Bir AI ajanına “şu dosyayı oku”, “şu API’yi çağır” veya “şu veritabanını sorgula” dedirtmek istediğinizde, klasik yöntem şuydu: her araç için, her AI uygulaması için ayrı bir entegrasyon kodu yazmak. 10 araç ve 5 farklı AI istemciniz varsa, bu 50 ayrı entegrasyon demek. MCP (Model Context Protocol), bu N×M problemini N+M’e indiren bir standart.
Problem: Herkes Kendi Köprüsünü Kuruyordu
Function calling (araç çağırma) kavramı yeni değil — modeller uzun süredir “bu fonksiyonu şu parametrelerle çağır” diyebiliyor. Sorun, bunun her uygulamada baştan inşa edilmesiydi: ChatGPT eklentisi yazan biri, Claude için ayrı bir entegrasyon, başka bir AI aracı için üçüncü bir entegrasyon yazmak zorundaydı. Aynı GitHub API’sine bağlanan 5 farklı AI uygulaması varsa, GitHub entegrasyonu 5 kere yazılıyordu.
MCP’nin önerisi basit: bir “GitHub MCP sunucusu” bir kere yazılır. MCP standardını destekleyen her istemci (Claude Code, Claude Desktop, başka bir uyumlu uygulama), bu sunucuyu hiçbir ek kod yazmadan kullanabilir. Sık kullanılan analoji: USB-C. Her cihaz için ayrı bir kablo yerine, tek bir fiziksel standart; hangi cihazı taktığınız önemli değil.
Mimari: İstemci, Sunucu, Protokol
MCP üç parçadan oluşur:
- MCP İstemcisi — AI uygulamasının kendisi (örn. Claude Code). Hangi araçların mevcut olduğunu MCP sunucusuna sorar, kullanıcı/model bir aracı çağırmak istediğinde isteği sunucuya iletir.
- MCP Sunucusu — belirli bir araç/veri kaynağı için yazılmış, MCP standardına uyan bir süreç. “Bu araçlar var, şu parametreleri alıyorlar, çağrıldığında şunu yapıyorlar” bilgisini dışa açar.
- Protokol — ikisi arasındaki haberleşme, JSON-RPC 2.0 üzerinden yürür. Taşıma katmanı olarak yerel süreçler için stdio, uzak sunucular için HTTP/SSE kullanılabilir.
Bir MCP sunucusu üç temel şey sunabilir: tools (model çağırabileceği fonksiyonlar — “dosya oku”, “API isteği gönder”), resources (modelin bağlamına ekleyebileceği veri — bir dosyanın içeriği, bir veritabanı şeması) ve prompts (yeniden kullanılabilir prompt şablonları).
Somut Bir Örnek
Bu sitenin kendi altyapısında (goktay.dev’in Docker/Cloudflare migrasyonunu anlattığım bir önceki yazıda bahsettiğim gibi), Claude Code bir VPS sunucusuyla SSH üzerinden, Cloudflare ile API token üzerinden, GitHub ile PAT üzerinden konuşuyordu — bunların bazıları doğrudan komut satırı araçlarıydı, bazıları MCP sunucusu olarak bağlandı (örn. Hostinger’ın VPS firewall API’si). Fark şuydu: MCP üzerinden bağlanan servisler için “hangi işlemler mevcut, parametreleri ne” bilgisini ayrıca öğrenmem/kodlamam gerekmedi — sunucu bunu zaten standart formatta sunuyordu, istemci (Claude Code) otomatik olarak anladı.
Bu, aslında MCP konusunun pratikte ne işe yaradığının en net örneği: entegrasyon kodu yazmak yerine, “bu servis zaten MCP destekliyor mu?” sorusunu sormak.
Güvenlik: Kime Ne Kadar Yetki?
MCP’nin getirdiği kolaylık, bir riski de beraberinde taşıyor: bir MCP sunucusuna bağlandığınızda, o sunucunun sunduğu TÜM araçlar modelin erişimine açılır. Bir “dosya sistemi” MCP sunucusu, sadece okuma değil silme de sunuyorsa, model (veya modeli yanlış yönlendiren bir prompt injection) o silme aracını da çağırabilir. Pratik kural: bir MCP sunucusunu bağlamadan önce hangi araçları sunduğunu gözden geçirin, mümkünse salt-okunur/sınırlı yetkili bir servis hesabıyla bağlayın — tam da production bir sunucuya SSH anahtarı verirken yapacağınız gibi.
Neden Önemli?
MCP, “AI ajanlarını araçlara bağlamak” işini, her ekibin kendi entegrasyon katmanını yeniden icat etmesi gereken bir mühendislik problemi olmaktan çıkarıp, bir kere çözülüp paylaşılan bir standarda dönüştürüyor. Bir şirketin “AI araçlarını production’a bağlayacak birini” aradığında kastettiği şey, büyük ölçüde bu: hangi servisin MCP sunucusu var, hangisi için özel entegrasyon yazılması gerekiyor, ve her ikisini de güvenli şekilde kurup çalıştırabilen biri.