MCP Araçları Nedir ve Yapay Zeka Modelleri Bunları Nasıl Kullanır?

MCP araçları, bir yapay zeka modelinin sohbet dışında bir görevi gerçekleştirmek için çağırabileceği fonksiyonlardır. Örneğin notlarınızda arama yapmak veya bir veritabanını sorgulamak. Her araç bir MCP (Model Context Protocol) sunucusunda bulunur ve modelin onu ne zaman kullanacağına karar vermesine yardımcı olan bir ada ve kısa bir açıklamaya sahiptir.

“MCP aracı” terimi başka anlamlarda da kullanılır. Günlük kullanımda insanlar “MCP araçları” derken MCP sunucularını (araç sunan uygulamaları) ya da bu sunucuları listeleyen dizinleri kasteder. MCP Tools aynı zamanda bir MCP sunucusundaki araçları listelemeye ve çağırmaya yarayan bir komut satırı programının adıdır.

Bu rehber sunucular, dizinler veya komut satırları hakkında değil, protokoldeki fonksiyonlar hakkındadır. Bir aracın nelerden oluştuğunu, sunucuların sunduğu araç türlerini ve araçların kaynaklardan, istemlerden ve fonksiyon çağırmadan nasıl ayrıldığını açıklar. Ardından bir modelin bir aracı kullanırken izlediği adımları anlatır ve araç kullanımıyla ilgili en yaygın sorunlarla sona erer.

MCP araçları nedir?

MCP aracı, yapay zeka modellerinin diğer yazılım uygulamalarıyla görevleri tamamlamasını sağlayan bir fonksiyondur. Örneğin yapay zeka ajanlarım ve iş akışlarım; Gmail'de e-posta taslakları oluşturmak (create_draft), Trello kartları oluşturmak (trelloWriteCard) ve DataForSEO'dan canlı arama sonuçları almak (serp_organic_live_advanced) gibi pek çok iş için MCP araçlarını kullanıyor.

Yazılım uygulamaları genellikle MCP sunucularında birden fazla MCP aracı sunar. Örneğin Trello MCP sunucusunda şu anda yapay zeka modellerinin panoları, listeleri, kontrol listelerini, kartları ve daha fazlasını okuyup güncellemesini sağlayan 14 MCP aracı bulunuyor.

MCP, araçların nasıl tanımlandığını ve sunulduğunu standartlaştırdığı için protokolü destekleyen her yapay zeka uygulaması aynı MCP aracını kullanabilir.

Bir MCP aracının içerdikleri

Her MCP aracı üç öğe içerir:

• Ad: Modelin aracı çağırırken kullandığı kısa bir tanımlayıcı (ör. Google Takvim'deki get_event).
• Açıklama: Aracın ne yaptığını ve ne zaman işe yaradığını sade bir dille anlatan metin. Büyük dil modeli (LLM), aracın isteğinize uyup uymadığına karar vermek için bu açıklamayı okur (ör. “Returns a single event on the given calendar.”).
• Girdiler: Aracın çalışmak için ihtiyaç duyduğu bilgiler; örneğin bir not araması için müşteri adı ve tarih. Bu bilgiler JSON ile yazılır ve her girdinin biçimini (metin, sayı veya liste) belirlediği için geliştiriciler buna girdi şeması der.

Büyüt

Bazı araçlar ek meta veriler de içerir: bir görünen ad, döndürdükleri sonuçların açıklaması (çıktı şeması) ve aracın nasıl davrandığına dair ek açıklamalar (annotations).

Yapay zeka modeli bir aracın arkasındaki kodu asla görmez. Aracın kendisi hakkında söylediklerine göre hareket eder; bu yüzden belirsiz bir ad veya açıklama, modelin yanlış aracı seçmesine yol açar.

MCP araçlarının türleri

MCP araçları, yaptıkları işe göre dört gruba ayrılır:

• Arama ve sorgulama araçları: Bilgi bulur veya getirir (ör. notlarda arama yapmak, bir dosyayı okumak veya bir veritabanını sorgulamak).
• Eylem araçları: Başka bir uygulamada bir şey oluşturur veya değiştirir (ör. görev eklemek, takvim etkinliği oluşturmak, destek talebi açmak veya e-posta göndermek).
• Veri işleme araçları: Verileri dönüştürür veya analiz eder (ör. bir elektronik tablo dosyasını analiz etmek veya bir hesaplama yapmak).
• Sistem araçları: Yerel sistemle etkileşim kurar (ör. terminalde bir komut çalıştırmak).

MCP araçları ile kaynaklar & istemler arasındaki farklar

Bir MCP sunucusu, MCP araçlarının yanı sıra protokolün temel öğeler (primitives) olarak adlandırdığı iki yapı taşı türü daha sunabilir: kaynaklar ve istemler.

Büyüt

Örneğin GitHub'ın resmi MCP sunucusu şunları sunar:

• Issue oluşturan veya güncelleyen issue_write adlı bir araç,
• Bir depodaki dosyalara erişim sağlayan repository_content adlı bir kaynak,
• Bir sorunu issue olarak bildirme ve GitHub'ın Copilot kodlama ajanına sorunu düzeltecek bir pull request oluşturtma adımlarını hazırlayan issue_to_fix_workflow adlı bir istem.

Aradaki fark, her birinin ne yaptığı ve ne zaman kullanılacağına kimin karar verdiğidir: siz, çalıştığınız yapay zeka uygulaması (ör. Perplexity) ya da o uygulamanın içinde çalışan yapay zeka modeli.

• MCP aracı eylem gerçekleştirir veya bilgi arar. Bir aracı ne zaman çağıracağına yapay zeka modeli kendi başına karar verir ve yapay zeka uygulamanız bu çağrıyı sunucuya iletir. Araçları yapay zeka modeliniz seçer; yapay zeka uygulamanız ise her çağrıyı size göstermeli ve reddetmenize izin vermelidir.
• Kaynak, MCP sunucusunda bulunan ve her biri kendi adresine (URI) sahip olan, dosya veya kayıt kümesi gibi içeriklerdir. Yapay zeka uygulamanız sunucuya hangi kaynaklara sahip olduğunu sorar, ihtiyaç duyduğu kaynağı adresinden okur ve içeriği bağlam olarak sohbete ekler.
• İstem, sunucunun sağladığı ve bazen sizin dolduracağınız boşluklar içeren hazır bir mesaj şablonudur. Yapay zeka uygulamanız kullanılabilir istemleri size gösterir ve siz de genellikle eğik çizgi komutu olarak bunlardan birini seçersiniz.

Yapay zeka modelleri MCP araçlarını nasıl kullanır?

Bir yapay zeka modeli bir MCP aracını beş adımda kullanır: keşif, araç seçimi, çağırma, sonuçlar ve hata yönetimi. Model ile sunucu arasındaki her şeyi yapay zeka uygulamanız iletir.

Büyüt

Diyelim ki yapay zeka uygulamanızdan Trello'daki “Bu hafta” listenizi kontrol etmesini ve editörünüze güncel durumu aktaran bir e-posta taslağı hazırlamasını istediniz. Baştan sona şunlar gerçekleşir:

1. Keşif: Yapay zeka uygulamanız MCP istemcileri aracılığıyla bir MCP sunucusuna bağlandığında, sunucudan kullanılabilir araçların listesini ister (tools/list adlı bir istek). LLM yalnızca uygulamanın ilettiği bilgileri görür: her aracın adı, açıklaması ve girdileri.
2. Araç seçimi: Yapay zeka modeli isteğinizi bu açıklamalarla karşılaştırır ve uygun araçları seçer. Bu örnekte bunlar, listeyi okumak için Trello'nun trelloReadList aracı ve e-postayı yazmak için Gmail'in create_draft aracıdır. Model ayrıca hangi listenin okunacağı gibi girdileri de doldurur.
3. Çağırma: Model, aracı çalıştırmak için yapılandırılmış bir istekle yanıt verir (“fonksiyon çağırma” adı verilen bir adım). Yapay zeka uygulamanız bu isteği doğru sunucuya gönderir (tools/call isteği). Uygulama ayrıca çağrıyı size göstermeli ve reddetmenize izin vermelidir.
4. Sonuçlar: Sunucu fonksiyonu çalıştırır ve result değerini, yani bu örnekte listenizdeki kartları geri gönderir. Yapay zeka uygulamanız sonucu sohbete ekler ve model sırada ne olacağına karar verir: size yanıt vermek ya da bu kartlara dayalı bir e-postayla create_draft gibi başka bir aracı çağırmak.
5. Hata yönetimi: Araç çalışır ancak başarısız olursa (örneğin liste mevcut olmadığı için) hata, sonucun bir parçası olarak geri döner. Model bu hatayı okuyup farklı girdilerle yeniden deneyebilir. İsteğin kendisi hatalıysa (örneğin sunucuda bulunmayan bir aracı çağırıyorsa) uygulama bunun yerine bir protokol hatası alır. Bu durumda modelin toparlanma olasılığı daha düşüktür.

Kilit nokta şudur: Model araçları yalnızca açıklamalarına bakarak seçer ve sunucularla tüm iletişimi yapay zeka uygulamanız yürütür.

Yaygın MCP aracı sorunları ve bunlardan nasıl kaçınılır

MCP araçlarıyla ilgili sorunlar dört konuya indirgenir: kaç aracın bağlı olduğu, nasıl adlandırılıp tanımlandıkları, ne kadar veri döndürdükleri ve hangi sunuculardan geldikleri.

Her sorunun nasıl ortaya çıktığı ve neyin yardımcı olduğu:

MCP araçları neden onayınıza ihtiyaç duyar?

MCP araçları onayınıza ihtiyaç duyar, çünkü onay olmadan yapay zeka modeli istemediğiniz değişiklikler yapabilir veya hassas verileri kontrolünüzde olmayan bir sunucuyla paylaşabilir.

Yanlış anlaşılan bir istek veya belirsiz şekilde tanımlanmış bir araç, yanlış bir eylemi tetikleyebilir. Ayrıca her çağrı bilgilerinizin bir kısmını bir sunucuya gönderir.

Bu nedenle protokol, yapay zeka uygulamalarının sürece her zaman bir insanı dahil etmesini ve herhangi bir araç çağrısını reddetme imkânı tanımasını bekler.

Araçları ne kadar denetim gerektirdiklerine göre sınıflandırmanın pratik bir yolu:

• Yalnızca okuma yapan eylemler: Trello'nun trelloReadList aracıyla bir listeyi okumak gibi bir şeye bakmak hiçbir şeyi değiştirmez. Yapay zeka uygulamanız hangi aracın çalıştığını ve neye baktığını gösterdiği sürece bu çağrılar önceden sorulmadan çalışabilir.
• Geri alabileceğiniz eylemler: Gmail'in create_draft aracıyla bir e-posta taslağı oluşturmak veya bir Trello kartı eklemek, geri alabileceğiniz bir değişiklik yapar. Çağrı çalışmadan önce girdileri kontrol edin.
• Geri alamayacağınız eylemler: Gmail'in send_message aracıyla e-posta göndermek, kayıtları silmek veya ödemeleri ya da hassas verileri içeren her türlü işlem geri alınamaz. Bu eylemlere her seferinde açıkça izin verin.

Perplexity'de MCP araçlarını kullanma

Perplexity, MCP araçlarıyla iki yönlü çalışır: Bağladığınız MCP sunucularındaki araçları kullanabilir ve kendi araçlarını diğer yapay zeka uygulamalarına sunar.

• MCP sunucularını Perplexity'ye bağlayın: Pro, Max ve Enterprise planlarında Perplexity'yi MCP sunucusu olan herhangi bir harici araca veya veri kaynağına bağlayabilir ve bunları yanıtlarda ve Perplexity Computer ajan tabanlı iş akışlarında kullanabilirsiniz. Mac uygulamasında bilgisayarınızda çalışan MCP sunucularını da bağlayabilirsiniz
• Perplexity'nin araçlarını diğer yapay zeka uygulamalarında kullanın: Perplexity'nin MCP sunucusu, Claude Code gibi uzak MCP sunucularını destekleyen tüm yapay zeka uygulamalarına dört araç (perplexity_search, perplexity_ask, perplexity_research ve perplexity_reason) sunar. Ayrı bir sunucu ise diğer yapay zeka uygulamalarının çok adımlı görevleri Perplexity Computer'a devretmesini sağlar.

MCP araçları hakkında SSS

MCP yalnızca araç çağırmadan mı ibarettir?

Hayır, MCP yalnızca araç çağırmadan ibaret değildir. Araç çağırma, modelin bir aracı talep etme biçimidir; MCP ise yapay zeka uygulamasının araçları bulma ve her çağrıyı o aracı çalıştıran sunucuya yönlendirme biçimidir.

Araç çağırma (fonksiyon çağırma olarak da bilinir), işin yapay zeka modeline düşen kısmıdır: Model bir araç listesi görür ve bunlardan birini çalıştırmak için bir istekle yanıt verir. Yalnızca araç çağırmayla her yapay zeka uygulamasının her aracı kendisinin tanımlaması ve çalıştırması gerekir.

MCP, araçların sunucularda bulunmasını sağlar; böylece MCP'yi destekleyen her yapay zeka uygulaması bu araçları kendi modeline sunabilir ve modelin isteklerini doğru sunucuya gönderebilir.

MCP, API'lerin yerini alacak mı?

Hayır, MCP API'lerin yerini almayacak, çünkü MCP ve API'ler birlikte çalışır. MCP araçları genellikle mevcut API'lerin üzerine kurulur ve model bir aracı çağırdığında MCP sunucusu genellikle bir API isteği yapar.

Hangi yapay zeka uygulamaları MCP araçlarını destekler?

MCP araçları Claude, ChatGPT ve Perplexity gibi yapay zeka asistanlarında ve Visual Studio Code ile Cursor gibi geliştirme araçlarında çalışır. MCP belgeleri bunları sayar ve başka birçok uygulamanın da MCP'yi desteklediğini belirtir.

Yapay zeka modelinin kendisinin MCP'yi desteklemesi gerekir mi?

Hayır. Protokolü yapay zeka uygulamanız yönettiği için yapay zeka modelinin MCP'yi desteklemesi gerekmez. Uygulama sunuculara bağlanır, onların araçlarını modele iletir ve modelin araç isteklerini doğru sunucuya geri gönderir. Modelin yalnızca fonksiyon çağırmayı desteklemesi yeterlidir.

MCP geçerliliğini mi yitiriyor?

Hayır, MCP hâlâ aktif olarak geliştiriliyor. MCP'nin bakımını üstlenen ekip Temmuz 2026'da MCP spesifikasyonunun yeni bir sürümünü yayımladı ve Ağustos 2026'da, sohbet daraldıkça sunucuların araçlarını kademeli olarak göstermesine yönelik çalışmaları da içeren güncellenmiş bir yol haritası paylaştı.