Model Context Protocol (MCP), ajanlara araçlara ulaşmanın standart bir yolunu sunar: GitHub, veritabanları, dosya sistemleri, tarayıcılar. Birçok MCP eğitimi Claude veya GPT kullandığınızı varsayar. İkisine de ihtiyacınız yok. Bu yazı, MCP’nin araç çağırmayı destekleyen her OpenAI uyumlu modelle neden çalıştığını, geliştiricilerin gerçekten kullandığı istemcilerde nasıl kurulacağını ve kendi kodunuzda MCP’yi açık bir modele nasıl köprüleyeceğinizi anlatıyor.
MCP neden her modelle çalışır?
MCP, uygulamanız ile model arasında değil, uygulamanız ile araç sunucuları arasında yer alır. MCP’nin mimari belgeleri üç rol tanımlar:
- Ana uygulama (host): bir editör eklentisi veya betiğiniz gibi yapay zeka uygulaması.
- İstemci (client): ana uygulamanın her MCP sunucusuyla sürdürdüğü tek bir bağlantı.
- Sunucu (server): araçları, kaynakları ve istemleri sunan, yerelde stdio üzerinden ya da uzakta Streamable HTTP üzerinden çalışan bir program.
Belgeler açık konuşuyor: MCP “does not dictate how AI applications use LLMs or manage the provided context.” (BroadRouter çevirisi: yapay zeka uygulamalarının LLM’leri nasıl kullanacağını veya sağlanan bağlamı nasıl yöneteceğini dayatmaz.) Ana uygulama her sunucunun araçlarını tools/list ile listeler, bunları modelin görebileceği tek bir kayıtta birleştirir ve model bir araç istediğinde doğru sunucuya tools/call gönderir.
OpenAI uyumlu bir API’de “modelin görebileceği” ifadesi, araçların sıradan tools dizisine girdiği anlamına gelir. Bir MCP aracının zaten bir adı, bir açıklaması ve bir inputSchema’sı vardır; bunlar bir fonksiyon tanımına birebir eşlenir. Model MCP’nin işin içinde olduğunu hiç bilmez. Tek ihtiyacı güvenilir araç çağırmadır.
MCP için hangi modeli kullanmalısınız?
| BroadNet’teki model | Araç çağırma listelenmiş mi | Bağlam | MCP uyumu |
|---|---|---|---|
| GLM 5.3 | Evet | 1.048.576 | Çok sayıda sunucu için iyi bir varsayılan |
| Qwen3.8 27B | Evet | 262.144 | İyi, ayrıca görsel girdi |
| DeepSeek V4.1 Flash | Listelenmemiş | 1.048.576 | Önce test edin; görsel girdi |
| Gemma 4 VL 26B | Listelenmemiş | 32.768 | Önerilmez |
Araç destekli iki modelin yan yana karşılaştırması için GLM 5.3 vs Qwen3.8 27B sayfasına bakın. Bağlam, insanların sandığından daha önemlidir. Her MCP araç şeması her çağrıyla birlikte gider. opencode belgeleri şöyle diyor: “MCP tools consume model context, so add only the servers you need.” (BroadRouter çevirisi: MCP araçları model bağlamını tüketir, bu yüzden yalnızca ihtiyacınız olan sunucuları ekleyin.) Ajan token bütçesi yazısı bunun nasıl ölçüleceğini gösteriyor.
Yaygın istemcilerde MCP nasıl kurulur?
| İstemci | MCP sunucularının tanımlandığı yer | Aktarım yöntemleri | Not |
|---|---|---|---|
| Cline | MCP Servers paneli, mcpServers JSON |
stdio, Streamable HTTP, eski SSE | Uzak sunucu türü "streamableHttp" |
| Continue | config.yaml içinde mcpServers veya .continue/mcpServers/ |
stdio, sse, streamable-http | Yalnızca Agent modu |
| opencode | opencode.jsonc içinde mcp.servers |
local, remote |
Gizli bilgiler için {env:NAME} kullanın |
| n8n | Bir AI Agent üzerinde MCP Client Tool düğümü | Uzak sunucu uç noktası (belgeleri bir SSE uç noktası tarif ediyor) | All, Selected veya All Except araç seçimi |
| OpenAI Agents SDK | Agent üzerinde mcp_servers=[...] |
stdio, Streamable HTTP, SSE | HostedMCPTool değil |
Ardından istemcinin modelini sağlayıcınıza yönlendirin: Cline, Continue ve opencode rehberleri BroadNet için model tarafını anlatıyor. Continue’da tool_use yeteneğini eklemeyi unutmayın; aksi halde Agent modu kullanılamaz.
Continue belgelerinden bir örnek:
mcpServers:
- name: SQLite MCP
type: stdio
command: npx
args: ["-y", "mcp-sqlite", "/path/to/your/database.db"]
MCP, Python’da açık bir modele nasıl köprülenir?
Kendi ajanınızı geliştiriyorsanız köprü kısadır. Bu örnek, StdioServerParameters verildiğinde bir stdio sunucusu başlatan MCP Python SDK’sının Client sınıfını (2.0 veya sonrası; pip install "mcp>=2") ve BroadNet’e yönlendirilmiş OpenAI SDK’sını kullanıyor:
import asyncio, json, os
from mcp import Client, StdioServerParameters
from mcp.types import TextContent
from openai import OpenAI
llm = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
server = StdioServerParameters(command="npx",
args=["-y", "@modelcontextprotocol/server-filesystem", "."])
async def main(question):
async with Client(server) as mcp:
listed = await mcp.list_tools()
tools = [{"type": "function", "function": {
"name": t.name, "description": t.description or "",
"parameters": t.input_schema}} for t in listed.tools]
messages = [{"role": "user", "content": question}]
for _ in range(8):
r = llm.chat.completions.create(model="broadnet/glm-5.3",
messages=messages, tools=tools, max_tokens=4000)
msg = r.choices[0].message
messages.append(msg.model_dump(exclude_none=True))
if not msg.tool_calls:
return msg.content
for call in msg.tool_calls:
try:
res = await mcp.call_tool(call.function.name,
json.loads(call.function.arguments or "{}"))
text = "\n".join(b.text for b in res.content if isinstance(b, TextContent))
out = f"Error: {text}" if res.is_error else text
except Exception as e:
out = f"Error: {e}"
messages.append({"role": "tool", "tool_call_id": call.id, "content": out})
print(asyncio.run(main("List the Markdown files here and summarize the README.")))
mcp 1.x sürümlerinde Client sınıfı yoktur: sunucuyu stdio_client(...) ile açın, bir ClientSession ile sarın, initialize() çağırın ve camelCase alanları inputSchema ile isError’ı okuyun. Üç ayrıntı önemli:
- Hatalar araç sonucuna dönüşür. MCP SDK araç hatalarını istisna fırlatmak yerine
is_errorile bildirir. Modelin uyum sağlayabilmesi için bunları geri iletin. Araç çağırma rehberimiz doğrulama ve yeniden denemeleri ele alıyor. - Döngüyü sınırlayın. Burada sekiz adım. Büyük sonuçlar döndüren MCP sunucuları bağlamı hızla doldurur.
- Araçları filtreleyin. Yalnızca görevin ihtiyaç duyduğu araçları sunun. OpenAI Agents SDK bunun için
tool_filtersunar; n8n’de ise Selected ve All Except seçenekleri vardır.
Bunun yerine OpenAI Agents SDK mı kullanıyorsunuz? MCPServerStdio ve MCPServerStreamableHttp sınıfları sizin sürecinizde çalışır. Bunları Agents SDK rehberimizdeki gibi özel bir sağlayıcıyla birleştirin. HostedMCPTool ise OpenAI’nin Responses API’si içinde çalışır ve yalnızca OpenAI modelleriyle çalışır.
Açık modellerde MCP ile neler ters gider?
- Çok fazla araç. Model yanlış aracı seçer veya araçları yok sayar. Etkin araç kümesini küçük tutun. Kendi araçlarınız için JSON şema oluşturucu temiz ve düz bir
parametersşeması üretir. - Büyük araç sonuçları. Bütün bir veritabanı tablosunu döndüren bir sunucu bağlam penceresini aşabilir. Sonuçları sınırlayın veya sayfalayın.
- Boş veya kesik yanıtlar. GLM 5.3 ve Qwen3.8 27B önce akıl yürütür ve akıl yürütme
max_tokens’tan düşülür. Sınırı yükseltin. - Güven. MCP sunucuları makinenizde kod çalıştırır veya kimlik bilgilerinizle hizmetleri çağırır. Güvendiğiniz sunucuları kurun ve yazma ya da harcama yapan eylemleri onaylayın.
BroadNet Inference’ın yeri
BroadNet Inference model tarafını sağlar: araç çağırması listelenmiş GLM 5.3 ve Qwen3.8 27B, yukarıdaki her MCP istemcisinin kullanabileceği standart chat-completions formatıyla ve istemler ile çıktılarda sıfır veri saklamayla. MCP sunucularını veya barındırılan araçları sizin için çalıştırmaz; bunu istemciniz yapar. İki modelin token başına fiyatları fiyatlandırma sayfasında, anahtarlar ise inference.broadnet.ai adresinde.
