Yapay zekâ ekosisteminde büyük dil modelleri (LLM) olağanüstü akıl yürütme yetenekleri sergilese de, kurum içi veri tabanlarına, kurumsal API'lara ve üçüncü taraf iş araçlarına erişemedikleri sürece birer bilgi adacığı olarak izole kalmaktadır. Bir yapay zekâ modelini şirket içi PostgreSQL veri tabanına, GitHub deposuna, Jira biletlerine veya Slack kanallarına bağlamak isteyen ekipler, bugüne kadar her model ve her araç için özel entegrasyon köprüleri (point-to-point middleware) yazmak zorundaydı. Bu durum "N model x M veri kaynağı" şeklinde katlanarak büyüyen, kırılgan ve sürdürülemez bir entegrasyon kaosu yaratıyordu.

Bu yapısal darboğazı kökten çözmek amacıyla Anthropic tarafından geliştirilen ve Linux Foundation bünyesindeki Agentic AI Foundation (AAIF) çatısı altında bağımsız bir endüstri standardı haline gelen Model Context Protocol (MCP), yapay zekâ dünyasının "USB-C standardı" olarak kabul görmüştür (Anthropic Model Context Protocol Launch). OpenAI, Google DeepMind, Microsoft, AWS ve Salesforce gibi devlerin de desteklediği MCP, yapay zekâ istemcileri ile kurumsal veri kaynakları arasında evrensel, güvenli ve modelden bağımsız bir iletişim köprüsü kurmaktadır (Model Context Protocol Official Site).

Bu rehberde, Model Context Protocol'ün mimari prensiplerini, üç temel yapı taşını, Streamable HTTP kurumsal dağıtımını ve bir MCP sunucusunun nasıl kurulacağını adım adım inceliyoruz.

📺 Bu konuyu videoda anlattım: n8n + AI ile Otomatik Video Üretimi: MCP ve Workflow Kurulumu

Model Context Protocol (MCP) Nedir ve Nasıl Çalışır?

Model Context Protocol (MCP), yapay zekâ uygulamaları (host/client) ile veri sağlayıcılar ve harici servisler (servers) arasında standart JSON-RPC mesajlaşma protokolü kullanan açık kaynaklı bir iletişim protokolüdür (MCP Architecture Specification).

Geleneksel mimaride bir LLM sağlayıcısını değiştirdiğinizde (örneğin Claude'dan yerel bir açık kaynak modele veya OpenAI'a geçtiğinizde), modelin harici araçları çağırma fonksiyonlarını (function calling şemalarını) baştan aşağı yeniden yapılandırmanız gerekirdi. MCP bu bağımlılığı ortadan kaldırır:

İstemciler (Clients/Hosts): Cursor, Claude Desktop, kurumsal otomasyon ajanları veya özel yazılımlardır.
Sunucular (MCP Servers): Veri tabanlarını, dosya sistemlerini, GitHub depolarını veya kurumsal API'ları protokol standartlarına uygun şekilde dış dünyaya açan hafif servislerdir.
Evrensel Bağlantı: Herhangi bir MCP uyumlu istemci, arkasında çalışan modelin türünden bağımsız olarak herhangi bir MCP sunucusuna anında bağlanabilir.

Bu soyutlama katmanı, kurumsal yazılım geliştirme maliyetlerini ve entegrasyon sürelerini radikal biçimde azaltmaktadır.

MCP Mimarisinin Üç Temel Primitifi

Model Context Protocol, yapay zekâ ajanları ile sistemler arasındaki etkileşimi üç temel ilke (primitive) üzerine inşa eder:

1. Araçlar (Tools)

Araçlar, yapay zekâ ajanının gerçek dünyada veya dijital sistemlerde eylem gerçekleştirmesine (action execution) olanak tanır. Bir SQL sorgusu çalıştırmak, GitHub'da yeni bir çekme isteği (Pull Request) açmak, API üzerinden bilet oluşturmak veya bir e-posta taslağı kaydetmek araçlar üzerinden yürütülür. Her araç, modelin parametreleri doğru formatta göndermesini sağlayan JSON Schema tanımlarına sahiptir.

2. Kaynaklar (Resources)

Kaynaklar, ajanlara salt okunur (read-only) bağlamsal bilgi sunan veri akışlarıdır. Bir dosyanın ham içeriği, dinamik sistem logları, veritabanı şema tanımları veya kurumsal bilgi tabanı makaleleri kaynak olarak sunulur. Statik RAG (Retrieval-Augmented Generation) sistemlerinden farklı olarak kaynaklar, ajanın ihtiyaç duyduğu canlı veriyi anlık olarak çekmesini sağlar.

3. İstemler (Prompts)

İstemler, MCP sunucusu tarafından önceden tanımlanmış, yeniden kullanılabilir ve sürümlenebilir iş akışı şablonlarıdır. Örneğin bir "hata ayıklama analizi" veya "yeni çalışan karşılama akışı", sunucu düzeyinde tanımlanmış rol kuralları ve parametrelerle standartlaştırılır. Kullanıcı tek bir komutla bu şablonu çağırarak ajanın belirlenen kurumsal kurallara göre hareket etmesini sağlar.

Kurumsal Dağıtım: Streamable HTTP ve Güvenlik Altyapısı

MCP'nin ilk sürümleri yerel makinelerde standart girdi/çıktı (stdio) üzerinden çalışıyordu. Ancak 2026 yılındaki kurumsal ölçekli dağıtımlarda ağ tabanlı Streamable HTTP (Server-Sent Events - SSE tabanlı HTTP taşıma katmanı) standardı benimsenmiştir (MCP GitHub Repository).

Streamable HTTP mimarisi şu kurumsal avantajları sağlar:

Durumsuz (Stateless) Ölçeklenebilirlik: MCP sunucuları geleneksel Kubernetes podları ve kurumsal yük dengeleyiciler (load balancers) arkasında durumsuz olarak konumlandırılabilir.
Ağ İzolasyonu ve Güvenlik Duvarı: Ajan doğrudan hassas veri tabanına erişmek yerine, yalnızca yetkilendirilmiş MCP sunucusunun API kapısına erişir.
Yetkilendirme ve Denetim Kaydı (Audit Logs): Ajanın tetiklediği her araç çağrısı merkezi kimlik yönetimi (OAuth/OIDC, RBAC) sistemlerinden geçer ve değiştirilemez denetim loglarına kaydedilir.

Adım Adım: Python ile İlk MCP Sunucunuzu Geliştirme

Kendi sistemleriniz için hafif ve güvenli bir MCP sunucusu geliştirmek oldukça pratiktir:

Adım 1: Resmi SDK'yı Yükleyin

Proje dizininizde resmi Python SDK'sını ortamınıza dahil edin:

pip install mcp

Adım 2: Sunucu Örneği ve Araç Fonksiyonu Tanımlayın

Basit bir kurumsal ürün sorgulama aracını tanımlayan Python kodunu oluşturun:

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("Kurumsal E-Ticaret Araci")

@mcp.tool()
def stok_sorgula(sku: str) -> str:
    # Veritabani sorgusu simulasyonu
    return f"SKU {sku}: Depoda 42 adet mevcut."

if __name__ == "__main__":
    mcp.run()

Adım 3: İstemci Yapılandırmasını Bağlayın

Geliştirdiğiniz sunucuyu Claude Desktop, Cursor veya kendi ajan çalışma ortamınıza tanıtmak için istemcinin yapılandırma dosyasına (örneğin mcp_servers.json) sunucu dosya yolunu ekleyin:

{
  "mcpServers": {
    "stok_servisi": {
      "command": "python",
      "args": ["/yol/stok_sunucusu.py"]
    }
  }
}

Adım 4: Güvenlik ve Hata Yönetimini Yapılandırın

Girdi doğrulama için Pydantic şemalarını kullanın. Ajanın zararlı veya beklenmeyen SQL komutları çalıştırmasını önlemek için parametreleri sıkı filtrelerden geçirin. Kritik eylemlerde (örneğin veri silme veya para transferi) insan onay mekanizmalarını (Human-in-the-loop) devreye alın.

Güvenlik Önlemleri ve En İyi Uygulamalar

Ajanların kurumsal sistemlerde otonom hareket etmesi yeni güvenlik riskleri doğurur:

Prompt Injection Savunması: Dış kaynaklardan gelen güvenilmeyen metinlerin ajanı manipüle ederek yetkisiz araç çağrıları tetiklemesini önlemek için araç çalıştırma yetkilerini en düşük ayrıcalık ilkesiyle (Least Privilege) sınırlayın.
Sandbox İzolasyonu: Kod çalıştırma araçlarını işletim sistemi düzeyinde izole edilmiş microVM veya güvenli konteyner ortamlarında koşturun.
Oran Sınırlama (Rate Limiting): Ajan döngülerinin sonsuz API istekleriyle sunucuları kilitlemesini engellemek için çağrı limitleri belirleyin.

Sık Sorulan Sorular

MCP, geleneksel REST API entegrasyonlarının yerini mi alıyor?

Hayır. MCP, REST API'ların yerine geçmez; REST API'ları ve veri kaynaklarını yapay zekâ modellerinin kolayca anlayabileceği ve çağırabileceği standart bir arayüze dönüştüren bir köprü katmanıdır.

Bir MCP sunucusunu birden fazla farklı yapay zekâ modeline aynı anda bağlayabilir miyim?

Evet. MCP tamamen model sağlayıcısından bağımsızdır. Yazdığınız tek bir MCP sunucusuna Claude, GPT tabanlı sistemler veya açık kaynaklı yerel modeller aynı anda bağlanabilir.

MCP sunucularında güvenlik açıkları ve yetkisiz erişimler nasıl engellenir?

Kurumsal ağlarda Streamable HTTP üzerinden TLS şifreleme, API belirteçleri (Bearer Tokens), rol tabanlı erişim kontrolü (RBAC) ve kritik eylemlerde insan onayı adımları uygulanır.

MCP açık kaynak bir standart mı, lisans modeli nedir?

Evet. Anthropic tarafından MIT lisansıyla açık kaynak olarak başlatılmış ve Linux Foundation bünyesindeki Agentic AI Foundation'a devredilerek topluluk mülkiyetine alınmıştır.

Sonuç

Model Context Protocol (MCP), yapay zekâ modellerini salt metin üreten sistemlerden kurumsal iş süreçlerini yürüten gerçek otonom ajanlara dönüştüren kilit altyapı taşıdır. Modelden bağımsız standartlaşma; şirketlerin teknoloji borcunu azaltırken, araç ekosistemini geleceğe hazır ve modüler bir yapıda tutmalarını sağlar. Kurumsal AI yol haritanızda MCP uyumlu mimarileri benimsemek, yapay zekâ yatırımlarınızın esnekliğini ve güvenliğini garanti altına alacaktır.