Kod Çalıştırma ile MCP: Yapay Zeka Ajanı Verimliliğine Yeni Bir Yaklaşım

Anthropic bir yöntem tanıttı: bu yöntemde yapay zeka ajanları Model Context Protocol (MCP) sunucularıyla çalıştırılabilir kod yazarak etkileşim kurması yerine doğrudan araçlara çağrı yapmak. Ajan, araçları bilgisayardaki dosyalar gibi ele alır, ihtiyaç duyduğunu bulur ve bunları doğrudan kodla kullanır; böylece ara verilerin model'in belleğinden geçmesi gerekmez. Bu yaklaşımı, aynı başarı oranını korurken token maliyetini azaltıp azaltmadığını görmek için test ettik.

Kod Çalıştırma ile MCP ve Normal MCP Karşılaştırması

Harici araçlarla MCP aracılığıyla etkileşime giren yapay zeka ajanları oluşturmak için iki yaklaşımı karşılaştırdık:

• Normal MCP: Tüm araç tanımlarının model'in bağlam penceresine yüklendiği geleneksel yaklaşım
• Kod Çalıştırma MCP: Modelin araçları çağıran kod yazdığı ve ara verileri bağlam dışında tuttuğu yeni yaklaşım

Kullanılan Araçlar

Bu kıyaslama, Bright Data'nın Pro Modlu MCP Sunucusu kullanılarak gerçekleştirildi; çünkü bu sunucu tarayıcı MCP kıyaslamamızda en yüksek doğruluğa sahipti.

Temel Bulgular

Girdi token tasarrufu: Kod çalıştırma, %78,5 daha az girdi token'ı kullanır (165K vs 771K):

• Normal, çağrı başına araç tanımı olarak ~15.400 token yükler
• Kod çalıştırma yalnızca çağrı başına ~3.300 token gerektirir

Daha yüksek çıktı token'ları: Kod çalıştırma yaklaşımı, model kod + açıklamalar yazdığı için 2.2× 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 çalıştırma ile tahmini ~%70 maliyet azalması

Her ikisi de %100 başarı oranını, bu sorgularda GPT-4.1 ile elde etti.

Kod çalıştırma yaklaşımı, Anthropic'in, ajan yeteneğini korurken bağlam penceresi kullanımını azaltmak için MCP ile kod çalıştırma konusundaki yazısından esinlenmiştir.¹

Kod Çalıştırma 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 gösterenlerini söyle (yani %100 ilk 5 doğruluğuna sahip modelleri)
• https://aimultiple.com/open-source-embedding-models adresine git, hangi modelin en yüksek gecikmeye sahip olduğunu söyle.

Karşılaştırma Kurulumu

Her iki yaklaşım için de, geniş bağlam penceresi nedeniyle Bright Data'nın Pro Modlu MCP Sunucusu'nu ve GPT-4.1'i LLM olarak kullandık.

Ortam Kurulumu: Önbelleğe alınmış tüm 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 penceresinde 63 araç tanımının tümüne erişebilen bir LangGraph ReAct Ajanı'na girer. Ajan, MCP İstemci Oturumu aracılığıyla araçları seçer ve çağırır; araç sonuçları da ajanın sonraki eylemini belirlemek için bağlam penceresinden geri akar.

Kod Çalıştırma MCP Mimarisi

Kod çalıştırma yaklaşımı bir ara katman ekler: kullanıcı sorgusu, tam şemalar değil yalnızca araç adlarını içeren kompakt bir bağlama sahip bir Kod Çalıştırma Ajanı'na gider. Ajan, araçları çağıran Python kodu yazar. Bu kod, MCP İstemci Oturumu ile iletişim kuran yalıtılmış bir Kod Yürütücü ortamında çalışır. Ajanın bağlamına ham ara veriler değil, yalnızca nihai sonuçlar veya özetler döner.

Kod çalıştırma uygulaması aşamalı açıklama kullanır. Sistem prompt'unda yalnızca araç adları ve kısaltılmış açıklamalar (60 karakter) bulunur. Model bir aracı kullanması gerektiğinde, yürütme ortamında sağlanan async call_tool() fonksiyonunu çağıran Python kodu yazar.

Yaklaşımımızın Sınırlamaları

1. Sorgu çeşitliliği: Yalnızca 2 sorgu türü test edildi; sonuçlar diğer görev türleri için farklılık gösterebilir.
2. Tek model: Yalnızca GPT-4.1 ile test edildi; diğer model'ler farklı desenler gösterebilir
3. Kod kalitesi: Kod çalıştırma başarısı model'in kod üretme yeteneğine bağlıdır; bu, daha karmaşık görevlerde başarı oranlarında düşüşlere yol açabilir.

Geleneksel MCP Neden Kaynak İsraf Eder?

Sorun 1: Araç tanımları aşırı bağlam tüketir

Her aracın model'in belleğinde talimatlara ihtiyacı vardır. Temel bir örnek:

gdrive.getDocument
Gets a file from Google Drive
Needs: document ID
Returns: the file content

Örnek: Bir ajanın 50 sunucuya bağlı olduğu ve her birinde 20 araç bulunduğu düşünülürse, bu 1.000 araç tanımı anlamına gelir. Tanım başına yaklaşık 150 token ile, ajan ilk isteğinizi okumadan önce 150.000 token tüketilir.

Sorun 2: Veriler birden fazla kez işlenir

Görev: “Toplantı notlarımı Google Drive'dan al ve Salesforce'a ekle.”

Ne olur:

1. Ajan belgeyi alır (50.000 token)
2. Model onu okur
3. Ajan onu Salesforce'a gönderir (bir 50.000 token daha)

Model, verileri bir yerden başka bir yere taşımak için 100.000+ token işler.
Geleneksel MCP uygulamaları, model'in bağlam penceresine yüklenen JSONSchema tanımlarından araç seçmesini gerektirir; bu da araç sayısı arttıkça doğruluğu düşürür.¹ Araştırmalar, şema tanımlarından kaynaklanan bağlam taşması nedeniyle kullanılabilir araç sayısı arttıkça görev başarı oranlarının keskin biçimde düştüğünü doğrulamıştır.² MCP araçlarını çağrılabilir işlevler olarak sunmak ve model'in araçları doğrudan çağıran Python kodu yazmasına izin vermek, model'i önceden tanımlanmış şemalardan seçim yapmaya zorlamak yerine mevcut kod üretme yeteneğinden yararlanır.

Kod Çalıştırma ile MCP Ne Zaman Kullanılmalı?

Kod Çalıştırma ile MCP, geleneksel MCP uygulamalarındaki iki temel verimsizliği giderir:

1. Araç tanımları artık bağlam penceresini doldurmaz
2. Ara veriler model'den gereksiz yere akmayı durdurur

Bu yaklaşım şu durumlarda en iyi sonucu verir:

• Bağlı çok sayıda MCP aracınız varsa
• İş akışlarınız çok adımlı veri işleme içeriyorsa
• Büyük belgeler veya dataset'ler araçlar arasında taşınıyorsa
• Bağlam penceresi sınırları ajanlarınızı etkiliyorsa

Altyapı gereksinimleri, bunun tüm kullanım durumları için otomatik olarak daha iyi olduğu anlamına gelmez. Az sayıda araç içeren küçük ölçekli dağıtımlar operasyonel karmaşıklığı haklı çıkarmayabilir.

Halihazırda kapsamlı MCP araç kataloglarına sahip ajanlar çalıştıran kuruluşlar için %98+ token azaltma ve buna karşılık gelen maliyet tasarrufu potansiyeli, bu yaklaşımı araştırmaya değer kılar.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Alternatif framework'ler ve protokoller

LangGraph'ın ötesinde, Google'ın Agent Development Kit (ADK) ürünü, McpToolset aracılığıyla yerel MCP desteği sunar ve Agent2Agent (A2A) protokolüyle entegre olur; bu protokol, /.well-known/agent-card.json adresinde yayınlanan yetenek kartları aracılığıyla ajanlar arası iletişimi standartlaştırır.³⁴ Nisan 2026'da OpenAI, Agents SDK'sını yerel sandbox yürütme yetenekleri eklemek üzere güncelledi; bu, kısıtlı dosya ve kod erişimine sahip yalıtılmış çalışma alanları sağlar.⁵

Bu benchmarkı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{alper2026,
  author = {Alper, Şevval},
  title  = {{Kod Çalıştırma ile MCP: Yapay Zeka Ajanı Verimliliğine Yeni Bir Yaklaşım}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/code-execution-with-mcp}},
  note   = {AIMultiple. Erişim tarihi: 14 Ağustos 2026}
}

Değişiklik günlüğü

2 güncelleme

20262025

1. 22 Oca

   “Karşılaştırma: UTCP vs MCP vs Kod Yürütme MCP” bölümü kaldırıldı.

Referans Linkleri

1.

Code execution with MCP: building more efficient AI agents \ Anthropic

2.

Semantic Tool Discovery for Large Language Models: A Vector-Based Approach to MCP Tool Selection

3.

Developer’s Guide to AI Agent Protocols - Google Developers Blog

4.

Model Context Protocol tools - Agent Development Kit (ADK)

5.

OpenAI updates its Agents SDK to help enterprises build safer, more capable agents | TechCrunch

TechCrunch

Şevval Alper

Yapay Zeka Araştırmacısı

Takip Et

Şevval, AIMultiple'da bir yapay zeka araştırmacısıdır. Kaotik sistemler kullanarak sözde rastgele sayı üretimi konusunda daha önce araştırma deneyimine sahiptir.
Şevval, yapay zeka kodlama araçları, yapay zeka ajanları ve kuantum teknolojilerine odaklanmaktadır.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder