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

Anthropic yapay zeka ajanlarının araçlara doğrudan çağrı yapmak yerine yürütülebilir kod yazarak Model Context Protocol (MCP) sunucularıyla etkileşime girdiği bir yöntem tanıttı. Ajan, araçları 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 Yürütme vs Normal MCP

Dış araçlarla MCP üzerinden etkileşime giren yapay zeka ajanları oluşturmak için iki yaklaşımı karşılaştırdık:

• Normal MCP: Tüm araç tanımlarının modelin bağlam penceresine yüklendiği geleneksel yaklaşım
• Kod yürütmeli MCP: Modelin araçları çağıran kod yazdığı, ara verileri bağlam dışında tutan yeni yaklaşım

Kullanılan araçlar

Bu benchmark, tarayıcı MCP benchmark'ımızda en yüksek doğruluğa sahip olduğu için Bright Data'nın Pro Modlu MCP Server'ı kullanılarak gerçekleştirildi.

Önemli bulgular

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

• Normal, çağrı başına ~15.400 araç tanımı token'ı yükler
• Kod yürütme yalnızca çağrı başına ~3.300 token'a ihtiyaç duyar

Daha yüksek çıktı token'ları: Kod yürütme yaklaşımı 2.2× daha fazla çıktı token'ı kullanır çünkü model kod + açıklamalar yazar

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 azalması

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

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

MCP ile kod yürütme karşılaştırmasının metodolojisi

Görevler

Her yaklaşım için her görevi 50 kez çalıştırdık:

• https://aimultiple.com/open-source-embedding-models adresine git, mükemmel ilk 5 performans gösterenini söyle (yani %100 ilk 5 doğruluğuna sahip modeller)
• https://aimultiple.com/open-source-embedding-models adresine git, hangi modelin en yüksek gecikmeye sahip olduğunu söyle.

Karşılaştırma kurulumu

Her iki yaklaşım için de büyük bağlam penceresi nedeniyle Bright Data'nın Pro Modlu MCP Server'ını ve GPT-4.1'i LLM olarak kullandık.

Ortam Kurulumu: Önbelleğe alınmış 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 penceresindeki tüm 63 araç tanımına erişimi olan bir LangGraph ReAct Ajanı'na girer. Ajan, MCP Client Session üzerinden araçları seçer ve çağırır; araç sonuçları, ajanın bir sonraki eylemini belirlemek için bağlam penceresinden geri akar.

Kod yürütmeli MCP mimarisi

Kod yürütme yaklaşımı bir ara katman ekler: kullanıcı sorgusu, yalnızca araç adlarını içeren ve tam şemaları içermeyen kompakt bir bağlama sahip Code Execution Agent'a gider. Ajan, araçları çağıran Python kodu yazar. Bu kod, MCP Client Session ile iletişim kuran sandboxed Code Executor ortamında çalışır. Ham ara veriler değil, yalnızca nihai sonuçlar veya özetler ajanın bağlamına döner.

Kod yürütme uygulaması aşamalı açıklama kullanır. Sistem prompt'una yalnızca araç adları ve kısaltılmış açıklamalar (60 karakter) dahil edilir. Model bir aracı kullanması gerektiğinde, yürütme ortamında sağlanan async call_tool() işlevini 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 modeller farklı desenler gösterebilir
3. Kod kalitesi: Kod yürütme başarısı modelin kod üretme yeteneğine bağlıdır; bu, daha karmaşık görevlerde başarı oranlarının düşmesine neden olabilir.

Geleneksel MCP neden kaynak israf eder

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 ve her birinde 20 araç bulunan bir ajan, 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 çok 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 belgeyi 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.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 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 yürütme ne zaman kullanılır?

MCP ile kod yürütme, geleneksel MCP uygulamalarındaki iki temel verimsizliği giderir:

1. Araç tanımları artık bağlam penceresini doldurmaz
2. Ara veriler modelden gereksiz yere akmayı bırakır

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 araca sahip 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

Ajan framework'lerinden ayrı bir kod yürütme katmanı isteyen ekipler, Python ve TypeScript SDK'ları sunan ve her sandbox'ın giden erişimini IP adresi, port ve HTTPS hostname'i ile kısıtlamanıza olanak tanıyan CoreWeave Sandbox'ları gibi bağımsız sandbox hizmetlerini kullanabilir.³ Nisan 2026'da OpenAI, Agents SDK'sını yerel sandbox yürütme yetenekleri ekleyecek şekilde güncelleyerek kısıtlı dosya ve kod erişimine sahip izole çalışma alanları sağladı.⁴

Bu benchmarkı kaynak gösterin

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

@misc{alper2026,
  author = {Alper, Şevval},
  title  = {{MCP ile Kod Yürütme: Yapay Zeka Ajanı Verimliliğine Yeni Bir Yaklaşım}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/code-execution-with-mcp}},
  note   = {AIMultiple. Erişim tarihi: 16 Ekim 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 for efficient agents \ Anthropic

Anthropic

2.

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

3.

CoreWeave Sandboxes | CoreWeave Forge

4.

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