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

Anthropic, yapay zeka ajanlarının Model Bağlam Protokolü (MCP) sunucularıyla, yürütülebilir kod yazarak etkileşimde bulunduğu araçlara doğrudan çağrı yapmak yerine. Ajan, araçları bilgisayardaki dosyalar gibi ele alır, ihtiyacı olanı bulur ve bunları doğrudan kodla kullanır; böylece ara verilerin modelin belleğinden geçmesi gerekmez. Bu yaklaşımı, aynı başarı oranını korurken token maliyetini azaltıp azaltmadığını görmek için test ettik.

Kod yürütme ile MCP vs normal MCP

Yapay zeka ajanlarının MCP aracılığıyla dış araçlarla etkileşim kurmasını sağlayan iki yaklaşımı karşılaştırdık:

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

Temel Bulgular

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

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

Daha yüksek çıktı tokenları: Kod yürütme yaklaşımı, model kod + açıklamalar yazdığı için 2.2× daha fazla çıktı token kullanır

Net token tasarrufu: Toplamda %77,4 token azalması (175K vs 775K)

Maliyet etkisi:

• Girdi tokenları genellikle çıktı tokenlarından daha ucuzdur
• Ancak %78 girdi tasarrufu, 2× çıktı artışından çok daha ağır basar
• Kod yürütme ile tahmini ~%70 maliyet azalması

Her iki yaklaşım da bu sorgularda %100 başarı oranına ulaştı, GPT-4.1 ile.

Kod yürütme yaklaşımı, Anthropic’in, ajan yeteneğini korurken bağlam penceresi kullanımını azaltmak için kod yürütmeyi MCP ile kullanma hakkındaki yazısından ilham almıştır.¹

Kod Yürütme ile MCP Karşılaştırmasının Metodolojisi

Görevler

Her yaklaşım için her görevi 50 kez çalıştırdık:

• https://aimultiple.com/open-source-embedding-models adresine git, mükemmel ilk 5 performansçıyı 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

Bright Data’nın pro modu etkin MCP sunucusunu kullandık; çünkü tarayıcı MCP kıyaslamamızda en yüksek doğruluğa sahipti.

Büyük bağlam penceresi nedeniyle LLM olarak GPT-4.1 kullandık.

Ortam Kurulumu: Her çalıştırmada önbelleğe alınmış verileri temizledik ve 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 Agent'a girer. Ajan, MCP İstemci Oturumu aracılığıyla araçları seçer ve çağırır; 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, yalnızca araç adlarını içeren, tam şemaları içermeyen kompakt bir bağlamla Kod Yürütme Ajanı'na gider. Ajan, araçları çağıran Python kodu yazar. Bu kod, MCP İstemci Oturumu ile iletişim kuran korumalı alanlı Kod Yürütücü ortamında çalışır. Ajanın bağlamına ham ara veriler değil, yalnızca nihai sonuçlar veya özetler döner.

Kod yürütme uygulaması aşamalı açıklamayı kullanır. Sistem istemine yalnızca araç adları ve kısaltılmış açıklamalar (60 karakter) dahil edilir. Modelin 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 değişebilir.
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 Kaynakları İsraf 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: Her birinde 20 araç bulunan 50 sunucuya bağlı bir ajan, 1.000 araç tanımı anlamına gelir. Tanım başına yaklaşık 150 token ile, ajanın ilk isteğinizi okumadan önce 150.000 token tüketilmiş olur.

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 onu Salesforce’a gönderir (başka bir 50.000 token)

Model, veriyi bir yerden başka bir yere taşımak için 100.000+ token işler.
Geleneksel MCP uygulamaları, modelin bağlam penceresine yüklenen JSONSchema tanımlarından araç seçmesini gerektirir; bu, araç sayısı arttıkça doğruluğu azaltır.¹ Araştırmalar, mevcut araç sayısı arttıkça, şema tanımlarından kaynaklanan bağlam taşması nedeniyle görev başarı oranlarının keskin bir şekilde 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 Kullanılmalı?

MCP ile kod yürütme, geleneksel MCP uygulamalarındaki iki temel verimsizliği ele alır:

1. Araç tanımları artık bağlam penceresini doldurmaz
2. Ara veriler modelin içinden gereksiz yere akmayı durdurur

Yaklaşım şu durumlarda en iyi sonucu verir:

• Birçok MCP aracına bağlıysanız
• 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 araca sahip küçük ölçekli dağıtımlar, operasyonel karmaşıklığı haklı çıkarmayabilir.

Halihazırda kapsamlı MCP araç kataloglarıyla 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 yayımlanan yetenek kartları aracılığıyla ajanlar arası iletişimi standartlaştırır.^{3 4} Nisan 2026'da OpenAI, Agents SDK'sını güncelleyerek yerel korumalı alan yürütme yetenekleri ekledi; bu, kısıtlı dosya ve kod erişimine sahip izole çalışma alanları sağlar.⁵

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 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}
}

Referans Linkleri

1.

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

2.

https://arxiv.org/pdf/2603.20313

3.

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

4.

MCP tools - Agent Development Kit (ADK)

5.

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

TechCrunch

Sena Sezer

Sektör Analisti

Takip Et

Sena, AIMultiple'da sektör analisti olarak çalışmaktadır. Boğaziçi Üniversitesi'nden lisans derecesini almıştır.

Tam Profili Görüntüle

Araştıran

Şevval Alper

Yapay Zeka Araştırmacısı

Takip Et

Şevval, AIMultiple'da yapay zeka kodlama araçları, yapay zeka ajanları ve kuantum teknolojileri konusunda uzmanlaşmış bir sektör analistidir.

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