Model Context Protocol başka bir deyişle Model Bağlam Protokolü (MCP), son zamanlarda oldukça popüler. Linkedin’de sürekli konuşuluyor. Peki tam olarak ne işe yarıyor? 

LLM'ler kendi başlarına neredeyse hiçbir işe yaramazlar. Mesela ChatGPT’ye "Bana bir e-posta gönder" dersen, gönderemez. Sadece cevap yazar çünkü LLM'ler yalnızca bir sonraki kelimeyi tahmin eder. 

Developer’lar zamanla LLM’leri dış servisleri bağlamaya başladı. Örneğin, internette arama yapabilen bir LLM , E-posta alıp bunu bir tabloya yazan bir sistem… fakat sorun şu: LLM’e birden fazla aracı bağlamak zahmetli ve hata yapmaya çok açık bir durum. 

İşte MCP burada devreye giriyor. MCP’yi şöyle hayal edelim:

• Her araç farklı bir dil konuşuyor (İngilizce, İspanyolca, Japonca vs.).
• MCP, bu farklı dilleri LLM’in anlayacağı tek bir dile çeviriyor.

Yani Model Context Protocol (MCP), yapay zeka modellerinin ihtiyaç duydukları ek bilgileri sağlıyor ve bu modellerin başka uygulamalar üzerinde gerçek eylemler gerçekleştirebilmesini mümkün kılıyor. Böylece LLM’ler

• Veri tabanına kayıt ekleyebiliyor,
• Slack’ten mesaj okuyabiliyor,
• Google Calendar’a toplantı girebiliyor.

Bu yazıda bu tanımla kalmayıp, MCP’yi biraz daha derinlemesine ele alacağız. Şimdi MCP nedir, nasıl çalışır ve neden önemlidir birlikte inceleyelim.

Model Bağlam Protokolü (MCP) Nedir?

Model Bağlam Protokolü (MCP), Anthropic tarafından yapay zeka modelleri ile harici veri kaynakları arasında entegrasyon sağlamak için geliştirmiş açık bir standarttır.

Ana amacı, büyük dil modellerinin (LLM'ler) API'ler, veri tabanları ve iş uygulamalarıyla etkileşime girmesini sağlamaktır. (Küçük bir not bırakalım: LLM’ler hakkında daha detaylı bir okuma yapmak için bu yazımızı ziyaret edebilirsin.) 

MCP, yapay zeka araçlarına hem anlama hem de harekete geçme gücü vererek, daha kullanışlı, anlamlı ve proaktif yapay zeka deneyimleri sunar.

Bir restoranda müdürü adına rezervasyon yapması gereken bir asistanı düşün. Bu asistan, restoranı arayıp uygun saatleri soracak ve bir masa ayırtacak. MCP tam olarak bu noktada devreye giriyor: Yapay zekâ asistanlarının görevlerini yerine getirebilmesi için ihtiyaç duydukları bilgilere (örneğin restoranın telefon numarası gibi) ulaşmalarını sağlayan bir sistem. Yani MCP, yapay zekâya “restoranı arayabilmen için işte numarası” demenin bir yolu.

Anthropic’ten bahsetmişken, Anthropic 2021 yılında kurulan bir yapay zeka araştırma ve geliştirme şirketidir. Aslında Anthropic’i MCP’yi geliştiren ve sunan şirket olarak da tanımlamak doğru olur. 

Başlangıçta Claude'un harici sistemlerle etkileşim kurma yeteneğini geliştirmek için geliştirilen Anthropic, sektör genelinde benimsenmesini teşvik etmek amacıyla 2024 başlarında MCP'yi açık kaynaklı hale getirmeye karar verdi. 

MCP’yi herkesin kullanabileceği açık bir standart haline getirerek yapay zekaların diğer uygulamalarla konuşma şeklini standartlaştırmayı, her şirketin kendi kapalı sistemlerinde özel entegrasyonlara olan bağımlılığı azaltmayı ve farklı yapay zeka uygulamalarının birbirleriyle uyumlu ve birlikte çalışabilir olmasını sağlamayı amaçladılar.

Bu adım sonrasında, MCP ile geliştirilen bazı heyecan verici uygulamalar ortaya çıkmaya başladı. Örneğin, Blender-MCP. Blender-MCP, Claude'un Blender ile doğrudan etkileşim kurmasına ve onu kontrol etmesine olanak tanıyarak, anında destekli 3B modelleme, sahne oluşturma ve düzenleme olanağı sağlıyor.

MCP’nin 2024 sonlarında açık kaynaklı hale gelmesinden bu yana, hızla bir endüstri standardı haline gelmiş ve yapay zeka agent’larının daha yaygın kullanılmasını sağlamıştır. 

AI Agents Nedir?
AI agents, büyük dil modelleri (LLM) üzerine kurulu yapay zeka programlarıdır. Bu agent’lar, LLM’lerin bilgi işleme yeteneklerini kullanarak veri toplar, kararlar alır ve insanlar adına eylemler gerçekleştirir. MCP ise bu agent’ları LLM’in eğitim verisinin ötesindeki “dış dünya” ile buluşturan bir köprü görevi görür. 

MCP Nasıl Çalışır?

Yukarıdaki bölümde MCP’nin ne olduğundan bahsettik. Developer’ların yapay zeka araçları ile harici veri kaynakları, uygulamalar ve diğer hizmetler arasında güvenli bir bağlantı oluşturmasına yardımcı olduğuna da değindik.

Gelelim MCP’nin nasıl çalıştığına.

MCP istemcileri, MCP ana bilgisayarları (host) içinde çalışır. Her istemci, belirli bir MCP sunucusuna bağlanır. ➿

Aynı ana bilgisayar birden fazla istemciyi çalıştırabileceği için, aynı anda birden çok sunucudan veri alınabilir. MCP sunucuları da dış sistemlerden bilgi almak için API'leri kullanır.

Yani bir yapay zeka agent’ı, aynı anda birden fazla sunucuyla bağlantı kurabilir. Ancak bu bağlantılar birbirinden bağımsızdır. 

Peki bu sistem tam olarak hangi parçalardan oluşuyor? MCP, yapay zeka modellerini harici kaynaklarla bağlamak için istemci–sunucu mimarisini takip eder. Bu yapıda üç ana bileşen vardır:

• MCP Host: Birden fazla MCP sunucusuna bağlanan kullanıcıya yönelik AI arayüzü. (Örneğin Claude masaüstü uygulaması, bir IDE eklentisi ya da özel bir LLM tabanlı uygulama) 
• MCP İstemcisi: Sunucu başına bir istemci ile ana bilgisayar ve sunucular arasında güvenli bağlantıları yöneten aracı.
• MCP Sunucusu: Sunucuyu, genellikle modelin dışında çalışan bir program olarak düşünebiliriz. Google Drive, Slack, GitHub, veri tabanları ve web tarayıcıları gibi çeşitli veri kaynaklarına bağlanan belirli yetenekler sağlayan harici program.

 

MCP’nin Ne İşe Yarar? Kullanım Alanları Nelerdir?

Aşağıdaki örnekler bize MCP’nin ne kadar dönüştürücü olabileceğini gösteriyor.

1. Kurumsal Veri Asistanları

MCP’nin en güçlü olduğu alanlardan biri, kurumsal bilgiye erişim sağlayan AI asistanları. Bu asistanlar, şirket verilerine, belgelere ve servislere güvenli şekilde erişerek soruları yanıtlayabilir veya görevleri otomatikleştirebilir.
Bir örnekle daha net hale getirelim. Bir şirket chatbot’u, aynı konuşma içinde bir çalışanın İK kayıtlarını veri tabanından çekebilir, proje yönetim aracından proje bilgilerini alabilir ve Slack’te bir güncelleme paylaşabilir. Bu işlemlerin tümü MCP üzerinden standart biçimde gerçekleşir.
 

2. Yazılım Geliştirme ve Kodlama Agent’ları

MCP, yazılım geliştirme araçları içinde de hızla benimseniyor. GitHub Copilot, Replit AI ve Cody gibi kodlama asistanları, kod bağlamını çekmek ve dokümantasyona erişmek gibi konularda oldukça faydalı.
Bir IDE’ye MCP entegre edildiğinde, AI projedeki ilgili dosyaları okuyabilir, build/test komutları çalıştırabilir veya sürüm geçmişinde arama yapabilir. Bu sayede, önerilen kodlar daha doğru ve projenin bağlamına daha uygun olur.
 

3. Kişisel Üretkenlik ve Agent’lar

MCP, kişisel AI agent’larının farklı uygulamalar arasında görev yürütmesini de mümkün kılar. Örneğin bir sanal asistan düşün: E-postanı okuyacak, takvime etkinlik ekleyecek, yapılacaklar listeni güncelleyecek ve akıllı cihazlarını kontrol edecek. 
Normalde bu görevler için farklı entegrasyonlar gerekir. Ancak MCP ile Gmail, Google Calendar, görev yöneticileri gibi uygulamalar için ayrı sunucular oluşturularak, tek bir AI agent’ın hepsini koordine etmesi sağlanabilir.

4. Veri Analiz Araçları

MCP yalnızca metinle sınırlı değil, tablo, grafik ve veri analizleriyle de entegre edilebilir. Örneğin bir MCP sunucusu, bir tablodan veya analiz API’sine bağlanarak, AI’dan gelen veri sorularına doğrudan grafik veya istatistikle cevap verebilir. Bu sayede AI, finans, sağlık ve eğitim gibi birçok alanda daha etkin hale gelebilir.

 

MCP ve API'ler Arasındaki Farkları Nelerdir?

Birçok MCP sunucusu, verileri ve eylemleri ortaya çıkarmak için perde arkasında API'ler kullanır.

MCP VE API’ler arasındaki fark, MCP'nin yapay zeka asistanlarının tüm API'ler için tek bir komut seti kullanmasına olanak tanıyarak entegrasyonu büyük ölçüde kolaylaştırmasıdır. 

API'lerle çalışmak için özel kod yazmak gerekirken, MCP ile developer aynı sonuçları yalnızca MCP sunucusunu içe aktararak elde edebilir. Ayrıca MCP sunucuları arasında geçiş yapmak kolaydır, ancak API'ler arasında geçiş yapmak tamamen yeni bir kod seti yazmayı gerektirir.