Model Context Protocol (MCP) ve AI Tool Entegrasyon Rehberi [2026]

Model Context Protocol (MCP) Nedir?

Buyuk dil modelleri (LLM) giderek daha yetenekli hale geldikce, bu modellerin dis sistemlerle etkilesim kurma ihtiyaci da artiyor. E-posta gondermek, veritabani sorgulamak, dosya okumak veya API cagirmak gibi islemler icin modellerin araclarla (tools) iletisim kurmasi gerekiyor. Ancak her arac saglayicisinin farkli entegrasyon formati sunmasi, ekosistemde ciddi bir parcalanmaya yol aciyordu.

Model Context Protocol (MCP), Anthropic tarafindan gelistirilen ve LLM'lerin araclar, veri kaynaklari ve prompt sablonlariyla iletisim kurmasi icin standartlastirilmis bir acik protokoldur. USB-C'nin farkli cihazlari tek bir standart uzerinden baglamasi gibi, MCP de AI modellerini cesitli dis sistemlere tek bir protokol uzerinden baglar. Bu standartlasma, arac gelistiricilerinin tek bir entegrasyon yazarak tum MCP destekleyen uygulamalarla uyumlu olmasini saglar.

MCP'nin ortaya cikis motivasyonu basittir: her AI uygulamasinin her dis sistem icin ozel entegrasyon kodu yazmasi olceklenmez. N adet uygulama ve M adet dis sistem oldugunda N x M entegrasyon yerine, MCP ile N + M entegrasyon yeterli hale gelir.

MCP Mimarisi

MCP mimarisi dort temel bilesenden olusur ve istemci-sunucu modelini takip eder.

Host

Host, kullanicinin etkilesimde bulundugu uygulamadir. Claude Desktop, bir IDE eklentisi veya ozel bir AI uygulamasi host gorevini ustlenebilir. Host, bir veya daha fazla MCP istemcisi olusturur ve yonetir. Kullanici izinlerini kontrol etmek ve guvenlik politikalarini uygulamak da host'un sorumlulugundadir.

Client (Istemci)

Her MCP istemcisi tek bir MCP sunucusuyla bire bir iliski kurar. Istemci, protokol versiyonu muzakeresi, yetenek kesfi (capability discovery) ve mesaj yonlendirmesini yonetir. Host icerisinde birden fazla istemci ayni anda farkli sunucularla iletisim kurabilir. Istemci ayrica sunucudan gelen bildirilmeri (notifications) dinler ve uygun sekilde host'a iletir.

Server (Sunucu)

MCP sunucusu, belirli yetenekleri standart MCP protokolu uzerinden sunan hafif bir uygulamadir. Sunucu uc temel ilkel (primitive) sunar:

• Resources (Kaynaklar): Modelin okuyabilecegi yapilandirilmis veriler. Dosya icerikleri, veritabani kayitlari veya API yanitlari kaynak olarak sunulabilir. Kaynaklar URI semalariyla adreslenir ve modelin veri okumasi icin standart bir arayuz saglar.
• Tools (Araclar): Modelin calistirabilecegi fonksiyonlar. Veritabanina sorgu gondermek, e-posta atmak veya hesaplama yapmak gibi islemler arac olarak tanimlanir. Her arac JSON Schema ile tanimlanmis parametrelere sahiptir.
• Prompts (Prompt Sablonlari): Onceden tanimlanmis prompt sablonlari. Belirli gorevler icin optimize edilmis prompt yapilari sunulabilir. Kullanici veya uygulama bu sablonlari parametrelerle doldurarak kullanir.

Transport (Tasinim)

MCP iki temel tasinim mekanizmasi destekler:

• stdio: Sunucu, istemciyle ayni makinede calisir ve standart girdi/cikti uzerinden iletisim kurar. Yerel gelistirme ve masaustu uygulamalari icin idealdir. Kurulumu basittir ve ek ag yapilandirmasi gerektirmez.
• HTTP/SSE (Server-Sent Events): Sunucu uzak bir makinede calisir ve HTTP uzerinden iletisim kurar. Uzak erisim ve bulut tabanli dagitimlar icin uygundur. Sunucudan istemciye gercek zamanli bildirimler SSE uzerinden iletilir.

MCP ile Basit Function Calling Arasindaki Farklar

OpenAI'nin function calling mekanizmasi ve benzeri yaklasimlar, modele kullanabilecegi fonksiyonlari tanimlar ve model uygun parametrelerle fonksiyon cagirisi uretir. Bu yaklasim etkili olmakla birlikte bazi kisitlamalara sahiptir.

MCP'nin function calling'den temel farklari sunlardir:

• Standartlasma: MCP, saglayicidan bagimsiz bir acik protokoldur. Ayni MCP sunucusu farkli LLM'ler ve uygulamalarla calisabilir. Arac gelistiricisi tek bir entegrasyon yazar ve tum MCP uyumlu sistemlerde calisir.
• Dinamik kesif: Araclar calisma zamaninda kesfedilebilir; onceden tanimlanmalari gerekmez. Yeni bir MCP sunucusu baglandiginda yetenekleri otomatik olarak kullanilabilir hale gelir. Bu, statik fonksiyon tanimlarindan cok daha esnektir.
• Cift yonlu iletisim: MCP sunucusu modelden bilgi isteyebilir veya kullaniciya onay sorgusu gonderebilir. Bu, function calling'in tek yonlu yapisina kiyasla daha zengin etkilesim saglar. Ornegin bir dosya silme islemi oncesinde kullanicidan onay alinabilir.
• Kaynak yonetimi: MCP, araclar disinda kaynak (resource) ve prompt sablonu kavramlarini da icerir. Bu, modelin veri okumasi ve gorev baglami olusturmasi icin daha kapsamli bir cerceve sunar.
• Yasam dongusu yonetimi: Baglanti kurma, yetenek muzakeresi ve oturum yonetimi protokolun parcasidir. Versiyon uyumlulugu ve yetenek gorusmeleri otomatik olarak yurutulur.

MCP Sunucusu Gelistirme

MCP sunucusu gelistirmek, standart SDK'lar sayesinde oldukca basittir. Python ve TypeScript icin resmi SDK'lar mevcuttur. Ayrica Kotlin, Go, Rust ve C# icin topluluk tarafindan gelistirilen SDK'lar da bulunmaktadir.

Bir MCP sunucusu gelistirirken uc temel adim izlenir. Ilk olarak sunucu ornegi olusturulur ve metadata tanimlanir. Ardindan sunucunun sunacagi araclar, kaynaklar ve prompt sablonlari tanimlanir. Son olarak tasinim mekanizmasi secilip sunucu baslatilir.

Arac tanimlama sirasinda dikkat edilmesi gereken noktalar sunlardir:

• Her araca aciklayici bir ad ve detayli bir tanim verilmelidir; model bu tanimlari kullanarak dogru araci secer
• Parametre semalari JSON Schema formatinda tanimlanir ve veri tipleri, zorunluluklar ve varsayilan degerler belirtilir
• Arac calistirildiginda dondurulecek sonucun yapisi net olmalidir
• Hata durumlari uygun sekilde ele alinmali ve anlamli hata mesajlari dondurulmelidir
• Arac tanimlari mumkun oldugunca spesifik olmalidir; genel tanimlar modelin yanlis arac secmesine neden olabilir

Mevcut MCP Sunucu Ekosistemi

MCP'nin hizla buyuyen bir ekosistemi vardir. Acik kaynak topluluk tarafindan gelistirilen ve yaygin kullanilan MCP sunuculari sunlardir:

• Filesystem: Yerel dosya sistemi uzerinde okuma, yazma ve dizin listeleme islemleri
• Database: PostgreSQL, MySQL, SQLite gibi veritabanlarina sorgu gonderme ve sema inceleme
• GitHub: Repository yonetimi, issue olusturma, pull request inceleme ve kod arama
• Slack: Kanal okuma, mesaj gonderme ve kanal arama
• Web Search: Brave Search, Google ve diger arama motorlariyla web arama
• Browser: Puppeteer veya Playwright ile web sayfalarini tasima ve etkilesim kurma
• Memory: Kalici bellek yonetimi ile konusmalar arasi bilgi saklama
• Google Drive: Dokuman okuma, arama ve dosya yonetimi
• Linear/Jira: Proje yonetim araclariyla entegrasyon

Bu sunucular, bir AI asistaninin yeteneklerini hizlica genisletmek icin dogrudan kullanilabilir. MCP sunucu kayit defteri (registry) uzerinden kesfedilebilir ve tek satirlik yapilandirmayla aktive edilebilir.

Kurumsal Sistemler Icin Ozel MCP Sunucusu Gelistirme

Standart MCP sunuculari genel amacli senaryolari karsasa da, kurumsal ortamlar genellikle ozel entegrasyon gerektirir. CRM, ERP, dahili API'lar ve is surec yonetim sistemleri icin ozel MCP sunuculari gelistirmek, AI ajanlarinin kurumsal verilere guvenli ve kontroller bir sekilde erismesini saglar.

Kurumsal MCP sunucusu gelistirirken dikkat edilmesi gereken konular sunlardir:

Yetkilendirme ve Erisim Kontrolu

Kurumsal verilere erisimde en az yetki ilkesi (principle of least privilege) uygulanmalidir. MCP sunucusu, hangi kullanicinin hangi verilere ve araclara erisebildigini kontrol etmelidir. OAuth 2.0 veya kurumsal kimlik saglayicilari (LDAP, Active Directory) ile entegrasyon zorunludur. Rol bazli erisim kontrolu (RBAC) ile farkli kullanici rolleri icin farkli arac ve kaynak kumeleri tanimlanabilir.

Denetim Izleri (Audit Logging)

Modelin hangi araclari ne zaman ve hangi parametrelerle cagirdigini kaydeden kapsamli denetim izleri tutulmalidir. Bu hem guvenlik hem de uyumluluk (compliance) acisinden kritiktir. Her arac cagrisi icin kullanici kimligi, zaman damgasi, girdi parametreleri ve cikti ozeti loglanmalidir.

Veri Maskeleme

Hassas verilerin (TCKN, kredi karti numarasi, saglik bilgileri) model tarafindan gorulmeden once maskelenmesi gerekir. MCP sunucusu, veri siniflandirma politikalarina uygun sekilde filtreleme yapmalidir. Ornegin bir CRM MCP sunucusu, musteri telefon numaralarini kismen maskleyerek modele iletebilir.

MCP Uretim Ortaminda Kullanimi

MCP sunucularini uretim ortamina tasirken dikkat edilmesi gereken operasyonel konular vardir.

Hata Yonetimi

Arac cagrilari basarisiz olabilir; ag kesintileri, API limitleri veya gecici hatalar yaygindirr. Yeniden deneme (retry) mekanizmalari, devre kesici (circuit breaker) desenleri ve anlamli hata mesajlari uygulanmalidir. Model, bir aracin basarisiz oldugunu anladiginda alternatif stratejiler gelistirebilmelidir. Ustssel geri cekilme (exponential backoff) ile yeniden deneme, gecici hatalarda etkili bir yaklasimdir.

Hiz Sinirlandirma (Rate Limiting)

Dis API'lara yapilan cagrilarin hiz sinirlandirmaya tabi tutulmasi gerekir. Bir AI ajaninin dakikada yuzlerce API cagrisi yapmasi hem maliyet hem de guvenlik acisindan risk olusturur. Token bucket veya sliding window algoritmalariyla sinirlandirma uygulanmalidir. Kullanici bazinda ve global duzeyde ayri sinirlar tanimlanabilir.

Izleme ve Metrikler

Her MCP sunucusu icin su metriklerin izlenmesi onerilir:

• Arac cagrisi sayisi ve basari orani
• Ortalama ve p99 yanit suresi
• Hata turleri ve sikliklari
• Kaynak tuketimi (CPU, bellek, ag bant genisligi)
• Esitzel zaman isi (concurrent connections) sayisi

LangChain Tools ve OpenAI Function Calling ile Karsilastirma

MCP, LangChain'in tool abstraction katmani ve OpenAI'nin function calling mekanizmasiyla siklikla karsilastirilir.

LangChain Tools, Python ekosistemine sikica bagli bir arac soyutlama katmanidir. Zengin bir arac kutuphanesi sunar ancak LangChain framework'une bagimlidir. Farkli LLM saglayicilari arasinda tasinabilirlik sinirlidir ve araclar Python fonksiyonlari olarak tanimlanir.

OpenAI Function Calling, OpenAI API'sine ozgu bir mekanizmadir. Islevsel ve basittir ancak yalnizca OpenAI modellerinde calisir ve diger saglayicilarla uyumlu degildir. JSON Schema tabanli fonksiyon tanimlari kullanir.

MCP, saglayicidan bagimsiz bir acik standarttir. Ayni MCP sunucusu Claude, GPT veya acik kaynak modellerle calisabilir. Araclar disinda kaynak ve prompt sablonu kavramlarini da icerir. Ancak ekosistemi daha yenidir ve bazi ileri duzey senaryolarda olgunlasmasi gerekmektedir.

Smart Maple olarak projelerimizde, uzun vadeli esneklik ve saglayici bagimliligini azaltma acisindan MCP'yi tercih ettigimiz senaryolarla karsilasmaktayiz.

Kullanim Alanlari

AI Kodlama Asistanlari

MCP, IDE entegrasyonlarinda kodlama asistanlarinin dosya sistemi, terminal, versiyon kontrol ve build araclarina erismesini saglar. Claude Code gibi araclar, MCP sunuculari araciligiyla gelistirme ortamiyla etkilesim kurar. Dosya okuma, kod yazma, test calistirma ve git islemleri MCP araclari uzerinden gerceklestirilir.

Musteri Destek Ajanlari

CRM, siparis yonetim sistemi ve bilgi bankasi MCP sunuculari ile donatilmis bir AI ajani, musteri sorularini bagimsiz olarak yanitlayabilir. Siparis durumunu sorgulayabilir, iade baslatabilir ve bilgi tabaninda arama yapabilir. Karmasik durumlarda insan temsilciye devir (handoff) mekanizmasi da MCP uzerinden tanimlanabilir.

Veri Analiz Ajanlari

Veritabani, dosya sistemi ve gorsellestirme araci MCP sunuculari ile donatilmis bir ajan, dogal dil sorgulariyla veri analizi yapabilir. SQL sorgulari olusturabilir, sonuclari grafiklere donusturebilir ve raporlar uretebilir. Kullanicinin teknik bilgi seviyesinden bagimsiz olarak veri erisimi saglanir.

Kurumsal Otomasyon

ERP, ITSM ve is surec yonetim sistemi MCP sunuculari ile donatilmis ajanlar, tekrarlayan is sureclerini otomatize edebilir. Fatura onay surecleri, destek bileti yonlendirme ve envanter yonetimi gibi islemleri bagimsiz olarak yurutebilir.

Otonom AI ajanlari gelistirme hakkinda daha detayli bilgi icin AI Agent ve Otonom Ajan Gelistirme rehberimize basvurabilirsiniz. Prompt muhendisligi ve LLM orkestrasyon stratejileri icin Prompt Engineering ve LLM Orkestrasyon yazimiz yol gosterici olacaktir.

MCP Guvenlik Degerlendirmeleri

MCP sunuculari dis sistemlere erisim sagladigi icin guvenlik kritik bir konudur. Dikkat edilmesi gereken temel guvenlik ilkeleri sunlardir:

• Kimlik dogrulama: Her MCP baglantisi icin kimlik dogrulama zorunlu olmalidir
• Yetkilendirme: Araclar ve kaynaklar kullanici rollerine gore kisitlanmalidir
• Girdi dogrulama: Modelin urettigi parametreler siki sekilde dogrulanmalidir; SQL enjeksiyonu ve komut enjeksiyonu saldirilarina karsi koruma saglanmalidir
• Ag izolasyonu: Uretim MCP sunuculari ozel ag segmentlerinde calistirilmalidir
• Gizlilik: Hassas kimlik bilgileri (API key, sifre) MCP sunucu yapilandirmasinda duzgun sekilde yonetilmelidir; environment variable veya secret manager kullanilmalidir
• Sandbox: Dosya sistemi ve komut satirI araclari, kisitli dizin ve komut listeleriyle sinirlandirilmalidir

Sonuc

Model Context Protocol, AI modellerinin dis dunyayla etkilesim kurma sekline standartlasma ve birlikte calisabilirlik getiren onemli bir gelismedir. Saglayicidan bagimsiz yapisi, zengin ilkel kumesi (araclar, kaynaklar, prompt sablonlari) ve buyuyen ekosistemi, MCP'yi AI entegrasyon stratejilerinin merkezine yerlestirmektedir.

Kurumsal ortamlarda MCP'yi basariyla uygulamak icin guvenlik, denetim ve performans gereksinimlerinin dikkatle ele alinmasi gerekmektedir. Mevcut acik kaynak sunucularla hizli baslangic yapip, kurumsal ihtiyaclara ozgu ozel sunucular gelistirmek en etkili yaklasimdir. MCP ekosisteminin hizla buyumesi, AI entegrasyonlarinin gelecekte bu standart etrafinda sekillenecegine isaret etmektedir.