MCP ile Kod Çalıştırma: Yapay Zeka Ajanı Verimliliğine Yeni Bir Yaklaşım
Anthropic, yapay zeka ajanlarının araçlara doğrudan çağrı yapmak yerine çalıştırılabilir kod yazarak Model Bağlam Protokolü (MCP) sunucularıyla etkileşime girdiği bir yöntem tanıttı. Ajan, araçları bir bilgisayardaki dosyalar gibi ele alır, ihtiyacı olanı bulur ve bunları doğrudan kodla kullanır, böylece ara verilerin modelin belleğinden geçmesi gerekmez. Aynı başarı oranını korurken token maliyetini azaltıp azaltmadığını görmek için bu yaklaşımı test ettik.
MCP ile kod çalıştırma ve normal MCP karşılaştırması
Metrik | Normal MCP | MCP ile Kod Çalıştırma | Fark |
|---|---|---|---|
Başarı Oranı | 100% | 100% | Aynı |
Ort. Gecikme | 9.66s | 10.37s | +7% |
Ort. Girdi Token'ları | 15,417 | 3,310 | -%78,5 |
Ort. Çıktı Token'ları | 87 | 192 | +120% |
Toplam Girdi Token'ları | 770,852 | 165,496 | -%78,5 |
Toplam Çıktı Token'ları | 4,345 | 9,585 | +120% |
Toplam Tüm Token'lar | 775,197 | 175,081 | -%77,4 |
MCP aracılığıyla harici araçlarla etkileşime giren yapay zeka ajanları oluşturmak için iki yaklaşımı karşılaştırdık:
- Normal MCP: Tüm araç tanımlarının modelin bağlam penceresine yüklendiği geleneksel yaklaşım
- Kod çalıştırmalı MCP: Modelin araçları çağıran kod yazdığı, ara verileri bağlamın dışında tutan yeni yaklaşım
Temel bulgular
Girdi token tasarrufu: Kod çalıştırma, %78,5 daha az girdi token'ı kullanır (165K ve 771K karşılaştırması):
- Normal yaklaşım, çağrı başına ~15.400 token araç tanımı yükler
- Kod çalıştırma, çağrı başına yalnızca ~3.300 token'a ihtiyaç duyar
Daha yüksek çıktı token'ları: Kod çalıştırma yaklaşımı, 2.2× daha fazla çıktı token'ı kullanır çünkü model kod + açıklamalar yazar
Net token tasarrufu: %77,4 toplam token azalması (175K ve 775K karşılaştırması)
Maliyet etkisi:
- Girdi token'ları genellikle çıktı token'larından daha ucuzdur
- Ancak 78% girdi tasarrufu, 2× çıktı artışından çok daha ağır basar
- Kod çalıştırma ile tahmini ~70% maliyet azalması
Her ikisi de GPT-4.1 ile bu sorgularda 100% başarı oranı elde etti.
Kod çalıştırma yaklaşımı, Anthropic'in ajan yeteneğini korurken bağlam penceresi kullanımını azaltmak için MCP ile kod çalıştırma kullanımı hakkındaki yazısından esinlenmiştir.1
MCP ile kod çalıştırma karşılaştırmasının metodolojisi
Görevler
Her yaklaşım için her görevi 50 kez çalıştırdık:
- https://aimultiple.com/open-source-embedding-models adresine git, bana mükemmel ilk-5 performans gösterenleri söyle (yani 100% ilk-5 doğruluğuna sahip modeller)
- https://aimultiple.com/open-source-embedding-models adresine git, bana hangi modelin en yüksek gecikmeye sahip olduğunu söyle.
Karşılaştırma kurulumu
Tarayıcı MCP kıyaslamamızda en yüksek doğruluğa sahip olduğu için Bright Data'nın MCP sunucusunu pro modu etkin olarak kullandık.
Bright Data MCP sunucusu: Yapay zeka için web entegrasyon araçları.
Web Sitesini Ziyaret EtGeniş bağlam penceresi nedeniyle LLM olarak GPT-4.1 kullandık.
Ortam Kurulumu: Önbelleğe alınmış tüm verileri temizledik ve her çalıştırma için yeni bir MCP sunucu bağlantısı sağladık. Her sorgu ayrı bir alt süreç olarak yürütülür.
Mimari karşılaştırması
Normal MCP mimarisi
Normal MCP yaklaşımında ajan basit bir akış izler: kullanıcı sorgusu, bağlam penceresinde tüm 63 araç tanımına erişimi olan bir LangGraph ReAct Ajanı'na girer. Ajan, MCP İstemci Oturumu aracılığıyla araçları seçer ve çağırır ve araç sonuçları, ajanın bir sonraki eylemini bilgilendirmek için bağlam penceresinden geri akar.
Kod çalıştırmalı MCP mimarisi
Kod çalıştırma yaklaşımı bir ara katman ekler: kullanıcı sorgusu, kompakt bir bağlama sahip (tam şemalar değil, yalnızca araç adları) bir Kod Çalıştırma Ajanı'na gider. Ajan, araçları çağıran Python kodu yazar. Bu kod, MCP İstemci Oturumu ile iletişim kuran korumalı bir Kod Yürütücü ortamında çalışır. Ham ara veriler değil, yalnızca nihai sonuçlar veya özetler ajanın bağlamına döner.
Kod çalıştırma uygulaması aşamalı açıklama kullanır. Sistem isteminde yalnızca araç adları ve kısaltılmış açıklamalar (60 karakter) bulunur. Modelin bir araç kullanması gerektiğinde, yürütme ortamında sağlanan bir async call_tool() işlevini çağıran Python kodu yazar.
Yaklaşımımızın sınırlamaları
- Sorgu çeşitliliği: Yalnızca 2 sorgu türü test edildi; sonuçlar diğer görev türleri için değişiklik gösterebilir.
- Tek model: Yalnızca GPT-4.1 ile test edildi; diğer modeller farklı desenler gösterebilir
- Kod kalitesi: Kod çalıştırma başarısı, modelin kod üretme yeteneğine bağlıdır; bu, daha karmaşık görevlerde başarı oranlarında düşüşlere neden olabilir.
Geleneksel MCP neden kaynak israfına yol açar
Sorun 1: Araç tanımları aşırı bağlam tüketir
Her aracın modelin belleğinde talimatlara ihtiyacı vardır. Temel bir örnek:
gdrive.getDocument
Gets a file from Google Drive
Needs: document ID
Returns: the file content
Örnek: 50 sunucuya bağlı bir ajan, her birinde 20 araç olması 1.000 araç tanımı anlamına gelir. Tanım başına yaklaşık 150 token ile bu, ajan ilk isteğinizi okumadan önce 150.000 token tüketilmesi demektir.
Sorun 2: Veriler birden çok kez işlenir
Görev: "Google Drive'dan toplantı notlarımı al ve Salesforce'a ekle."
Ne olur:
- Ajan belgeyi alır (50.000 token)
- Model onu okur
- Ajan bunu Salesforce'a gönderir (bir 50.000 token daha)
Model, verileri bir yerden başka bir yere taşımak için 100.000+ token işler.
Geleneksel MCP uygulamaları, modelin bağlam penceresine yüklenen JSONSchema tanımlarından araç seçmesini gerektirir; bu da araç sayısı arttıkça doğruluğu düşürür.2 Araştırmalar, şema tanımlarından kaynaklanan bağlam taşması nedeniyle kullanılabilir araç sayısı arttıkça görev başarı oranlarının keskin bir şekilde düştüğünü doğrulamıştır.3 MCP araçlarını çağrılabilir işlevler olarak sunmak ve modelin araçları doğrudan çağıran Python kodu yazmasına izin vermek, önceden tanımlanmış şemalardan seçim yapmaya zorlamak yerine modelin mevcut kod üretme yeteneğinden yararlanır.
MCP ile kod çalıştırma ne zaman kullanılmalı?
MCP ile kod çalıştırma, geleneksel MCP uygulamalarındaki iki temel verimsizliği ele alır:
- Araç tanımları artık bağlam penceresini doldurmaz
- Ara veriler gereksiz yere modelden akmayı durdurur
Yaklaşım şu durumlarda en iyi sonucu verir:
- Çok sayıda MCP aracı bağlı olduğunda
- İş akışlarınız çok adımlı veri işleme içerdiğinde
- Büyük belgeler veya veri kümeleri araçlar arasında hareket ettiğinde
- Bağlam penceresi sınırları ajanlarınızı etkilediğinde
Altyapı gereksinimleri, bunun tüm kullanım durumları için otomatik olarak daha iyi olmadığı anlamına gelir. Az sayıda araca sahip küçük ölçekli dağıtımlar, operasyonel karmaşıklığı haklı çıkarmayabilir.
Halihazırda kapsamlı MCP araç kataloglarıyla ajan çalıştıran kuruluşlar için 98%+ token azaltma potansiyeli ve buna karşılık gelen maliyet tasarrufları, bu yaklaşımı araştırmaya değer kılmaktadır.
Tercih edilen kaynak olarak ekleAlternatif framework'ler ve protokoller
LangGraph'ın ötesinde, Google'ın Agent Development Kit (ADK)'i, McpToolset aracılığıyla yerel MCP desteği sunar ve /.well-known/agent-card.json adresinde yayınlanan yetenek kartları aracılığıyla ajanlar arası iletişimi standartlaştıran Agent2Agent (A2A) protokolü ile entegre olur.4 5 Nisan 2026'da OpenAI, Agents SDK'sını yerel korumalı alan yürütme yetenekleri ekleyecek şekilde güncelledi; kısıtlı dosya ve kod erişimine sahip izole çalışma alanları sağladı.6
Bu araştırmayı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{sezer2026,
author = {Sezer, Sena and Alper, Şevval},
title = {{MCP ile Kod Çalıştırma: Yapay Zeka Ajanı Verimliliğine Yeni Bir Yaklaşım}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/code-execution-with-mcp}},
note = {AIMultiple. Erişim tarihi: 24 Haziran 2026}
}Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.