MCP Sunucuları: AI'nızı Gerçek Dünyaya Bağlayan Köprü

Yapay zekanızla tek bir sohbette GitHub’daki kodlarınızı gözden geçirmesini, veritabanı sorgulaması yapmasını ya da favori üretkenlik aracınızda bir rapor hazırlamasını isteyebilmek hayal mi? Model Context Protocol (MCP), tam da bunu mümkün kılan bir standart olarak öne çıkıyor.

MCP Sunucusu, AI istemciniz (Claude, VSCode, Cursor gibi) ile dış veri kaynakları ve araçlar arasında köprü görevi görüyor. Bu sayede AI’nız artık izole bir sohbet aracından ibaret kalmıyor; çalışma ortamınızdaki görevleri gerçekten yerine getirebilen bir asistana dönüşüyor.

Esnek ve Ölçeklenebilir Entegrasyon: MCP’nin Gücü

MCP’nin en büyük avantajlarından biri, esnekliği ve geniş uyumluluğudur. Tek bir MCP sunucusu, farklı AI istemcileriyle çalışabilir. Bu da sunucuyu bir kez kurup ardından çeşitli platformlarda kullanabileceğiniz anlamına gelir. Resmi belgelerdeki örnekler, MCP sunucularının aşağıdaki popüler istemcilere nasıl entegre edildiğini gösteriyor:

• Claude Desktop & Claude Code: Konuşma tabanlı ve komut satırı etkileşimleri için
• VS Code & Cursor: Geliştirme ortamınıza sorunsuz entegrasyon için
• GitHub Copilot CLI: Kodlama asistanınızın yeteneklerini genişletmek için
• Zed, Gemini CLI, Goose ve diğerleri: Liste sürekli genişliyor ve protokolün yaygın kabul gördüğünü ortaya koyuyor

Bu çok yönlülük, geliştiricilerin ve teknoloji meraklılarının AI entegrasyonunu kişiselleştirmelerine olanak tanıyor.

Basit Kurulum: MCP Sunucularını Yapılandırma

MCP sunucularının kurulumu genellikle oldukça basittir ve genellikle JSON yapılandırmalarıyla gerçekleştirilir. Birçok istemci için tek yapmanız gereken, sunucuyu başlatacak komutu belirtmek. Örneğin, VSCode projelerinize bir dosya sistemi sunucusu eklemek için aşağıdaki gibi bir .vscode/mcp.json dosyası oluşturabilirsiniz:

{
  "servers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/path/to/your/project"
      ]
    }
  }
}

Bu yapılandırma dosyası, VSCode’a sunucuyu nasıl başlatacağını söylüyor. Kurulumu proje düzeyinde (ekibinizle paylaşmak için) ya da global olarak (kişisel kullanım için tüm projelerinizde) yapabilirsiniz.

İlk MCP Sunucunuzu Oluşturun: Pratik Bir Örnek

Kendi MCP sunucunuzu oluşturmak sandığınızdan daha basit. Resmi TypeScript/JavaScript SDK’sı, özel araçlar, kaynaklar ve komut istemleriyle sunucular inşa etmenize olanak tanıyor. Aşağıda, üç temel kavramı gösteren basit ancak tamamlanmış bir "Echo Sunucusu" örneği yer alıyor:

import { McpServer, ResourceTemplate } from "@modelcontextprotocol/sdk/server/mcp.js";
import { z } from "zod";

const server = new McpServer({
  name: "Echo",
  version: "1.0.0"
});

// 1. KAYNAK: Yapılandırılmış veriye erişim sağlar
server.resource(
  "echo",
  new ResourceTemplate("echo://{message}", { list: undefined }),
  async (uri, { message }) => ({
    contents: [{
      uri: uri.href,
      text: `Kaynak echo: ${message}`
    }]
  })
);

// 2. ARAÇ: Eylemleri veya fonksiyonları çalıştırmanıza izin verir
server.tool(
  "echo",
  { message: z.string() },
  async ({ message }) => ({
    content: [{
      type: "text",
      text: `Araç echo: ${message}`
    }]
  })
);

// 3. KOMUT İSTEMI: Yeniden kullanılabilir talimat şablonları
server.prompt(
  "echo",
  { message: z.string() },
  ({ message }) => ({
    messages: [{
      role: "user",
      content: {
        type: "text",
        text: `Lütfen bu mesajı işleyin: ${message}`
      }
    }]
  })
);

• Kaynaklar: AI istemcinizin okuyabileceği dosyalar veya veriler gibi kaynaklar
• Araçlar: AI’nın API sorguları yapması, dosyaları okuması gibi eylemleri gerçekleştirmesini sağlayan fonksiyonlar
• Komut İstemleri: Kullanıcı etkileşimlerini yönlendiren mesaj şablonları

Daha karmaşık bir örnek olarak, SQLite veritabanına bağlanan ve SQL sorguları çalıştıran bir sunucu düşünebilirsiniz. Aşağıdaki query aracı, AI’nın SQL sorguları çalıştırmasına ve sonuçları JSON formatında almasına olanak tanır:

server.tool(
  "query",
  { sql: z.string() },
  async ({ sql }) => {
    const db = getDb();
    try {
      const results = await db.all(sql);
      return {
        content: [{
          type: "text",
          text: JSON.stringify(results, null, 2)
        }]
      };
    } catch (err: unknown) {
      // Hata yönetimi
    }
  }
);

Güvenlik: MCP Uygulamalarında Kritik Öneme Sahip

MCP protokolü, AI’nıza sistemlerinize erişim izni verdiği için güvenlik en üst düzeyde tutulmalıdır. İşte dikkat edilmesi gereken temel ilkeler:

• En Az Yetki İlkesi: API anahtarları ve erişim belirteçlerini yalnızca gerekli minimum izinlerle yapılandırın. Örneğin, GitHub sunucusu kullanırken yalnızca issue’ları okuma izni verin; admin yetkileri vermeyin
• Yerel Ortamlar: Geliştirme ortamlarında sunucunuzun internete açık olmamasına özen gösterin. İstemci-sunucu bağlantısı genellikle yerel olduğundan riskler minimize edilir
• Komut Yürütme Tehlikesine Karşı Dikkatli Olun: Eğer sunucunuz sistem komutları çalıştırmaya izin veriyorsa (örneğin, Shell sunucusu), risk oldukça yüksektir. Kontrollü bir ortamda ya da Docker konteynerinde izole edin

Sonuç: AI Entegrasyonunun Geleceği MCP ile Şekilleniyor

Model Context Protocol, AI’nın gelecekteki entegrasyon katmanı olarak konumlanıyor. Bu protokol sayesinde AI’nız yalnızca sohbet etmekle kalmıyor; aynı zamanda somut eylemler de gerçekleştirebiliyor.

Geliştiriciyseniz AI yeteneklerinizi genişletmek ya da teknoloji meraklısıysanız AI’nın dijital dünyanızla nasıl bütünleştiğini keşfetmek istiyorsanız, MCP hem güçlü hem de erişilebilir bir çözüm sunuyor.

AI’nın iş akışlarınıza derinlemesine entegre olmaya başladığı bu dönemde, MCP’nin sunduğu standartlaşmış yaklaşım, geliştiriciler ve kullanıcılar için büyük bir kolaylık sağlıyor. Protokolün yaygınlaşmasıyla birlikte, AI’nın gerçek dünya uygulamaları giderek daha erişilebilir hale gelecek.