---
title: "OpenAI uyumlu modellerle MCP sunucuları: nasıl çalışır?"
description: "MCP her LLM ile çalışır: istemci MCP araçlarını fonksiyon çağrılarına çevirir. Açık modellerle MCP'yi Cline, Continue, opencode, n8n veya Python'da kullanın."
url: https://broadrouter.com/tr/blog/mcp-with-openai-compatible-models/
lang: tr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/mcp-with-openai-compatible-models/) (güncelleme: 2026-11-16).

# MCP sunucularını OpenAI uyumlu modellerle kullanma (her sağlayıcıda)

BroadNet Inference ekibi · 4 dk okuma · Yayımlandı 2026-11-14 · Güncellendi 2026-11-16

MCP modelden bağımsızdır. Uygulamanızdaki MCP istemcisi her sunucunun araçlarını listeler, bunları modele sıradan function calling araçları olarak verir ve model istediğinde tools/call çalıştırır. Araç çağırması güvenilir olan her OpenAI uyumlu model MCP sunucularını kullanabilir. Bunları Cline, Continue, opencode veya n8n'de yapılandırın ya da yaklaşık 40 satır Python ile köprüleyin.

## Öne çıkanlar

-   MCP belgeleri, protokolün "does not dictate how AI applications use LLMs" (BroadRouter çevirisi: yapay zeka uygulamalarının LLM'leri nasıl kullanacağını dayatmadığını) söylüyor. MCP araçlarını modelin araç formatına ana uygulama çevirir.
-   Modelin araç çağırmayı desteklemesi gerekir. BroadNet Inference'ta GLM 5.3 ve Qwen3.8 27B bunu listeliyor.
-   Cline, Continue (yalnızca Agent modunda), opencode, n8n ve OpenAI Agents SDK, özel bir modelle MCP istemcisi olarak çalışır.
-   Her MCP araç şeması her model çağrısında gönderilir. opencode belgeleri MCP araçlarının model bağlamını tükettiği konusunda uyarıyor; yalnızca ihtiyacınız olan sunucuları ekleyin.
-   OpenAI'nin Responses API'si içinde çalışan barındırılan MCP araçları diğer sağlayıcılarla çalışmaz; yerel MCP istemcileri çalışır.

**Bu sayfada**

1.  MCP neden her modelle çalışır?
2.  MCP için hangi modeli kullanmalısınız?
3.  Yaygın istemcilerde MCP nasıl kurulur?
4.  MCP, Python’da açık bir modele nasıl köprülenir?
5.  Açık modellerde MCP ile neler ters gider?
6.  BroadNet Inference’ın yeri

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](https://broadrouter.com/tr/glossary/openai-compatible-api/) 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](https://broadrouter.com/tr/glossary/tool-calling/).

## MCP için hangi modeli kullanmalısınız?

| BroadNet’teki model | Araç çağırma listelenmiş mi | Bağlam | MCP uyumu |
| --- | --- | --- | --- |
| [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) | Evet | 1.048.576 | Çok sayıda sunucu için iyi bir varsayılan |
| [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) | Evet | 262.144 | İyi, ayrıca görsel girdi |
| [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/) | Listelenmemiş | 1.048.576 | Önce test edin; görsel girdi |
| [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) | Listelenmemiş | 32.768 | Önerilmez |

Araç destekli iki modelin yan yana karşılaştırması için [GLM 5.3 vs Qwen3.8 27B](https://broadrouter.com/compare/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](https://broadrouter.com/tr/blog/agent-token-budget/) 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](https://broadrouter.com/tr/guides/cline-openai-compatible/), [Continue](https://broadrouter.com/tr/guides/continue-dev-openai-compatible/) ve [opencode](https://broadrouter.com/tr/guides/opencode-custom-provider/) rehberleri BroadNet için model tarafını anlatıyor. Continue’da `tool_use` yeteneğini eklemeyi unutmayın; aksi halde Agent modu kullanılamaz.

Continue belgelerinden bir örnek:

```yaml
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:

```python
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:

1.  **Hatalar araç sonucuna dönüşür.** MCP SDK araç hatalarını istisna fırlatmak yerine `is_error` ile bildirir. Modelin uyum sağlayabilmesi için bunları geri iletin. [Araç çağırma rehberimiz](https://broadrouter.com/tr/blog/tool-calling-open-models/) doğrulama ve yeniden denemeleri ele alıyor.
2.  **Döngüyü sınırlayın.** Burada sekiz adım. Büyük sonuçlar döndüren MCP sunucuları bağlamı hızla doldurur.
3.  **Araçları filtreleyin.** Yalnızca görevin ihtiyaç duyduğu araçları sunun. OpenAI Agents SDK bunun için `tool_filter` sunar; 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](https://broadrouter.com/tr/guides/openai-agents-sdk-custom-provider/) 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](https://broadrouter.com/tools/json-schema-generator/) temiz ve düz bir `parameters` şeması üretir.
-   **Büyük araç sonuçları.** Bütün bir veritabanı tablosunu döndüren bir sunucu [bağlam penceresini](https://broadrouter.com/tr/glossary/context-window/) 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](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/).
-   **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](https://broadrouter.com/tr/pricing/), anahtarlar ise [inference.broadnet.ai](https://inference.broadnet.ai/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-mcp-with-openai-compatible-models&utm_content=body) adresinde.

Bu konu için ücretsiz araçlar (İngilizce)

-   [Agent run cost estimator](https://broadrouter.com/tools/agent-run-cost-estimator/) Context growth per step, total tokens and cost of one agent run, with a DeepSeek session comparison.
-   [LLM batch job planner](https://broadrouter.com/tools/llm-batch-job-planner/) Run time, binding limit, cost per model and the flat sessions needed to finish a big job by a deadline.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [LLM rate limit and concurrency calculator](https://broadrouter.com/tools/llm-rate-limit-calculator/) Which limit binds first: RPM, TPM or concurrency, with Little's law.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[MCP (Model Context Protocol)](https://broadrouter.com/tr/glossary/mcp/)

MCP (Model Context Protocol, Model Bağlam Protokolü), LLM uygulamalarının harici araçlara ve verilere nasıl bağlanacağını standartlaştıran, JSON-RPC 2.0 üzerine kurulu açık bir protokoldür. Bir MCP sunucusu araçlar, kaynaklar ve istemler sunar; host uygulamanın içindeki MCP istemcisi bunları keşfeder ve modelin araç çağrılarını sunucuya iletir.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[Server-sent events (SSE, sunucu gönderimli olaylar)](https://broadrouter.com/tr/glossary/sse/)

Server-sent events (SSE), bir sunucunun text/event-stream içerik türüne sahip, uzun süre açık kalan tek bir HTTP yanıtı üzerinden istemciye metin olayları akışı göndermesini sağlayan bir web standardıdır. Her olay, data: gibi bir veya daha fazla alan satırından oluşur ve boş bir satırla biter.

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[tool\_choice](https://broadrouter.com/tr/glossary/tool-choice/)

tool\_choice, araç kullanımını kontrol eden bir istek parametresidir. OpenAI'nin Chat Completions API'sinde auto (karar modelde), required (bir veya daha fazla araç çağırmalı), none (araç yok) ya da zorlanacak adlandırılmış bir fonksiyon olabilir. Anthropic'teki karşılıkları auto, any, tool ve none seçenekleridir.

[Yapay zeka ajanı (AI agent)](https://broadrouter.com/tr/glossary/agent/)

Yapay zeka ajanı (AI agent), bir dil modelinin bir hedefe giden adımlarını kendisinin yönettiği bir sistemdir: hangi araçları çağıracağına karar verir, sonuçları okur ve nihai bir yanıt üretene ya da bir sınıra takılana kadar tekrarlar. Modeli belirli noktalarda çağıran sabit bir betiğe ise genellikle iş akışı (workflow) denir.

## Sık sorulan sorular

### MCP'yi Claude veya GPT olmayan bir modelle kullanabilir miyim?

Evet. MCP, uygulamanız ile araç sunucuları arasındaki bir protokoldür. Uygulama araçları, kullandığı model hangisiyse o modelin araç çağırma formatıyla ona iletir. Araç çağrıları düzgün çalışan her OpenAI uyumlu model MCP araçlarını kullanabilir.

### Modelin MCP'yi desteklemesi gerekir mi?

Hayır. Modelin yalnızca function calling desteklemesi gerekir. Protokol işini, yani araçları listelemeyi ve çağırmayı, uygulamanızdaki MCP istemcisi yapar.

### Hangi kodlama ajanları özel bir OpenAI uyumlu modelle MCP'yi destekliyor?

Cline, Agent modunda Continue ve opencode, MCP sunucularını ve özel bir OpenAI uyumlu modeli yapılandırmanıza izin verir. Roo Code'un devamı olan Zoo Code da MCP desteğini listeliyor.

### MCP sunucuları eklemek ajanımı neden yavaşlatıyor ve pahalılaştırıyor?

Her sunucunun araç tanımları her model çağrısında isteme eklenir. Her biri bir düzine araç içeren on sunucu, adım başına binlerce girdi token'ı ekleyebilir. Yalnızca görevin ihtiyaç duyduğu sunucuları etkinleştirin veya araçları filtreleyin.

### Barındırılan MCP araçları diğer sağlayıcılarla çalışır mı?

OpenAI'nin barındırdığı türden olanlar çalışmaz. OpenAI Agents SDK belgeleri, HostedMCPTool'un Responses API'nin barındırılan MCP entegrasyonunu destekleyen OpenAI modelleriyle çalıştığını söylüyor. Diğer sağlayıcılarla SDK'nın yerel MCP sunucu sınıflarını kullanın.

## Okumaya devam edin

-   [Açık modellerle araç çağırma: şema, paralel çağrı, yeniden deneme](https://broadrouter.com/tr/blog/tool-calling-open-models/)
-   [Kodlama ajanlarında açık modeller: Aider, Cline, opencode, Codex](https://broadrouter.com/tr/blog/use-open-models-in-coding-agents/)
-   [Ajan token bütçesi: bir ajan döngüsünün token'ları nereye gidiyor?](https://broadrouter.com/tr/blog/agent-token-budget/)
-   [Ucuz LLM ile n8n AI Agent: kurulum, model seçimi ve maliyet](https://broadrouter.com/tr/blog/n8n-ai-agent-cheap-llm/)
-   [Bir yapay zeka kodlama ajanı çalıştırması ne kadar tutar?](https://broadrouter.com/tr/blog/ai-coding-agent-run-cost/)
-   [Claude Code ile açık modeller: proxy, yerel uç noktalar ve sınırlar](https://broadrouter.com/tr/blog/claude-code-with-openai-compatible-models/)
-   [Rehber: Cline'ı BroadNet Inference ile kullanın (OpenAI Compatible sağlayıcı)](https://broadrouter.com/tr/guides/cline-openai-compatible/)
-   [Rehber: Continue'yu BroadNet Inference ile kullanın (config.yaml ve apiBase)](https://broadrouter.com/tr/guides/continue-dev-openai-compatible/)
-   [Rehber: BroadNet Inference'ı opencode'a özel sağlayıcı olarak ekleyin](https://broadrouter.com/tr/guides/opencode-custom-provider/)
-   [Rehber: OpenAI Agents SDK'yı BroadNet Inference üzerinde çalıştırın](https://broadrouter.com/tr/guides/openai-agents-sdk-custom-provider/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-mcp-with-openai-compatible-models&utm_content=page-cta) ·

**Kaynaklar**

-   [Model Context Protocol, mimariye genel bakış (2026-11-14 tarihinde kontrol edildi)](https://modelcontextprotocol.io/docs/learn/architecture)
-   [MCP Python SDK, istemciler ve aktarım yöntemleri (2026-11-14 tarihinde kontrol edildi)](https://py.sdk.modelcontextprotocol.io/client/transports/)
-   [Cline belgeleri, MCP'ye genel bakış (2026-11-14 tarihinde kontrol edildi)](https://docs.cline.bot/mcp/mcp-overview)
-   [Continue belgeleri, MCP (2026-11-14 tarihinde kontrol edildi)](https://docs.continue.dev/customize/deep-dives/mcp)
-   [opencode belgeleri, MCP sunucuları (2026-11-14 tarihinde kontrol edildi)](https://opencode.ai/docs/mcp-servers/)
-   [n8n belgeleri, MCP Client Tool düğümü (2026-11-14 tarihinde kontrol edildi)](https://docs.n8n.io/integrations/builtin/cluster-nodes/sub-nodes/n8n-nodes-langchain.toolmcp/)
-   [OpenAI Agents SDK belgeleri, MCP (2026-11-14 tarihinde kontrol edildi)](https://openai.github.io/openai-agents-python/mcp/)
