Kod Yürütme MCP ile: Yapay Zeka Ajan Verimliliğinde Yeni Bir Yaklaşım
Anthropic, yapay zeka ajanlarının Model Context Protocol (MCP) sunucularıyla yürütülebilir kod yazarak etkileşime girdiği, bunun yerine doğrudan araç çağrıları yapmak yerine bir yöntem sundu. Ajan araçları bilgisayardaki dosyalar gibi ele alır, ihtiyacı olanı bulur ve doğrudan kodla kullanır, böylece ara verilerin modelin belleğinden geçmesi gerekmez. Bu yaklaşımı, aynı başarı oranını korurken token maliyetini düşürüp düşürmediğini görmek için test ettik.
Kod yürütme ile MCP, normal MCP'ye karşı
Metrik | Normal MCP | MCP ile Kod Yürütme | Fark |
|---|---|---|---|
Başarı Oranı | 100% | 100% | Aynı |
Ortalama Gecikme | 9.66s | 10.37s | +7% |
Ortalama Giriş Token'ları | 15,417 | 3,310 | -78.5% |
Ortalama Çıkış Token'ları | 87 | 192 | +120% |
Toplam Giriş Token'ları | 770,852 | 165,496 | -78.5% |
Toplam Çıkış 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 yürütme MCP: Modelin, bağlam dışında ara verileri tutarak araçları çağıran kod yazdığı yeni yaklaşım
Önemli Bulgular
Girdi token tasarrufu: Kod yürütme, 78.5% daha az girdi token'ı kullanır (165K vs 771K):
- Normal, çağrı başına ~15,400 token'lık araç tanımı yükler
- Kod yürütme, çağrı başına yalnızca ~3,300 token'a ihtiyaç duyar
Daha yüksek çıktı token'ları: Kod yürütme yaklaşımı, model kod ve açıklamalar yazdığı için 2.2 kat daha fazla çıktı token'ı kullanır
Net token tasarrufu: 77.4% toplam token azalması (175K vs 775K)
Maliyet etkisi:
- Girdi token'ları genellikle çıktı token'larından daha ucuzdur
- Ancak 78% girdi tasarrufu, 2× çıktı artışından çok daha ağır basar
- Kod yürütme ile tahmini ~70% maliyet düşüşü
Her ikisi de bu sorgularda GPT-4.1 ile 100% başarı oranı elde etti.
Kod yürütme yaklaşımı, Anthropic'in, ajan yeteneğini korurken bağlam penceresi kullanımını azaltmak için MCP ile kod yürütme kullanımı hakkındaki gönderisinden esinlenmiştir.1
Kod Yürütme ile MCP Karşılaştırmasının Metodolojisi
Görevler
Her görevi her yaklaşım için 50 kez çalıştırdık:
- https://aimultiple.com/open-source-embedding-models adresine git, mükemmel ilk 5 performans göstereni söyle (yani 100% ilk 5 doğruluğa sahip modeller)
- https://aimultiple.com/open-source-embedding-models adresine git, hangi modelin en yüksek gecikmeye sahip olduğunu söyle.
Karşılaştırma Kurulumu
Tarayıcı MCP kıyaslamamızda en yüksek doğruluğa sahip olduğu için pro modu etkinleştirilmiş Bright Data’nın MCP sunucusunu kullandık.
Bright Data MCP sunucusu: yapay zeka için web entegrasyon araçları.
Web Sitesini Ziyaret EtGeniş bağlam penceresi nedeniyle LLM olarak GPT-4.1'i kullandık.
Ortam Kurulumu: Önbelleğe alınmış verileri temizledik ve her çalıştırmada 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 penceresindeki tüm 63 araç tanımına erişimi olan bir LangGraph ReAct Ajanına girer. Ajan, MCP İstemci Oturumu aracılığıyla araçları seçer ve çağırır ve araç sonuçları, ajanın bir sonraki eylemini bilgilendirmek için bağlam penceresinden geri akar.
Kod Yürütme MCP Mimarisi
Kod yürütme yaklaşımı bir ara katman ekler: kullanıcı sorgusu, sıkıştırılmış bir bağlamla (tam şemalar değil, yalnızca araç adları) bir Kod Yürütme Ajanına gider. Ajan, araçları çağıran Python kodu yazar. Bu kod, MCP İstemci Oturumu ile iletişim kuran korumalı bir Kod Yürütücü ortamında çalışır. Ajanın bağlamına yalnızca nihai sonuçlar veya özetler döner, ham ara veriler değil.
Kod yürütme uygulaması aşamalı açıklama kullanır. Sistem prompt'una yalnızca araç adları ve kısaltılmış açıklamalar (60 karakter) dahil edilir. Modelin bir araç kullanması gerektiğinde, yürütme ortamında sağlanan 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 yürütme başarısı, modelin kod üretme yeteneğine bağlıdır, bu daha karmaşık görevlerde başarı oranlarında düşüşlere neden olabilir.
Geleneksel MCP neden kaynakları israf eder
Sorun 1: Araç tanımları aşırı bağlam tüketir
Her araç, modelin belleğinde talimatlara ihtiyaç duyar. Temel bir örnek:
gdrive.getDocument
Gets a file from Google Drive
Needs: document ID
Returns: the file content
Örnek: Her birinde 20 araç bulunan 50 sunucuya bağlı bir ajan, 1,000 araç tanımı anlamına gelir. Tanım başına yaklaşık 150 token'la, ajan ilk isteğinizi okumadan önce 150,000 token tüketilir.
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 bunu okur
- Ajan bunu Salesforce'a gönderir (başka bir 50,000 token)
Model, verileri bir yerden başka bir yere taşımak için 100,000'den fazla token işler.
Geleneksel MCP uygulamaları, modelin bağlam penceresine yüklenen JSONSchema tanımlarından araçları seçmesini gerektirir, bu da araç sayısı arttıkça doğruluğu düşürür.2 Araştırmalar, şema tanımlarından kaynaklanan bağlam taşması nedeniyle mevcut 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, modelin mevcut kod üretme yeteneğini kullanır ve önceden tanımlanmış şemalardan seçim yapmaya zorlamaz.
Tercih edilen kaynak olarak ekleMCP ile kod yürütme ne zaman kullanılmalı?
MCP ile kod yürütme, geleneksel MCP uygulamalarındaki iki temel verimsizliği ele alır:
- Araç tanımları artık bağlam penceresini doldurmaz
- Ara verilerin modelden gereksiz yere akması durur
Bu yaklaşım şu durumlarda en iyi şekilde çalışır:
- Bağlı birçok MCP aracınız varsa
- İş akışlarınız çok adımlı veri işleme içeriyorsa
- Büyük belgeler veya veri kümeleri araçlar arasında taşınıyorsa
- Bağlam penceresi sınırları ajanlarınızı etkiliyorsa
Altyapı gereksinimleri, bunun tüm kullanım durumları için otomatik olarak daha iyi olduğu anlamına gelmez. Az sayıda araca sahip küçük ölçekli dağıtımlar, operasyonel karmaşıklığı haklı çıkarmayabilir.
Halihazırda kapsamlı MCP araç kataloglarına sahip ajanları çalıştıran kuruluşlar için, 98%'in üzerinde token azaltma potansiyeli ve buna karşılık gelen maliyet tasarrufu, bu yaklaşımı araştırmaya değer kılar.
Alternatif çerçeveler ve protokoller
LangGraph'ın ötesinde, Google'ın Agent Development Kit (ADK) McpToolset aracılığıyla yerel MCP desteği sunar ve ajanlar arası iletişimi, /.well-known/agent-card.json adresinde yayınlanan yetenek kartları aracılığıyla standartlaştıran Agent2Agent (A2A) protokolüyle entegre olur.4 5 Nisan 2026'da OpenAI, Agents SDK'sını yerel korumalı alan yürütme yetenekleri eklemek için güncelledi ve sınırlı dosya ve kod erişimine sahip yalıtılmış 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 = {{Kod Yürütme MCP ile: Yapay Zeka Ajan Verimliliğinde 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.