Technical Tutorials

Büyük Dil Modelleri'nin (LLM) yükselişi, yapay zekaya erişimi demokratikleştirdi; ancak genel model yetenekleri ile özelleştirilmiş, gerçek zamanlı kurumsal veriler arasında hala önemli bir boşluk var. Bu boşluğu doldurmak için Model Bağlam Protokolü (MCP) devreye giriyor. Geliştiriciler için MCP sunucuları oluşturmak artık sadece isteğe bağlı bir deneme olmaktan çıkıyor; güçlü, ajan tabanlı yapay zeka uygulamaları oluşturmak için kritik bir beceri haline geliyor.

Bu rehberde, MCP'nin mimari temellerini, bir sunucunun nasıl yapılandırılacağını ve Python kullanarak pratik bir kod örneğini inceleyeceğiz. İç veritabanlarınızı veya üçüncü taraf API'lerini LLM'lere açıyor olun, MCP'nin mekaniklerini anlamak modern yapay zeka mühendisliği için esastır.

Neden MCP? LLM Mimarilerindeki Değişim

Geleneksel olarak, bir LLM'yi harici araçlara bağlamak için her belirli kullanım durumuna özel entegrasyon kodu yazmak gerekiyordu. Bu yaklaşım kırılgandır, ölçeklendirmesi zordur ve kimlik doğrulama ile hata yönetiminin tutarsız uygulanması nedeniyle güvenlik açıklarına yol açar.

MCP bu bağlantıyı standartlaştırır. Ana uygulamalar (bir IDE veya sohbet arayüzü gibi) ile bağlam sunucuları arasında ortak bir dil tanımlar. Bir MCP sunucusu oluşturarak, MCP uyumlu herhangi bir istemcinin verilerinize veya araçlarınıza etkileşimde bulunmasını sağlayan yeniden kullanılabilir, standart bir arayüz oluşturursunuz. Bu, veri kaynağınızın mantığını yapay zeka uygulamasının mantığından ayırarak modülerliği ve güvenliği teşvik eder.

Temel Kavramlar: Araçlar, Kaynaklar ve İstemler

Kod yazmadan önce, bir MCP sunucusunun sunduğu üç temel ilkel kavramı anlamak önemlidir:

Araçlar (Tools): LLM'nin "dosya oluştur" veya "veritabanını sorgula" gibi eylemleri gerçekleştirmek için çağırabileceği yürütülebilir işlevler.
Kaynaklar (Resources): LLM'nin okuyabileceği, dosya sistemindeki dosyalara benzer şekilde statik veya dinamik veriler. Belgeleri veya yapılandırmayı açığa çıkarmak için idealdir.
İstemler (Prompts): Etkileşimleri yapılandırmaya yardımcı olan, istemci tarafından gönderilen istemlerin karmaşıklığını azaltan önceden tanımlanmış şablonlar.

Python ile Basit Bir MCP Sunucusu Oluşturma

Resmi mcp Python SDK'sını kullanarak temel bir MCP sunucusu oluşturalım. Bu örnek, mevcut sunucu saatini alan ve bir MCP hizmetinin temel yapısını gösteren tek bir araç açığa çıkaracaktır.

İlk olarak, gerekli bağımlılıkların yüklü olduğundan emin olun:

pip install mcp

İşte basit bir MCP sunucusunun tam uygulaması:

from mcp.server import Server
from mcp.types import Tool, Resource
from datetime import datetime
import json

# Sunucuyu başlat
server = Server("time-server")

# Bir Araç Tanımla
@server.tool()
def get_current_time() -> str:
    """
    Mevcut sunucu saatini ISO formatında döndürür.
    Bu araç, MCP'de temel araç tanımını gösterir.
    """
    return datetime.now().isoformat()

# Bir Kaynak Tanımla
@server.resource()
def system_info(uri: str) -> str:
    """
    Çalışan sunucu örneği hakkında bilgi sağlar.
    """
    return json.dumps({
        "server_version": "1.0.0",
        "uptime": "stable"
    })

if __name__ == "__main__":
    # Sunucuyu stdio taşıma yöntemiyle çalıştır
    server.run(transport="stdio")

Kod Analizi

Yukarıdaki örnekte, benzersiz bir adla Server nesnesini başlatıyoruz. @server.tool() dekoratörü, get_current_time işlevini yürütülebilir bir araç olarak kaydeder. Bir LLM bu aracı çağırdığında, çerçeve argümanların ve sonuçların serileştirilmesini ve serileştirmesini otomatik olarak yönetir.

Benzersiz şekilde, @server.resource() dekoratörü system_info işlevini açığa çıkarır. Bu, istemcilerin sunucunun meta verilerini sanki statik bir dosymuş gibi okumasına olanak tanır. server.run(transport="stdio") çağrısı sunucuyu başlatır; standart giriş ve çıkış üzerinden JSON-RPC mesajlarını dinler. Bu, yerel yapay zeka ajanları için standart iletişim yöntemidir.

Üretim Seviyesi Sunucular İçin En İyi Uygulamalar

Yukarıdaki örnek işlevsel olsa da, üretim ortamları ek hususlar gerektirir:

Güvenlik Önceliklidir: Araçları çalıştırmadan önce girdileri her zaman doğrulayın. Enjeksiyon saldırılarını önlemek için sıkı tür denetimi kullanın ve kullanıcı tarafından sağlanan parametreleri temizleyin.
Hata Yönetimi: LLM'nin bir araç çağrısının neden başarısız olduğunu anlamasına olanak tanıyan, açıklayıcı hata mesajları döndürün; böylece kurtulabilir veya kullanıcıdan açıklama isteyebilir.
Günlükleme ve Gözlemlenebilirlik: Araç kullanımı, gecikme ve hataları izlemek için sağlam günlüklemeler uygulayın. Bu, hata ayıklama ve istem mühendisliği stratejilerini optimize etmek için hayati önem taşır.
Ölçeklenebilirlik: Yüksek veri akışlı senaryolar için, stdio yerine WebSocket veya HTTP taşıma yöntemi kullanarak MCP sunucunuzu ayrı bir mikroservis olarak çalıştırmayı düşünün.

Sonuç

MCP sunucuları oluşturmak, tekerleği yeniden icat etmeden yapay zeka modellerinin yeteneklerini genişletmenin güçlü bir yoludur. MCP standardına bağlı kalarak, entegrasyonlarınızın birbirleriyle uyumlu, güvenli ve geleceğe hazır olduğundan emin olursunuz. Ekosistem olgunlaştıkça, özelleştirilmiş MCP sunucularının yaygınlaşmasını göreceğiz; bu da karmaşık veri etkileşimlerini basit, standart araçlara dönüştürecektir. Bugün oluşturmayı başlayın ve yapay zeka uygulamalarının bir sonraki neslinin tanımlanmasına yardımcı olun.