kertenkerem_
· LLM Tools · 3 dk okuma

MCP ile 'local-first' AI mimarisi: Harici API'lere ihtiyaç duymadan kendi araçlarını bağla

Yapay zeka modellerini kişisel bilgisayarımızda çalıştırmak artık ulaşılabilir bir hedef haline geldi. Ancak bu modellerin asıl sorunu, yerel dosyalarınıza veya özel sistem araçlarınıza doğrudan erişememeleri. İşte bu noktada LLM Tools kategorisinin yeni oyuncusu Model Context Protocol, yani kısaca MCP devreye giriyor. MCP, yapay zeka modelleri ile yerel sistemleriniz arasında standart bir köprü kurarak, verilerinizi internete göndermeden iş süreçlerinize dahil etmenize olanak tanıyor.

MCP nedir ve neden farklı bir yaklaşım sunuyor?

Geçmişte bir yapay zeka modelinin yerel bir veritabanını sorgulamasını veya sistemdeki bir dosyayı okumasını sağlamak için her araç için ayrı bir entegrasyon yazmanız gerekirdi. MCP, tüm bu araçları tek bir ortak dilde bir araya getiren bir protokol. Anthropic tarafından açık kaynak olarak sunulan bu yapı, yerel bir sunucu ile istemci arasında güvenli bir veri akışı sağlıyor.

Kullanıcı tarafında bir MCP sunucusu, sisteminizdeki belirli kaynaklara (yerel dosyalar, SQLite veritabanları veya yerel terminal komutları gibi) erişim yetkisi veriyor. Yapay zeka modeli ise bu sunucuya bağlanarak ihtiyacı olan bilgiyi talep ediyor. Böylece hassas verileriniz yerel ortamınızın dışına çıkmıyor. Bu da onu yerel AI geliştirmeleri için kritik bir bileşen haline getiriyor.

Local AI kurulumunda MCP kullanımı

MCP kurulumu temel olarak bir sunucu yapılandırmasından ibaret. Örneğin Claude Desktop uygulamasını veya benzer bir arayüzü yerel geliştirme ortamınızla konuşturmak istediğinizde, yapılandırma dosyanıza ilgili sunucu bilgilerini eklemeniz yeterli. Bu aşamada sunucunun hangi dosya dizinine erişebileceğini veya hangi komutları çalıştırabileceğini kendiniz tanımlıyorsunuz.


{
  "mcpServers": {
    "sqlite": {
      "command": "uvx",
      "args": ["mcp-server-sqlite", "--db-path", "/home/kullanici/veriler.db"]
    }
  }
}

Yukarıdaki örnekte Claude Desktop uygulamasının belirtilen SQLite veritabanına erişim sağlaması sağlanıyor. Bu yapılandırmadan sonra arayüzde veritabanı şemanızın modellere görünür olduğunu ve doğal dille sorgulama yapabildiğinizi göreceksiniz. Ekranın sol tarafında araçlarınızın listelendiği küçük bir panel belirir ve model bu araçları gerektiğinde otomatik olarak çağırır.

Gerçek dünya senaryoları ve verimlilik

Bu sistemi günlük iş akışına entegre etmek, manuel yapılan birçok işlemi otomatize etmeyi sağlıyor. Örneğin, bir yazılımcı kendi bilgisayarındaki git geçmişini sorgulayan bir MCP sunucusu kullanarak, yapay zekaya gün içerisindeki değişiklikleri özetlemesini söyleyebilir. Veya yerel bir not alma uygulamasındaki Markdown dosyalarınızı okutarak, modelin bu notlar üzerinden yeni içerik üretmesini sağlayabilirsiniz.

İnternete bağımlı olmadığınız için bu süreç tamamen çevrimdışı çalışabiliyor. Gizlilik endişesi olan kullanıcılar için büyük bir avantaj bu. Verileriniz bulut üzerindeki bir API’ye gönderilmediği için üçüncü taraf servislerle paylaşım riski ortadan kalkıyor.

Özellik Geleneksel API Entegrasyonu MCP ile Local-First
Veri gizliliği Buluta bağımlı Yerel kalır
Bağlantı İnternet gerekli Çevrimdışı çalışır
Bakım maliyeti Yüksek (API güncellemeleri) Düşük (Standart protokol)
Özelleştirme Sınırlı Tam kontrol

Maliyet ve alternatifler

Yazıldığı tarihte MCP tamamen ücretsiz ve açık kaynaklı bir protokol olarak sunuluyor. Ancak kullanacağınız modele göre bir maliyet değişkenliği olabilir. Claude Desktop üzerinden kullanıyorsanız modelin kendi kullanım ücretleri geçerli; ancak yerel modelleri (Ollama gibi) bir MCP istemcisine bağlayarak tamamen ücretsiz bir ekosistem kurmanız da mümkün.

Eğer MCP henüz ihtiyacınız olan karmaşıklıkta değilse, LangChain veya LlamaIndex gibi araçlar alternatif olarak değerlendirilebilir. Yine de MCP, kurulum basitliği ve standartlaştırılmış yapısı sayesinde, özellikle kişisel asistanlar geliştirmek isteyenler için daha doğrudan bir yol sunuyor. Teknik olarak karmaşık kütüphanelerle uğraşmak yerine, standart bir JSON konfigürasyonuyla işinizi halledebiliyorsunuz.

Bu sistemin bir sınırı yok değil. Karmaşık ve çok katmanlı kurumsal veri setlerinde MCP sunucularını yönetmek, basit bir yerel klasör erişimine göre daha fazla efor gerektirebilir. Yine de kendi araçlarınızı (custom tools) oluşturup bunları yapay zekaya bağlamak, kişisel üretkenlik araçları dünyasında yeni bir standart haline geliyor.