formatta sunar.
Mesajlar JSON-RPC 2.0 kullanır. Yerel sunucular genellikle stdio üzerinden çalışır; uzak sunucular ise spesifikasyonda tanımlanan OAuth tabanlı yetkilendirmeyle birlikte Streamable HTTP taşıma katmanını kullanır.
Bir MCP sunucusu neleri sunabilir?
Sunucular, her biri farklı bir tarafça kontrol edilen üç ana yapı taşı sunar.
Tools (araçlar, model kontrolünde): modelin çağırmayı seçebileceği, create_issue veya run_query gibi fonksiyonlar; her biri bir ad, açıklama ve girdiler için bir JSON Schema ile tanımlanır.
Resources (kaynaklar, uygulama kontrolünde): host'un ekleyebileceği dosyalar, veritabanı şemaları veya dokümanlar gibi salt okunur bağlam.
Prompts (istemler, kullanıcı kontrolünde): kullanıcının çağırabileceği, "bu pull request'i özetle" gibi yeniden kullanılabilir şablonlar.
Client'lar da sunuculara yetenekler sunabilir; örneğin sampling (bir sunucunun model tamamlaması talep etmesine izin vermek) ve elicitation (eksik girdiyi kullanıcıya sormak). Araçlar çalışma zamanında keşfedildiği için, bir sunucu eklemek bir yapay zekâ ajanının yapabileceklerini ajanın kodunu değiştirmeden genişletir.
MCP pratikte nasıl görünür?
Destek mühendislerinin, eskale edilen her talebi teşhis etmek için Zendesk, bir Postgres replikası, Sentry ve dahili runbook'lar arasında gidip geldiği 30 kişilik bir SaaS şirketini düşünün. Platform ekibi, resmî Python SDK'sını kullanarak küçük bir dahili MCP sunucusu yazıyor.
Sunucu salt okunur araçlar sunuyor: get_ticket, lookup_account (ham SQL değil, parametreli bir sorgu) ve Sentry'den recent_errors.
Runbook'lar kaynak (resource) olarak sunuluyor.
Sunucu, şirketin SSO'sunun arkasında uzaktan çalışıyor ve bir destek rolüyle sınırlandırılmış durumda.
Mühendisler sunucuyu Claude Desktop veya Cursor'a bağlıyor ve "4812 numaralı talep neden başarısız oluyor?" diye soruyor. Bu örnekte asistan; talebi, hesabın planını ve eşleşen hata izini çekiyor, ardından mühendisin doğruladığı bir teşhis taslağı hazırlıyor. Mühendisin bağlamı dört sekme arasında kopyalamasına gerek kalmıyor.
MCP'nin güvenlik riskleri nelerdir?
Bir modeli araçlara bağlamak ona gerçek bir güç verir; bu nedenle her MCP sunucusu, sistemlerinize erişimi olan üçüncü taraf bir entegrasyon gibi ele alınmalıdır. Bu kuruluma özgü birkaç risk vardır.
Araç sonuçları üzerinden prompt injection: kötü niyetli bir web sayfası veya talep, modelin uygulayabileceği talimatlar içerebilir.
Araç zehirleme (tool poisoning): güvenilmeyen bir sunucu, araç açıklamalarının içine talimatlar gizleyebilir.
Fazla geniş kimlik bilgileri: admin token'ı tutan bir sunucu, modelin her hatasını bir admin hatasına dönüştürür.
Yazma işlemleri: silme, ödeme veya e-posta gönderme işlemleri, klasik bir human-in-the-loop kontrolü olarak onay gerektirmelidir.
En az yetki ilkesine göre token'lar, varsayılan olarak salt okunur araçlar, güvenilir kaynaklardan gelen sunucular ve her araç çağrısının loglanmasını kullanın.
MCP'nin bir API'den veya function calling'den farkı nedir?
API, bir sistemin fonksiyonlarını koda sunma biçimidir; function calling, bir modelin bir fonksiyonu kullanmayı talep etme biçimidir; MCP ise bu fonksiyonların yapay zekâ uygulamaları genelinde nasıl paketleneceğini, keşfedileceğini ve bağlanacağını standartlaştırır. MCP sunucuları genellikle mevcut API'lerin yerini almak yerine onları sarmalar.
Düz function calling'de her uygulama kendi araç listesini ve her API entegrasyonu için bağlantı kodunu sabit olarak kodlar. MCP'de ise aynı sunucu uyumlu her host'ta çalışır.
MCP, retrieval-augmented generation (RAG) ile rekabet etmek yerine onu tamamlar: bir erişim (retrieval) sistemi de bir MCP aracı olarak sunulabilir. Anthropic'in yanı sıra OpenAI, Google ve Microsoft da ajan araçlarına MCP desteği ekledi.
MCP ve doğrudan function calling
MCP | Doğrudan function calling | |
|---|---|---|
Araçların tanımlandığı yer | Yeniden kullanılabilir sunucularda | Her uygulamanın kendi kodunda |
Keşif | Host, sunucu araçlarını çalışma zamanında listeler | Sabit kodlanmış araç listesi |
Yapay zekâ uygulamaları arasında yeniden kullanım | Uyumlu her host | Her uygulama için yeniden geliştirme |
Taşıma katmanı | stdio veya Streamable HTTP üzerinden JSON-RPC | Sağlayıcıya özgü API formatı |
En uygun olduğu durum | Uygulamalar ve ekipler arasında paylaşılan çok sayıda araç | Birkaç sabit aracı olan tek bir uygulama |
VIZIO AI MCP'ye nasıl yaklaşıyor?
VIZIO AI'ın yayımlanmış vaka çalışmaları MCP'den bahsetmiyor; dolayısıyla atıf yapılabilecek bir MCP projesi yok. Dürüstçe söylenebilecek en yakın örtüşme, dil modellerini yapılandırılmış iş verilerine bağlamaktır. Auli AI için Venture Studio, çoklu ajan sisteminin fiyatlandırma, stok ve kârlılığa ilişkin yapılandırılmış satıcı verilerini analiz etmek için büyük dil modellerini kullandığı, e-ticaret mağaza sahiplerine yönelik bir yapay zekâ SaaS platformu geliştirdi.
MCP'nin standartlaştırdığı problem de tam olarak budur: modellere ihtiyaç duydukları verilere ve araçlara güvenilir, kapsamı belirlenmiş erişim sağlamak. MVP şimdiden 1.000'den fazla kullanıcı tarafından kullanılıyor. Bugün benzer bir geliştirme, her veri kaynağını bir MCP sunucusu olarak sunardı; böylece yeni agentic iş akışları onu yeniden kullanabilirdi.
Nereden başlamalı: ekibinizin her gün sorguladığı dahili bir sistem seçin ve herhangi bir yazma işlemi eklemeden önce o sistemden iki salt okunur araç sunun.