Model Context Protocol (MCP) Nedir?
Kopyala-yapıştır yapmadan yapay zeka modellerini veritabanınıza ve yerel dosyalarınıza bağlayan yeni standardı (MCP) keşfedin.
İçindekiler
Model Context Protocol (MCP), yapay zekâ modellerinin şirket içi veritabanlarına, dosya sistemlerine ve API'lere güvenli ve standart bir protokolle bağlanmasını sağlayan açık bir endüstri standardıdır. MCP sayesinde geliştiriciler her yapay zekâ entegrasyonu için ayrı ara yüz yazmak yerine, modelin ihtiyaç duyduğu bağlama (context) tek bir standart protokol üzerinden ve izin sınırları dahilinde erişmesini sağlar. Kısaca MCP, yapay zekâ ile veri kaynakları arasındaki bağlantıyı standartlaştıran ortak bir dildir; her araç için sıfırdan köprü yazma zorunluluğunu ortadan kaldırır.
Model Context Protocol (MCP) Nedir?
MCP, yapay zekâ istemcileri (clients) ile veri kaynakları (servers) arasında köprü kuran açık bir iletişim protokolüdür. Yapay zekâ modelinin hangi dosyalara erişebileceğini, hangi sorguları çalıştırabileceğini ve hangi araçları kullanabileceğini bu protokol üzerinden tanımlar ve sınırlarsınız. Temel fikir basittir: her yeni entegrasyon için özel kod yazmak yerine, ortak bir standart üzerinden konuşmak.
Bu standardın önemi, entegrasyon karmaşıklığını çözmesindedir. MCP öncesinde her yapay zekâ aracını her veri kaynağına bağlamak ayrı bir geliştirme işiydi; on araç ile on veri kaynağı yüzlerce özel köprü demekti. MCP ile bir veri kaynağı için yazılan sunucu, protokolü konuşan tüm yapay zekâ istemcileriyle çalışır. Bu, entegrasyon maliyetini çarpımsal olmaktan çıkarıp toplamsal hale getirir.
MCP Mimarisi Nasıl Çalışır: İstemci, Sunucu ve Araçlar
MCP mimarisi üç temel bileşenden oluşur: istemci (client), sunucu (server) ve bunların paylaştığı yetenekler. İstemci, yapay zekâ modelini barındıran uygulamadır. Sunucu, belirli bir veri kaynağını veya sistemi yapay zekâya açan köprüdür. Araçlar (tools) ise sunucunun yapay zekâya sunduğu yeteneklerdir; örneğin bir veritabanı sorgusu çalıştırma, bir dosya okuma veya bir API çağrısı yapma.
İşleyiş şöyledir: yapay zekâ bir göreve başladığında, bağlı olduğu MCP sunucularının sunduğu araçları görür. İhtiyaç duyduğunda ilgili aracı çağırır, sunucu bu çağrıyı güvenli biçimde yürütür ve sonucu modele döndürür. Model bu taze veriyi kullanarak bir sonraki adımına karar verir. Böylece yapay zekâ statik bir metin üreticisi olmaktan çıkıp, canlı sistemlerle etkileşen bir aktöre dönüşür.
MCP ile Klasik RAG Mimarisi Arasındaki Fark Nedir?
MCP ile klasik RAG (Retrieval-Augmented Generation) arasındaki temel fark; RAG'in veriyi önceden vektörleştirip statik olarak saklaması, MCP'nin ise modele canlı ve anlık veri erişimi sunmasıdır. RAG mimarisinde bir doküman kümesi önce parçalara bölünür, vektör veritabanına yazılır ve sorgu anında en benzer parçalar geri getirilir; bu güçlü ama fotoğrafı çekilmiş, güncelliğini yitirebilen bir bilgidir.
MCP ise fotoğraf yerine canlı bağlantı kurar. Model, güncel stok seviyesini, o anki sipariş durumunu veya en son yazılmış kaydı doğrudan kaynağından çeker. Bu iki yaklaşım rakip değil, tamamlayıcıdır: geniş ve statik bilgi tabanları (kılavuzlar, geçmiş dokümanlar) için RAG uygun kalırken; canlı, işlemsel ve sürekli değişen veriler (sipariş, stok, takvim, güncel kayıt) için MCP çok daha doğru sonuç verir. Olgun bir sistem çoğu zaman ikisini birlikte kullanır.
MCP Sunucusu Kurulumu İçin Adım Adım Yol Haritası
Bir MCP entegrasyonunu kurumsal ortamda kurmak için izlenen tipik yol haritası dört adımdan oluşur. Bu adımlar, teknik detaydan bağımsız olarak her MCP kurulumunun ortak iskeletini oluşturur.
Adım 1: Kaynağı ve kapsamı belirleyin. Yapay zekânın hangi veri kaynağına erişeceğini ve bu erişimin sınırlarını netleştirin. Örneğin yalnızca okuma mı, yoksa yazma yetkisi de mi verilecek; hangi tablolar veya klasörler kapsama dahil. Kapsamı en dar tutmak güvenliğin ilk kuralıdır.
Adım 2: Sunucuyu seçin veya yazın. Yaygın sistemler (dosya sistemi, ilişkisel veritabanları, popüler SaaS araçları) için hazır MCP sunucuları mevcuttur; özel bir iç sistem için ise protokole uygun küçük bir sunucu yazılır. Sunucu, kaynağın yeteneklerini araç (tool) olarak tanımlar.
Adım 3: İstemciye bağlayın ve izinleri tanımlayın. Sunucu, yapay zekâ istemcisine tanıtılır ve hangi araçların hangi koşullarda çağrılabileceği tanımlanır. Hassas işlemler için insan onayı (Human-in-the-Loop) kapısı bu aşamada kurulur.
Adım 4: Test edin ve izleyin. Sistem yayına alınmadan önce karşıt senaryolarla test edilir: yapay zekânın yetkisiz bir veriye ulaşmaya çalışıp çalışmadığı, hatalı çağrılarda sistemin nasıl davrandığı denetlenir. Yayın sonrası her araç çağrısı loglanır ve izlenir.
MCP Kurumsal Kullanım Senaryoları Nelerdir?
MCP'nin değeri en çok, yapay zekânın canlı kurumsal veriyle çalışması gereken senaryolarda ortaya çıkar. Öne çıkan kullanım alanları şunlardır:
- Canlı operasyon asistanı: Yapay zekâ, güncel stok, sipariş ve sevkiyat verisine anlık erişerek "şu ürün ne zaman biter, hangi siparişler gecikti" gibi sorulara gerçek zamanlı yanıt verir.
- İç bilgi ve doküman erişimi: Model, kurum içi dosya sistemine bağlanarak politikaları, kılavuzları ve kayıtları doğrudan okur; çalışanların aradığı bilgiyi kaynağından getirir.
- Yazılım geliştirme otomasyonu: Yapay zekâ kod tabanını okur, testleri çalıştırır ve sonucu görerek düzeltme önerir; geliştirme döngüsünü hızlandırır.
- Raporlama ve analiz: Model, veritabanına canlı sorgu çalıştırarak güncel rakamlarla özet ve rapor üretir; statik bir ihracın beklenmesini gerektirmez.
MCP Entegrasyonunda Güvenlik ve İzin Yönetimi
MCP güçlü olduğu kadar dikkatli kurulması gereken bir yetkidir; çünkü yapay zekâya canlı sistemlere erişim vermek, o erişimin sınırlarını net çizmeyi zorunlu kılar. Güvenliğin temeli en az yetki ilkesidir: model yalnızca görevi için gereken araçlara, yalnızca gereken kapsamda erişmelidir. Genel bir "her şeye erişim" yetkisi asla verilmez.
İkinci savunma katmanı insan onayıdır. Geri alınamaz veya dışa dönük işlemler (veri silme, dışarıya mesaj gönderme, kalıcı değişiklik) yapay zekâ tarafından doğrudan yürütülmez; model işlemi hazırlar, insan onaylar. Üçüncü katman ise şeffaflıktır: her araç çağrısı loglanır, böylece yapay zekânın ne zaman neye eriştiği denetlenebilir. Son olarak, dış kaynaklı içerik (okunan dosya, çekilen kayıt) model için veridir, komut değildir; içeriğe gömülü "şunu sil, şu yetkiyi ver" gibi talimatlar uygulanmaz. Bu dört ilke birlikte, MCP'nin gücünü kontrollü ve güvenli biçimde kullanmayı sağlar.
Akademik ve Teknik Referanslar (Citations)
- Anthropic Model Context Protocol Resmi Dokümantasyonu: Model Context Protocol Specification
- Geoffrey Litt "Butler's Book" Makalesi: The Butler's Book Design Pattern
- Claude Developer Platformu MCP Sunucuları Dizin Listesi: Official MCP Servers Directory
Uçtan Uca Örnek: Bir Araç Çağrısının Anatomisi
MCP'yi soyut bir standart olmaktan çıkaran şey, mesajlarının tek tek tanımlı olmasıdır. Tek bir aracın keşfedilip çağrılmasını baştan sona izleyelim; aşağıdaki akış, protokolün güncel revizyonunda (2025-11-25) yer alan örneğin adım adım karşılığıdır.
| Adım | Mesaj | Taşıdığı içerik |
|---|---|---|
| 1. Keşif | tools/list | İstemci sunucudan araç listesini ister. Liste sayfalanabilir: yanıt bir sonraki sayfa için imleç döndürebilir. |
| 2. Tanım | Araç kaydı | Her araç bir ad, görünen başlık, açıklama ve girdi şeması taşır. Girdi şeması JSON Schema'dır ve geçerli bir nesne olmak zorundadır; parametresiz araçlarda bile boş bırakılamaz. |
| 3. Çağrı | tools/call | İstemci aracın adını ve argümanlarını gönderir. Spesifikasyonun örneğinde araç get_weather, argüman ise konum bilgisidir. |
| 4. Sonuç | İçerik dizisi | Yanıt metin, görsel, ses, kaynak bağlantısı veya gömülü kaynak taşıyabilir. Şemalı araçlarda ayrıca yapılandırılmış sonuç alanı döner. |
| 5. Durum | Hata bayrağı | İş mantığı hataları sonucun içinde bayrakla bildirilir; bağlantı kopmaz, model hatayı görüp kendini düzeltebilir. |
| 6. Değişim | Liste değişti bildirimi | Araç listesi değiştiğinde sunucu bildirim yollar, istemci listeyi tazeler. Böylece yetenek kümesi çalışma anında güncellenir. |
Bu altı adımın kurumsal karşılığı şudur: bir stok sorgusu aracı tanımladığınızda, modele SQL yazma yetkisi vermezsiniz; ona tek bir sorguyu, tanımlı parametrelerle çalıştırma yetkisi verirsiniz. Girdi şeması sözleşmedir, çıktı şeması ise doğrulanabilirliktir. Bu ayrım, MCP'yi genel bir veritabanı erişiminden ayıran güvenlik sınırıdır. Aynı sınırı ajan tarafında nasıl kurduğumuzu otonom ajanlarda insan onayı yazısında ayrıntılı anlatıyorum.
Ölçüm ve Veri: MCP Kurulumu Neye Göre Değerlendirilir?
Protokol, sürüm pazarlığını tarih biçiminde bir kimlikle yapar: revizyon adı YYYY-AA-GG kalıbındadır ve geriye dönük uyumu bozan son değişikliğin tarihini gösterir. İstemci ile sunucu başlatma anında ortak bir sürümde anlaşmak zorundadır; anlaşma sağlanamazsa bağlantı düzgün biçimde sonlandırılır. Pratik sonucu şudur: kurulumunuzun hangi revizyonu konuştuğu bir yapılandırma detayı değil, uyumluluk taahhüdüdür.
Bir MCP kurulumunu değerlendirirken uydurma bir başarı yüzdesi aramak yerine, şu beş büyüklüğü kendi kurulumunuzda ölçün:
- Araç yüzeyi: modele açılan araç sayısı ve her birinin yetki kapsamı. Yüzey büyüdükçe hem hata olasılığı hem saldırı alanı büyür.
- Şema uyumu: çıktı şeması tanımlı araçlarda, dönen yapılandırılmış sonucun şemayı ihlal etme oranı. Spesifikasyon sunucudan şemaya uyan sonuç üretmesini zorunlu tutar, istemciden ise doğrulamasını bekler.
- Hata bayrağı oranı: iş mantığı hatasıyla dönen çağrıların payı. Yükseliyorsa sorun genelde modelde değil, araç tanımının belirsizliğindedir.
- Protokol hatası oranı: bilinmeyen araç veya bozuk istek gibi yapısal hatalar. Bu sayı sıfıra yakın olmalıdır; değilse istemci tarafı yanlış kurulmuştur.
- Onay gerektiren çağrı payı: hassas işlem sınıfına giren çağrıların oranı ve bunların insan onayından geçme yüzdesi.
Bu ölçümlerin ortak amacı, MCP'yi bir demo olmaktan çıkarıp izlenebilir bir üretim bileşeni hâline getirmektir. Aynı veri disiplinini iş akışı otomasyonunun tamamına yaydığımız kurulum örneği için yapay zekâ ve iş akışı otomasyonu sayfasına bakabilirsiniz.
Hata Desenleri: MCP Kurulumunda En Sık Yapılanlar
İş hatasını protokol hatası sanmak. Spesifikasyon iki hata yolunu bilinçli olarak ayırır. Bilinmeyen araç adı veya şemaya uymayan istek gibi durumlar protokol hatasıdır. Geçersiz tarih, aralık dışı değer veya iş kuralı ihlali ise sonucun içinde hata bayrağıyla döner ve modele geri verilir; çünkü model bu geri bildirimle parametresini düzeltip yeniden deneyebilir. İş hatalarını protokol hatasına çevirmek, modelin kendini onarma yeteneğini kapatır.
Araç açıklamalarına güvenmek. Standart açık uyarı taşır: istemciler, güvenilir bir sunucudan gelmedikçe araç ek bilgilerini (annotations) güvenilmez saymak zorundadır. Yani bir aracın kendi tanımında zararsız görünmesi, zararsız olduğunu kanıtlamaz. Üçüncü taraf bir sunucuyu bağlarken yetkiyi açıklamaya değil, kendi kapsam tanımınıza göre verin.
Girdi doğrulamasını sunucu dışına bırakmak. Spesifikasyonun güvenlik bölümü sunucular için üç zorunluluk sayar: tüm araç girdilerini doğrula, erişim denetimi uygula ve çağrıları hız sınırına bağla. Doğrulamayı yalnızca model tarafında beklemek, ilk hatalı çağrıda veritabanını savunmasız bırakır.
Hassas işlemi onaysız bırakmak. Aynı bölüm istemcilere hassas işlemlerde kullanıcı onayı istemeyi ve araç girdilerini sunucuya gönderilmeden önce kullanıcıya göstermeyi önerir; ikincisi kazara veya kötü niyetli veri sızıntısını engellemek içindir. Zaman aşımı tanımlamak ve her çağrıyı denetim için kaydetmek de aynı listededir.
RAG ile MCP'yi rakip görmek. Statik bilgi tabanı ile canlı işlemsel veri farklı sorunlardır; kurumsal kurulumların çoğu ikisini birlikte kullanır. Vektör tarafındaki tasarım kararları için RAG mimarisi ve kurumsal bilgi bankaları yazısı tamamlayıcıdır.
📋 Kurumsal Sistem Prompt Şablonu (XML Kurgulu)
Claude 3.7 ve GPT-4o ile tam uyumlu, halüsinasyonu engelleyen deterministik JSON çıktı şablonu:
<system_instructions>
<role>Sen kıdemli bir kurumsal veri ve otomasyon mimarisisin.</role>
<rules>
1. Yalnızca verilen bağlama sadık kal, eksik verileri null ata.
2. Yanıtı saf JSON şemasında döndür.
</rules>
<output_schema>{ "intent": "sales | support", "status": "verified" }</output_schema>
</system_instructions>Sıkça Sorulan Sorular
Model Context Protocol (MCP) nedir?
MCP, yapay zekâ modellerinin veritabanlarına, dosya sistemlerine ve API'lere standart ve güvenli bir protokolle bağlanmasını sağlayan açık bir endüstri standardıdır. Her entegrasyon için ayrı köprü yazma zorunluluğunu ortadan kaldırır; bir kaynak için yazılan MCP sunucusu, protokolü konuşan tüm yapay zekâ istemcileriyle çalışır.
MCP ile RAG arasındaki fark nedir?
RAG veriyi önceden vektörleştirip statik olarak saklar ve sorgu anında en benzer parçaları getirir; MCP ise modele canlı veri kaynağına anlık erişim sunar. Geniş ve durağan bilgi tabanları için RAG, sürekli değişen işlemsel veriler için MCP uygundur; olgun sistemler çoğu zaman ikisini birlikte kullanır.
MCP entegrasyonu güvenli midir?
Doğru kurulduğunda güvenlidir. Güvenlik en az yetki ilkesine, geri alınamaz işlemlerde insan onayına, her araç çağrısının loglanmasına ve dış içeriğin komut değil veri sayılmasına dayanır. Yapay zekâya genel bir tam erişim yetkisi verilmez; erişim görev kapsamıyla sınırlanır.
MCP sunucusu kurmak için ne gerekir?
Dört adım yeterlidir: erişilecek kaynağı ve kapsamı belirlemek, hazır bir sunucu seçmek veya protokole uygun küçük bir sunucu yazmak, istemciye bağlayıp izinleri tanımlamak, ve yayından önce karşıt senaryolarla test edip her çağrıyı izlemek. Yaygın sistemler için hazır MCP sunucuları mevcuttur.
MCP'nin güncel sürümü hangisi?
Protokolün güncel revizyonu 2025-11-25'tir. MCP sürüm kimlikleri YYYY-AA-GG biçimindedir ve geriye dönük uyumu bozan son değişikliğin tarihini gösterir; uyumlu iyileştirmeler sürüm numarasını değiştirmez. İstemci ile sunucu, oturum başlatılırken tek bir ortak sürümde anlaşmak zorundadır.
MCP'de araç hatası ile protokol hatası arasındaki fark nedir?
Bilinmeyen araç adı veya şemaya uymayan istek protokol hatasıdır ve JSON-RPC hatası olarak döner. Geçersiz tarih ya da iş kuralı ihlali gibi yürütme hataları ise sonucun içinde hata bayrağıyla bildirilir ve modele geri verilir; böylece model parametresini düzeltip yeniden deneyebilir.
