Skip to content

Latest commit

 

History

History
331 lines (247 loc) · 17 KB

README.md

File metadata and controls

331 lines (247 loc) · 17 KB

Model Context Protokolü (MCP) Tanıtımı: Ölçeklenebilir Yapay Zeka Uygulamaları İçin Neden Önemlidir?

Model Context Protokolü Tanıtımı

(Bu dersin videosunu izlemek için yukarıdaki görsele tıklayın)

Üretken yapay zeka uygulamaları, kullanıcıların doğal dil girdileriyle uygulamalarla etkileşim kurmasına olanak tanıyarak büyük bir ilerleme kaydetmiştir. Ancak, bu tür uygulamalara daha fazla zaman ve kaynak yatırıldıkça, işlevsellikleri ve kaynakları kolayca entegre edebilmek, uygulamanızın birden fazla modelle çalışabilmesini sağlamak ve çeşitli model karmaşıklıklarını yönetmek önem kazanır. Kısacası, üretken yapay zeka uygulamaları geliştirmek başlangıçta kolaydır, ancak büyüdükçe ve karmaşıklaştıkça bir mimari tanımlamaya başlamanız ve uygulamalarınızın tutarlı bir şekilde inşa edilmesini sağlamak için bir standarda güvenmeniz gerekebilir. İşte bu noktada MCP devreye girer, işleri düzenler ve bir standart sunar.

🔍 Model Context Protokolü (MCP) Nedir?

Model Context Protokolü (MCP), Büyük Dil Modellerinin (LLM'ler) harici araçlar, API'ler ve veri kaynaklarıyla sorunsuz bir şekilde etkileşim kurmasını sağlayan açık, standartlaştırılmış bir arayüzdür. Bu protokol, yapay zeka modellerinin işlevselliğini eğitim verilerinin ötesine taşıyan tutarlı bir mimari sunarak daha akıllı, ölçeklenebilir ve duyarlı yapay zeka sistemleri oluşturmayı mümkün kılar.

🎯 Yapay Zekada Standardizasyon Neden Önemlidir?

Üretken yapay zeka uygulamaları karmaşıklaştıkça, ölçeklenebilirlik, genişletilebilirlik, sürdürülebilirlik ve satıcı bağımlılığından kaçınma sağlayan standartları benimsemek kritik hale gelir. MCP, bu ihtiyaçları şu şekilde karşılar:

  • Model ve araç entegrasyonlarını birleştirir
  • Kırılgan, tek seferlik özel çözümleri azaltır
  • Farklı satıcılardan birden fazla modelin aynı ekosistemde bir arada bulunmasına olanak tanır

Not: MCP kendisini açık bir standart olarak tanımlasa da, IEEE, IETF, W3C, ISO veya diğer herhangi bir standart kuruluşu aracılığıyla standartlaştırılma planı bulunmamaktadır.

📚 Öğrenme Hedefleri

Bu makalenin sonunda şunları yapabileceksiniz:

  • Model Context Protokolü (MCP)'nü ve kullanım alanlarını tanımlamak
  • MCP'nin modelden araca iletişimi nasıl standartlaştırdığını anlamak
  • MCP mimarisinin temel bileşenlerini belirlemek
  • MCP'nin kurumsal ve geliştirme bağlamlarındaki gerçek dünya uygulamalarını keşfetmek

💡 Model Context Protokolü (MCP) Neden Bir Dönüm Noktasıdır?

🔗 MCP, Yapay Zeka Etkileşimlerindeki Parçalanmayı Çözüyor

MCP'den önce, modelleri araçlarla entegre etmek için şunlar gerekiyordu:

  • Her araç-model çifti için özel kod
  • Her satıcı için standart olmayan API'ler
  • Güncellemeler nedeniyle sık sık kesintiler
  • Daha fazla araçla ölçeklenememe

✅ MCP Standardizasyonunun Faydaları

Fayda Açıklama
Birlikte Çalışabilirlik LLM'ler, farklı satıcılardan araçlarla sorunsuz çalışır
Tutarlılık Platformlar ve araçlar arasında tutarlı davranış
Yeniden Kullanılabilirlik Bir kez oluşturulan araçlar, projeler ve sistemler arasında kullanılabilir
Hızlandırılmış Geliştirme Standart, tak-çalıştır arayüzleri kullanarak geliştirme süresini azaltır

🧱 MCP'nin Yüksek Düzeyde Mimari Genel Görünümü

MCP, bir istemci-sunucu modeli izler; burada:

  • MCP Hostları yapay zeka modellerini çalıştırır
  • MCP İstemcileri istekleri başlatır
  • MCP Sunucuları bağlam, araçlar ve yetenekler sunar

Temel Bileşenler:

  • Kaynaklar – Modeller için statik veya dinamik veriler
  • İfadeler – Yönlendirilmiş üretim için önceden tanımlanmış iş akışları
  • Araçlar – Arama, hesaplama gibi çalıştırılabilir işlevler
  • Örnekleme – Yinelemeli etkileşimler yoluyla ajan davranışı

MCP Sunucuları Nasıl Çalışır?

MCP sunucuları şu şekilde çalışır:

  • İstek Akışı:
    1. Bir istek, bir son kullanıcı veya onların adına hareket eden bir yazılım tarafından başlatılır.
    2. MCP İstemcisi, isteği yapay zeka modeli çalışma zamanını yöneten bir MCP Hostuna gönderir.
    3. Yapay Zeka Modeli, kullanıcı girdisini alır ve bir veya daha fazla araç çağrısı yoluyla harici araçlara veya verilere erişim talep edebilir.
    4. MCP Hostu, modeli doğrudan değil, standartlaştırılmış protokolü kullanarak uygun MCP Sunucularıyla iletişim kurar.
  • MCP Host İşlevselliği:
    • Araç Kaydı: Mevcut araçların ve yeteneklerinin bir kataloğunu tutar.
    • Kimlik Doğrulama: Araç erişimi için izinleri doğrular.
    • İstek İşleyici: Modelden gelen araç isteklerini işler.
    • Yanıt Biçimlendirici: Araç çıktısını modelin anlayabileceği bir formata dönüştürür.
  • MCP Sunucu Uygulaması:
    • MCP Hostu, araç çağrılarını bir veya daha fazla MCP Sunucusuna yönlendirir; her biri özel işlevler sunar (ör. arama, hesaplama, veri tabanı sorguları).
    • MCP Sunucuları, ilgili işlemleri gerçekleştirir ve sonuçları MCP Hostuna tutarlı bir formatta geri gönderir.
    • MCP Hostu, bu sonuçları biçimlendirir ve Yapay Zeka Modeline iletir.
  • Yanıt Tamamlama:
    • Yapay Zeka Modeli, araç çıktısını nihai bir yanıta dahil eder.
    • MCP Hostu, bu yanıtı MCP İstemcisine gönderir ve bu da son kullanıcıya veya çağıran yazılıma iletir.
---
title: MCP Architecture and Component Interactions
description: A diagram showing the flows of the components in MCP.
---
graph TD
    Client[MCP Client/Application] -->|Sends Request| H[MCP Host]
    H -->|Invokes| A[AI Model]
    A -->|Tool Call Request| H
    H -->|MCP Protocol| T1[MCP Server Tool 01: Web Search]
    H -->|MCP Protocol| T2[MCP Server Tool 02: Calculator tool]
    H -->|MCP Protocol| T3[MCP Server Tool 03: Database Access tool]
    H -->|MCP Protocol| T4[MCP Server Tool 04: File System tool]
    H -->|Sends Response| Client

    subgraph "MCP Host Components"
        H
        G[Tool Registry]
        I[Authentication]
        J[Request Handler]
        K[Response Formatter]
    end

    H <--> G
    H <--> I
    H <--> J
    H <--> K

    style A fill:#f9d5e5,stroke:#333,stroke-width:2px
    style H fill:#eeeeee,stroke:#333,stroke-width:2px
    style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
    style G fill:#fffbe6,stroke:#333,stroke-width:1px
    style I fill:#fffbe6,stroke:#333,stroke-width:1px
    style J fill:#fffbe6,stroke:#333,stroke-width:1px
    style K fill:#fffbe6,stroke:#333,stroke-width:1px
    style T1 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T2 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T3 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T4 fill:#c2f0c2,stroke:#333,stroke-width:1px
Loading

👨‍💻 MCP Sunucusu Nasıl Oluşturulur (Örneklerle)

MCP sunucuları, LLM yeteneklerini veri ve işlevsellik sağlayarak genişletmenize olanak tanır.

Denemeye hazır mısınız? İşte farklı diller/yığınlar için basit MCP sunucuları oluşturma örnekleriyle birlikte dil ve/veya yığın özelinde SDK'lar:

🌍 MCP'nin Gerçek Dünya Kullanım Alanları

MCP, yapay zeka yeteneklerini genişleterek çok çeşitli uygulamalara olanak tanır:

Uygulama Açıklama
Kurumsal Veri Entegrasyonu LLM'leri veri tabanlarına, CRM'lere veya dahili araçlara bağlama
Ajanik Yapay Zeka Sistemleri Araç erişimi ve karar verme iş akışlarıyla otonom ajanlar oluşturma
Çok Modlu Uygulamalar Tek bir birleşik yapay zeka uygulaması içinde metin, görüntü ve ses araçlarını birleştirme
Gerçek Zamanlı Veri Entegrasyonu Daha doğru ve güncel çıktılar için yapay zeka etkileşimlerine canlı veri getirme

🧠 MCP = Yapay Zeka Etkileşimleri İçin Evrensel Standart

Model Context Protokolü (MCP), USB-C'nin cihazlar için fiziksel bağlantıları standartlaştırdığı gibi, yapay zeka etkileşimleri için evrensel bir standart görevi görür. Yapay zeka dünyasında MCP, modellerin (istemciler) harici araçlar ve veri sağlayıcılarla (sunucular) sorunsuz bir şekilde entegre olmasını sağlayan tutarlı bir arayüz sunar. Bu, her API veya veri kaynağı için çeşitli, özel protokollere duyulan ihtiyacı ortadan kaldırır.

MCP altında, MCP uyumlu bir araç (MCP sunucusu olarak adlandırılır) birleşik bir standardı takip eder. Bu sunucular, sundukları araçları veya eylemleri listeleyebilir ve bir yapay zeka ajanı tarafından talep edildiğinde bu eylemleri gerçekleştirebilir. MCP'yi destekleyen yapay zeka ajan platformları, sunuculardan mevcut araçları keşfedebilir ve bu standart protokol aracılığıyla bunları çağırabilir.

💡 Bilgiye Erişimi Kolaylaştırır

Araçlar sunmanın ötesinde, MCP bilgiye erişimi de kolaylaştırır. Uygulamaların büyük dil modellerine (LLM'ler) çeşitli veri kaynaklarını bağlayarak bağlam sağlamasına olanak tanır. Örneğin, bir MCP sunucusu bir şirketin belge deposunu temsil edebilir ve ajanların talep üzerine ilgili bilgileri almasına olanak tanır. Başka bir sunucu, e-posta gönderme veya kayıt güncelleme gibi belirli işlemleri gerçekleştirebilir. Ajan açısından bakıldığında, bunlar yalnızca kullanabileceği araçlardır—bazı araçlar veri (bilgi bağlamı) döndürürken, diğerleri eylemleri gerçekleştirir. MCP her ikisini de verimli bir şekilde yönetir.

Bir MCP sunucusuna bağlanan bir ajan, sunucunun sunduğu yetenekleri ve erişilebilir verileri standart bir format aracılığıyla otomatik olarak öğrenir. Bu standardizasyon, dinamik araç kullanılabilirliğini mümkün kılar. Örneğin, bir ajanın sistemine yeni bir MCP sunucusu eklemek, işlevlerinin hemen kullanılabilir olmasını sağlar ve ajanın talimatlarının daha fazla özelleştirilmesini gerektirmez.

Bu akıcı entegrasyon, sunucuların hem araçlar hem de bilgi sağlayarak sistemler arasında sorunsuz iş birliği sağladığı aşağıdaki diyagramda gösterilen akışla uyumludur.

👉 Örnek: Ölçeklenebilir Ajan Çözümü

---
title: Scalable Agent Solution with MCP
description: A diagram illustrating how a user interacts with an LLM that connects to multiple MCP servers, with each server providing both knowledge and tools, creating a scalable AI system architecture
---
graph TD
    User -->|Prompt| LLM
    LLM -->|Response| User
    LLM -->|MCP| ServerA
    LLM -->|MCP| ServerB
    ServerA -->|Universal connector| ServerB
    ServerA --> KnowledgeA
    ServerA --> ToolsA
    ServerB --> KnowledgeB
    ServerB --> ToolsB

    subgraph Server A
        KnowledgeA[Knowledge]
        ToolsA[Tools]
    end

    subgraph Server B
        KnowledgeB[Knowledge]
        ToolsB[Tools]
    end
Loading

🔄 İstemci Taraflı LLM Entegrasyonu ile Gelişmiş MCP Senaryoları

Temel MCP mimarisinin ötesinde, hem istemci hem de sunucunun LLM'ler içerdiği daha sofistike etkileşimlere olanak tanıyan gelişmiş senaryolar vardır. Aşağıdaki diyagramda, İstemci Uygulaması, bir LLM tarafından kullanılabilir bir dizi MCP aracına sahip bir IDE olabilir:

---
title: Advanced MCP Scenarios with Client-Server LLM Integration
description: A sequence diagram showing the detailed interaction flow between user, client application, client LLM, multiple MCP servers, and server LLM, illustrating tool discovery, user interaction, direct tool calling, and feature negotiation phases
---
sequenceDiagram
    autonumber
    actor User as 👤 User
    participant ClientApp as 🖥️ Client App
    participant ClientLLM as 🧠 Client LLM
    participant Server1 as 🔧 MCP Server 1
    participant Server2 as 📚 MCP Server 2
    participant ServerLLM as 🤖 Server LLM
    
    %% Discovery Phase
    rect rgb(220, 240, 255)
        Note over ClientApp, Server2: TOOL DISCOVERY PHASE
        ClientApp->>+Server1: Request available tools/resources
        Server1-->>-ClientApp: Return tool list (JSON)
        ClientApp->>+Server2: Request available tools/resources
        Server2-->>-ClientApp: Return tool list (JSON)
        Note right of ClientApp: Store combined tool<br/>catalog locally
    end
    
    %% User Interaction
    rect rgb(255, 240, 220)
        Note over User, ClientLLM: USER INTERACTION PHASE
        User->>+ClientApp: Enter natural language prompt
        ClientApp->>+ClientLLM: Forward prompt + tool catalog
        ClientLLM->>-ClientLLM: Analyze prompt & select tools
    end
    
    %% Scenario A: Direct Tool Calling
    alt Direct Tool Calling
        rect rgb(220, 255, 220)
            Note over ClientApp, Server1: SCENARIO A: DIRECT TOOL CALLING
            ClientLLM->>+ClientApp: Request tool execution
            ClientApp->>+Server1: Execute specific tool
            Server1-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    
    %% Scenario B: Feature Negotiation (VS Code style)
    else Feature Negotiation (VS Code style)
        rect rgb(255, 220, 220)
            Note over ClientApp, ServerLLM: SCENARIO B: FEATURE NEGOTIATION
            ClientLLM->>+ClientApp: Identify needed capabilities
            ClientApp->>+Server2: Negotiate features/capabilities
            Server2->>+ServerLLM: Request additional context
            ServerLLM-->>-Server2: Provide context
            Server2-->>-ClientApp: Return available features
            ClientApp->>+Server2: Call negotiated tools
            Server2-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    end
Loading

🔐 MCP'nin Pratik Faydaları

MCP kullanmanın pratik faydaları şunlardır:

  • Güncellik: Modeller, eğitim verilerinin ötesinde güncel bilgilere erişebilir
  • Yetenek Genişletme: Modeller, eğitilmedikleri görevler için özel araçlardan yararlanabilir
  • Halüsinasyonların Azaltılması: Harici veri kaynakları, gerçeklere dayalı bir temel sağlar
  • Gizlilik: Hassas veriler, istemlerde gömülü olmak yerine güvenli ortamlarda kalabilir

📌 Önemli Çıkarımlar

MCP kullanımıyla ilgili önemli çıkarımlar şunlardır:

  • MCP, yapay zeka modellerinin araçlar ve verilerle nasıl etkileşim kurduğunu standartlaştırır
  • Genişletilebilirlik, tutarlılık ve birlikte çalışabilirliği teşvik eder
  • MCP, geliştirme süresini azaltmaya, güvenilirliği artırmaya ve model yeteneklerini genişletmeye yardımcı olur
  • İstemci-sunucu mimarisi, esnek ve genişletilebilir yapay zeka uygulamalarını mümkün kılar

🧠 Egzersiz

Oluşturmak istediğiniz bir yapay zeka uygulamasını düşünün.

  • Hangi harici araçlar veya veriler uygulamanızın yeteneklerini artırabilir?
  • MCP, entegrasyonu nasıl daha basit ve güvenilir hale getirebilir?

Ek Kaynaklar

Sırada Ne Var?

Sıradaki: Bölüm 1: Temel Kavramlar

Feragatname:
Bu belge, Co-op Translator adlı yapay zeka çeviri hizmeti kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Orijinal belgenin kendi dilindeki hali, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalardan sorumlu değiliz.