MCP: Model Context Protokolü

Model Context Protocol (MCP), Büyük Dil Modelleri’nin (LLM’ler) harici veri kaynaklarına, araçlara ve yeteneklere güvenli ve tutarlı bir şekilde erişmesini sağlayan açık standart bir arayüzdür ve AI sistemleri için bir ‘USB-C’ işlevi görür.

Tanım

Model Context Protocol (MCP), Büyük Dil Modelleri’nin (LLM’ler) harici veri kaynaklarına, araçlara ve yeteneklere güvenli ve tutarlı bir şekilde erişmesini sağlayan açık standart bir arayüzdür. Bu protokol, AI uygulamaları ile çeşitli kontekst sağlayıcılar arasında standartlaştırılmış bir iletişim katmanı oluşturur ve AI sistemlerinin “USB-C”si olarak hizmet eder.

Temel Bileşenler

Mimari

MCP, istemci-sunucu mimarisini takip eder:

  • MCP Ana Bilgisayarları: Kullanıcıların veya AI sistemlerinin etkileşimde bulunduğu uygulamalar (örn. Claude Masaüstü, IDE eklentileri)
  • MCP İstemcileri: Ana uygulamalar içinde sunucularla iletişimi yöneten bileşenler
  • MCP Sunucuları: Standartlaştırılmış MCP arayüzü aracılığıyla belirli yetenekleri (dosya erişimi, veritabanı bağlantıları, API erişimi) sunan hafif programlar
  • Veri Kaynakları: MCP sunucularının güvenli bir şekilde erişebildiği yerel veya uzaktaki bilgi depoları

Temel Yapı Taşları

MCP, protokolün yapı taşlarını oluşturan üç temel ilkeyi tanımlar:

1. Kaynaklar

Kaynaklar, MCP sunucularının LLM’lere sunduğu veri ve içerikleri temsil eder.

  • Özellikler: Uygulama tarafından kontrol edilir, benzersiz URI’lerle tanımlanır
  • Veri Türleri: Metin (UTF-8 kodlu) veya İkili (Base64 kodlu)
  • Keşif Yöntemleri: Doğrudan listeleme veya dinamik kaynak istekleri için şablonlar
  • İşlemler: İçerik okuma, güncellemeleri alma

Örnek kullanım durumu: Bir MCP sunucusunun, file:///logs/app.log URI’siyle bir log dosyasını kaynak olarak sunması

2. İstemler

İstemler, sunucuların LLM etkileşimlerini yönlendirmek için sunduğu önceden tanımlı şablonlar veya iş akışlarıdır.

  • Özellikler: Kullanıcı tetiklemeli, genellikle eğik çizgi komutları olarak görünür
  • Yapı: Benzersiz isim, açıklama, isteğe bağlı argümanlar
  • Yetenekler: Özelleştirme argümanlarını kabul etme, kaynak kontekstini dahil etme, çok adımlı etkileşimler tanımlama
  • İşlemler: Listeleme ile keşif, istekle yürütme

Örnek kullanım durumu: Kod değişikliklerini girdi olarak alan bir git commit mesajı oluşturucu istemi

3. Araçlar

Araçlar, LLM’lerin (genellikle kullanıcı onayıyla) işlemler gerçekleştirmek için çağırabileceği çalıştırılabilir fonksiyonlardır.

  • Özellikler: Model kontrolünde, iyi tanımlanmış girdi şemaları gerektirir
  • Ek Açıklamalar: Davranış hakkında ipuçları içerir (salt okunur, yıkıcı, idempotent, açık dünya)
  • Güvenlik Özellikleri: Girdi doğrulama, erişim kontrolü, net kullanıcı uyarıları
  • İşlemler: Listeleme ile keşif, parametrelerle çağrı yoluyla yürütme

Örnek kullanım durumu: Model tarafından sağlanan girdiler üzerinde matematiksel işlemler yapan bir hesap makinesi aracı

Logo

İşinizi büyütmeye hazır mısınız?

Bugün ücretsiz denemenizi başlatın ve günler içinde sonuçları görün.

Demo talep et Giriş yap

Önemi ve Faydaları

Geliştiriciler İçin

  • Standartlaştırılmış Entegrasyon: AI uygulamalarını, her biri için özel kod yazmaya gerek kalmadan çeşitli veri kaynaklarına bağlama
  • Güvenlik En İyi Uygulamaları: Hassas bilgilerin güvenli şekilde sunulması için yerleşik rehberlik
  • Basitleştirilmiş Mimari: AI modelleri ile kontekst kaynakları arasında net bir ayrım

Kullanıcılar ve Organizasyonlar İçin

  • Esneklik: Farklı LLM sağlayıcıları veya ana uygulamalar arasında geçişi kolaylaştırır
  • Birlikte Çalışabilirlik: Standartlaştırılmış arayüzlerle tedarikçi bağımlılığını azaltır
  • Gelişmiş Yetenekler: AI sistemlerinin daha çeşitli bilgi ve işlem yeteneklerine erişmesini sağlar

Uygulama Örnekleri

Dosya Kaynağı Sunucusu

// Sunucu, bir log dosyasını kaynak olarak sunar
const server = new Server({ /* config */ }, { capabilities: { resources: {} } });

// Mevcut kaynakları listele
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Uygulama Logları",
        mimeType: "text/plain"
      }
    ]
  };
});

// Kaynak içeriği sağla
server.setRequestHandler(ReadResourceRequestSchema, async (request) => {
  if (request.params.uri === "file:///logs/app.log") {
    const logContents = await readLogFile();
    return {
      contents: [{
        uri: request.params.uri,
        mimeType: "text/plain",
        text: logContents
      }]
    };
  }
  throw new Error("Kaynak bulunamadı");
});

Hesap Makinesi Aracı Sunucusu

const server = new Server({ /* config */ }, { capabilities: { tools: {} } });

// Mevcut araçları listele
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "İki sayıyı topla",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "Birinci sayı" },
          b: { type: "number", description: "İkinci sayı" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Toplamı Hesapla",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// Araç yürütmesini işle
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "calculate_sum") {
    try {
      const { a, b } = request.params.arguments;
      if (typeof a !== 'number' || typeof b !== 'number') {
         throw new Error("Geçersiz giriş: 'a' ve 'b' sayılar olmalıdır.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Toplam hesaplanırken hata: ${error.message}` }]
      };
    }
  }
  throw new Error("Araç bulunamadı");
});

İlgili Kavramlar

  • LLM Fonksiyon Çağırma: Model Context Protocol, LLM’lerin fonksiyon çağırma konseptine standart bir yaklaşım sunar
  • AI Ajanları: MCP, ajana dayalı AI sistemlerinin araç ve bilgiye erişmesi için yapılandırılmış bir yol sağlar
  • AI Eklentileri: Tarayıcı eklentilerine benzer şekilde, MCP sunucuları AI yeteneklerini genişleten “eklentiler” olarak düşünülebilir

Gelecek Yönelimler

  • Kurumsal AI Entegrasyonu: Kurumsal bilgi tabanları, araçlar ve iş akışlarının bağlanması
  • Çok Modlu AI: Metnin ötesinde çeşitli veri türlerine erişimin standartlaştırılması
  • İşbirlikçi AI Sistemleri: AI asistanlarının paylaşılan protokoller üzerinden birlikte çalışmasının sağlanması

Sıkça sorulan sorular

FlowHunt'ı Deneyin ve Kendi AI Çözümlerinizi Oluşturun

Standartlaştırılmış entegrasyonlar, güvenli veri erişimi ve esnek araç bağlantısı ile güçlü AI sistemleri oluşturmaya başlayın.

Şimdi Deneyin Demo talep edin

Daha fazla bilgi