MCP’nin Aşırı Yüklenmesi
Sıkça yapılan bir eleştiri, MCP’ye çok fazla sorumluluk yüklenmesidir. Yazar, MCP’nin öncelikle LLM’lerin harici kaynaklara erişmesi ve etkileşimde bulunması için bir geçit görevi görmesi gerektiğini savunuyor. Onu sadece bir ‘kapı’ veya ‘köprü’ olarak görmek, amacını ve sınırlamalarını netleştirmeye yardımcı olur.
Yanlışlıkla veri maruziyeti, istem enjeksiyonu güvenlik açıkları ve maliyet kontrolü eksiklikleri gibi sorunları doğrudan MCP’ye atfetmek, suçu yanlış yere atmaktır. Bunlar, geliştiricilerin kontrol ettikleri sınırlar içinde ele almaları gereken sorunlardır. Geliştiricilerin, kullanılan protokolden bağımsız olarak oran sınırları uygulaması ve kullanımı izlemesi gerekir. Bunu hız için yolu suçlamakla eşleştirmek yerindedir - altyapı bireysel davranıştan sorumlu değildir.
Sonuç olarak, dile getirilen endişelerin çoğu, görevlerin yapay zeka aracılarina devredilmesiyle ilgili daha geniş sorunlardır. Geliştiriciler, bu zorlukların üstesinden kendi uygulamaları içinde gelme sorumluluğunu üstlenmeli, her şeyi API’nin kendisinden halletmesini beklememelidir.
LLM’lerin Çift Taraflı Kılıcı ve İstek Enjeksiyonu
MCP ile ilgili son tartışmalar genellikle keskin bıçakların doğasında olan tehlikeler hakkında uyarılara benziyor - yanlış kullanılırsa kesebilirler. Önemli bir endişe olan istem enjeksiyonu, LLM’lerin doğasının bir sonucudur. İstek enjeksiyonunu ortadan kaldırma girişimleri, LLM’leri değerli kılan yetenekleri düşürme riski taşır.
Geleneksel sistemlerde yaygın olan ‘kontrol ve veri’ ayrımı, LLM’lerde doğal olarak mevcut değildir. LLM’ler güçlerini ve genelliklerini, tam olarak bu katı ayrımın olmamasından kazanır. Bu doğal özellik, onları istem enjeksiyonu saldırılarına karşı savunmasız kılar.
Uzaktan MCP’ler Hizmet olarak riskler oluşturabilse de, hata protokolün kendisinde değil, hassas görevleri güvenilmeyen üçüncü taraflara emanet etmektedir. Bu benzetme, bıçağı dengesiz bir Roomba’ya bantlama fikrine kadar uzanır - sorun bıçağın kendisi değil, onu öngörülemeyen bir cihaza takma kararıdır.
‘Dikkatli olun’ uyarıları veya koruyucu ekipman önerileri teknik olarak doğru olsa da, temel sorunu kaçırıyor: keskin bir aleti kontrolsüz bir sistemle birleştirme şeklindeki akılsızca karar.
Ölçeklenebilirlik Zorlukları
Güvenlik endişelerinin ötesinde, MCP temel ölçeklenebilirlik sınırlamalarıyla karşı karşıyadır. Yazar, LLM güvenilirliği ile sağlanan talimat bağlamı miktarı arasında negatif bir korelasyon olduğunu vurguluyor. Bu, daha fazla veri ve entegrasyon eklemenin sorunları otomatik olarak çözeceği yönündeki yaygın inanca meydan okuyor. Araç ve entegrasyon sayısı arttıkça, bir aracının performansı düşebilir ve aynı anda her isteğin maliyetini artırabilir.
Yazar, MCP’nin belirli bir eşiği geçmediğini vurguluyor. Bir aracının bağlamına sınırsız sayıda araç ekleme girişimi, kaçınılmaz olarak yeteneklerini olumsuz etkileyecektir. Bu sınırlama, MCP konseptine özgüdür ve kimlik doğrulama sorunlarından daha fazla dikkat gerektirir.
Kullanıcılar, daha fazla MCP sunucusunu etkinleştirdikçe performans düşüşü yaşayabilir ve bu da bunlar arasında parazite neden olabilir. Bu, tipik paket yönetim sistemlerinin aksine, burada parazitsizlik temel bir özelliktir.
MCP ile ilgili temel sorun, gerçek davranışının kullanıcı beklentilerinden sapmasıdır. MCP’nin, sınırsız sayıda aracı sonuçları olmadan sorunsuz bir şekilde entegre eden tak ve çalıştır bir çözüm olmadığını kabul etmek çok önemlidir.
UI ve Araç Yönetimi ile Sınırlamaları Ele Alma
MCP’nin sınırlamalarına önerilen bir çözüm, kullanıcı arayüzünü iyileştirmektir. Bir araç kasıtsız olarak yürütülürse, UI onu devre dışı bırakmak veya amaçlanan kullanımını açıklığa kavuşturmak için açıklamasını değiştirmek için kolay bir yol sağlamalıdır.
Yazar ayrıca, bağlam büyümesinin genellikle performans ve gerçek dünya kullanım yeteneklerini iyileştirdiğini ve kesinlikle negatif bir korelasyon kavramıyla çeliştiğini belirtiyor. Ancak, belirli kullanım durumlarında veya kötü tasarlanmış bağlamlarda, performans düşüşünün meydana gelebileceğini kabul ediyor.
Ezici araç seçimine çözüm bulmak için, bir ‘böl ve yönet’ yaklaşımı öneriliyor. Bu, belirli bir görev için en alakalı araçları seçmek için özel olarak tasarlanmış bir araç eklemeyi içerir. Bu ‘araç seçme aracı’, ‘ana’ aracıya mevcut araçların bir alt kümesini döndürme görevi verilen başka bir LLM çağrısı olabilir. Bu katmanlı yaklaşım, karmaşıklığı yönetmek için ekstra dolaylılık düzeyleri ekler.
Ancak, araçlara bağlamda sahip olmak, bir modelin çıktısını önemli ölçüde değiştirebilir. Bağlamsal olarak ilgili araçlar (Alma Artırılmış Üretimi veya RAG gibi tekniklerle elde edilir) faydalı olsa da, tüm araçları bir ‘get_tools’ isteğinin arkasına gizlemek zararlı olabilir.
MCP, Bir Aktarım ve Yetkilendirme Katmanı Olarak
MCP öncelikle bir aktarım ve tel biçimi olarak istek/yanıt yaşam döngüsü ile işlev görür ve araç düzeyi yetkilendirmeye odaklanır. Makale, MCP ile ilgili en büyük sorunun yapay zeka aracılarinin araçları işlevsel olarak birleştirmesini sağlayamaması olduğunu savunuyor.
Yazar, LLM’ler zaten OpenAPI belirtimleri kullanılarak belgelenen API’lerle etkileşimde bulunma yeteneğine sahip olduğundan, MCP’nin ilk etapta gereksiz olabileceğini öne sürüyor. Eksik unsur yetkilendirmedir - bir yapay zekanın hangi API’lere erişebileceğini kontrol etme yeteneği. Yazar, MCP yerine, yapay zekaların HTTP istekleri yapmasına izin vermeyi ve belirli uç noktalara yetkilendirme uygulamayı öneriyor. Bu yaklaşım, mevcut API’leri ince MCP araçlarıyla sarmalama eğilimiyle uyumludur.
MCP’nin özellikle sinir bozucu bir yönü, akış aracı arama sonuçları için destek eksikliğidir. Tek istek/yanıt çifti, istemcileri sayfalandırma için araçları tekrar tekrar aramaya zorlayarak uzun süren süreçleri engeller. Belki gRPC kullanarak bir akış özelliği uygulamak, MCP’nin verimliliğini önemli ölçüde artırabilir.
Hassas Verileri Açığa Çıkarma Kolaylığı
MCP ile ilgili önemli bir endişe, hassas verilerin kolayca açığa çıkarılma potansiyelidir. Ayrıca, MCP yapay zeka aracılarinı doğal olarak daha güvenilir hale getirmez; yalnızca onlara daha fazla araca erişim izni verir ve bu da bazı durumlarda paradoksal olarak güvenilirliği azaltabilir.
Yazar, MCP’nin tüm bu sorunları çözmesini veya bunlardan sorumlu olmasını beklemiyor. Aksine, MCP bu sorunlar için daha büyük bir yüzey alanı oluşturarak uygulama geliştiricilerinin ve kullanıcıların uyanık olmasını gerektiriyor.
Benzetmeler ve Şehir Planlaması
Yazar, sorunu göstermek için şehir planlaması benzetmesini kullanıyor. MCP’yi 25 mph hız sınırınasahip altı şeritli bir şehir yoluyla karşılaştırmak, tasarım ve amaçlanan kullanım arasındaki bağlantısızlığı vurguluyor. Sadece para cezası uygulamak veya yüzeysel ‘düzeltmeler’ eklemek, yetersiz tasarımın altında yatan sorunu çözmüyor.
Etkili şehir planlaması, hız sınırlarına uyumu doğal olarak teşvik eden yollar tasarlamayı içerir. Benzer şekilde, MCP, yalnızca harici kontrollere güvenmek yerine, potansiyel riskleri doğal olarak azaltacak şekilde tasarlanmalıdır.
LLM’lerin İstenmeyen Eylemleri
Makale, LLM’lerin hizmetler üzerinde eylemler gerçekleştirmesine izin veren protokollere yönelik daha geniş bir eleştiriye geçiyor. Yazar, temel bir sorun tanımlıyor: LLM’ler, kullanıcıların yapmasını istemediği eylemleri gerçekleştirebilir. LLM’lerin bağımsız olarak gerçekleştirebileceği eylemler ile kullanıcı istemi gerektiren eylemler arasında ayrım yapıyorlar.
Nihai hedef LLM’lerin tüm işletmeleri yönetmesi olsa da, teknoloji henüz böyle bir özerklik için hazır değil. Şu anda, kullanıcılar yapay zekaların önceden inceleme yapmadan e-posta göndermesini bile istemeyebilir.
Yazar, kullanıcıların çoğu araç zararsız göründüğünde otomatik onay modeline (‘YOLO-mode’) girme riski nedeniyle, kullanıcıdan onay isteme çözümünü reddediyor. Bu, insanların nakit paradan daha çok kartlarla harcama psikolojik fenomenine benziyor - sorunun kökeni insan davranışında yatıyor, teknolojide değil.
Temel Soru: Neden Sadece API’leri Kullanmıyorsunuz?
MCP ile ilgili tartışmalarda yinelenen bir soru, neden sadece API’leri doğrudan kullanmıyorsunuz?
MCP, kullanıcıların doğrudan kontrol etmediği LLM istemcilerinin (örneğin, Claude, ChatGPT, Cursor, VSCode) API’lerle etkileşimde bulunmasına olanak tanır. MCP olmadan, geliştiricilerin LLM API’lerini kullanarak özel istemciler oluşturması gerekirdi; bu, mevcut istemcileri abonelikle kullanmaktan ve onlara belirli araçları nasıl kullanacaklarını öğretmekten çok daha pahalı bir girişimdir.
Bir geliştirici, yapay zeka güdümlü ses tasarımını etkinleştirerek, USB üzerinden FM donanım sentezleyicisine bağlanmak için bir MCP sunucusu oluşturma deneyimini paylaşıyor.
LLM İstemci Entegrasyonu ve Standardizasyon
Temel sorun, tüm LLM istemcilerinin ChatGPT özel GPT eylemlerinin dikkate değer bir istisna olmasıyla, doğrudan API etkileşimini doğal olarak desteklememesidir. Anthropic, Google ve OpenAI, Claude, ChatGPT ve Cursor gibi LLM destekli istemciler için süreci basitleştirmek için MCP’yi ortak bir protokol olarak benimseme konusunda anlaştılar.
MCP, LLM istemcileri oluşturanlar için süreci basitleştiriyor. Bir LLM’nin bir API ile etkileşimde bulunmasını istiyorsanız, basitçe bir API anahtarı sağlayamaz ve çalışmasını bekleyemezsiniz - bir Temsilci oluşturmanız gerekir.
MCP, API’leri belgelemenin ve nasıl çağrılacağını açıklamanın yanı sıra, bu belgeleri açığa çıkarmak ve çağrıları kolaylaştırmak için standartlaştırılmış araçlar sağlamanın bir yolu olarak görülebilir. Gereksiz karmaşıklık olmadan API’leri sarmalamak için yeterli soyutlama sağlar, ancak bu basitlik aynı zamanda kullanıcıların ‘ayaklarına sıkmasına’ da yol açabilir.
MCP’nin Verimliliği ve Yeniden Kullanılabilirliği
MCP olmadan, geliştiricilerin LLM’ye her çağrıldığında bir aracı nasıl kullanacağını tekrar tekrar açıklaması gerekirdi. Bu, LLM’nin unutulan bilgiler veya standart dışı API davranışı nedeniyle aracı doğru kullanmaması riskini taşır.
Bu sürekli açıklama ve çoğaltma, bağlamda belirteçleri boşa harcayarak maliyetleri ve süreyi artırır. MCP, gerekli tüm bilgileri paketleyerek bu süreci kolaylaştırır, araç kullanımını daha verimli hale getirir ve araç paylaşımını kolaylaştırır.
Bir LLM sağlayıcısına ‘işte kullanabileceğiniz bir araç’ ve API belgeleriyle birlikte söyleyerek, kullanıcılar bu aracı tekrar tekrar hatırlatmaya gerek kalmadan birden fazla sohbette yeniden kullanabilirler. Bu aynı zamanda masaüstü LLM istemcilerinin yerel olarak çalışan programlara bağlanmasını sağlayarak işletim sistemine özgü yürütme süreçleri sorununu çözer.
MCP ve Yerel Kaynak Erişimi
MCP, LLM’ler için dosyalar, ortam değişkenleri ve ağ erişimi gibi yerel kaynaklara erişimi kolaylaştırır. Yerel olarak çalışacak şekilde tasarlanmıştır ve LLM’ye bu kaynaklara kontrollü erişim izni verir.
Standart LLM araç çağrısı ‘şekli’, MCP araç çağrısı ‘şeklini’ yakından yansıtarak, araçları aracılara bağlamak için basit bir standart haline getirir.
MCP, yapay zeka modeline maruz kalan fonksiyon çağırma şeması ile temel API’ler arasında bir köprü görevi görür. Fonksiyon çağrılarını araçlara dönüştürerek kesintisiz iletişimi sağlar.
Bir araç sağlayıcısıysanız, MCP, yapay zeka aracısı ön uçlarının aracınıza bağlanması için standartlaştırılmış bir protokol sunar. Bu, neden standart protokolün basitçe HTTP ve OpenAPI olamayacağı sorusunu yanıtlıyor.
MCP, uç noktaları ve operasyonel ayrıntılarını spesifikasyona dahil eden bir meta API’dir ve LLM’lerin onlarla daha etkili bir şekilde etkileşimde bulunmasını sağlar.
Belirli Senaryolarda MCP
MCP, kullanıcılar soru sorduğunda veya hangi API’lerin kullanılacağından emin olmadığında sorunları çözebilir. Ayrıca, önceki mesajlara göre istekleri işleyebilir.
Bir kullanıcı, bir kullanıcının ‘X’ini almak ve bir uç noktaya göndermek isteme deneyimini paylaşıyor. MCP’nin bu kadar basit bir görev için aşırı olduğunu ve temel API etkileşimleri için her zaman gerekli olmadığını belirtiyorlar.
MCP, özellikle aracı deneyimleri için tasarlanmış, ağ üzerinden iletişim kurabilen yazılımlar oluşturmak için bir FastAPI web uygulaması çerçevesine benziyor. Yapay zeka aracısı geliştirme için standartlaştırılmış bir çerçeve sağlayarak ‘Skynet için Rails’ olarak görülebilir.
Sağlayıcı Kontrolü ile İlgili Endişeler
MCP’nin sisteme sağlayıcı tarafı kontrolünü artırmak için itildiği konusunda endişeler var. LLM sağlayıcıları sonunda, Google’ın Gmail ile IMAP/SMTP kullanımını zorlaştırmasına benzer şekilde, API erişimini kısıtlayabilir.
OpenAPI kullanmak, temsilcilerin API belirtimlerini /openapi.json adresinden almalarını sağlar.
MCP, hızlı etkileşimleri mümkün kılarak, kullanıcıların girdi verilerini hazırlamak, API’ye göndermek, çıktıyı ayrıştırmak ve her mesaj için işlemi tekrarlamak için zaman harcamak yerine saniyeler içinde görevleri tamamlamalarını sağlar.
Sanal Alan ve Güvenlik Riskleri
En büyük sorunlardan biri, aynı mesaj dizisindeki bir MCP sunucu aracının çıktısının diğer araçları nasıl etkileyebileceğidir. Bu, istenmeyen sonuçları önlemek için araçlar arasında sanal alan oluşturulmasını gerektirir. Invariant laboratuvarları bunu araç açıklamalarıyla ele alırken, diğerleri MCP kaynak eklerini kullanmıştır. Sanal alan oluşturma eksikliği, istem enjeksiyonu risklerini artırır.
Bu, SQL enjeksiyonuna benziyor - güvenlik açıklarının minimum gözlemlenebilirlik ile herhangi bir noktada istismar edilebileceği bir araya getirilmiş bir sistem.
Model, istemin güvenilir kısımlarını kullanıcı tarafından kirletilmiş girdiden ayırt edemediğinden, istem arabirimi de bir SQL enjeksiyonu biçimine karşı hassastır. Bunu çözmek, kodlama, kod çözme ve model eğitiminde temel değişiklikler gerektirir.
Bu, hem istem enjeksiyonuna hem de araç enjeksiyonuna izin verir ve potansiyel olarak güvenilmeyen kodun yürütülmesine yol açar.
Kapsayıcılaştırma ve Kontrollü Erişim
Bir geliştirici, proje kodunun monte edildiği bir Docker kapsayıcısı başlatan bir MCP sunucusu oluşturdu. Bu yaklaşım, LLM’nin sanal alana alınmış bir ortamda tüm Unix araç setine ve projeye özgü araçlara erişmesine olanak tanır.
Sohbet tabanlı bir arayüz aracılığıyla yönlendirilen bu aracı iş akışı, geleneksel yöntemlerden daha etkili olduğunu kanıtlamıştır.
Anahtar, MCP aracılarina ihtiyaç duydukları şeye erişim izni vermek ve daha fazlasını vermemektir. Kapsayıcılaştırma ve şeffaf araç UX’i, güvenlik risklerini azaltmak için çok önemlidir.
Sanal Makineler ve İnternet Erişimi
Aracılara minimal bir Linux kurulumuna sahip bir bilgisayar vermek (VM veya kapsayıcı olarak) daha iyi sonuçlar verebilir ve internetten bilgi almalarına olanak tanır. Ancak bu, kötü amaçlı talimatlar ve veri sızdırması ile ilgili güvenlik endişelerini artırır.
Erişimi güvenilir web siteleriyle sınırlamak bazı riskleri azaltabilir, ancak güvenilir kaynaklar bile kötü amaçlı içerik barındırabilir. Kötü amaçlı talimatlarla karşılaşma olasılığı ile üretkenlik faydaları arasındaki ödünleşmeyi dikkatlice değerlendirmek gerekir.
Çalışanlar ve yapay zeka aracilar arasındaki farklar önemlidir. Çalışanlar yasalara ve sözleşmelere tabi yasal kişilerdir ve hesap verebilirlik sağlar. Yapay zeka aracilar bu yasal çerçeveden yoksundur ve güvenmeyi zorlaştırır.
MCP Gelişiminin Erken Aşamaları
MCP, yalnızca Kasım 2024’te duyuruldu ve RFC aktif olarak gelişiyor.
Bazıları, MCP dahil tüm yapay zeka kişisel asistan konseptini temelde kusurlu olarak görüyor.
1990’ların sonlarında ve 2000’lerin başlarındaki yapay zeka Asistanları için ilk itme başarısız oldu, çünkü dikey entegrasyon ve toplu satın alma gücüne sahip içerik toplayıcıları daha etkili olduğunu kanıtladı. Bu, Expedia ve eBay gibi platformların yükselişine yol açtı.
Çoklu aracı sistemleri, programcıların aracıların durumunu etkilemesini gerektirir; bu zorlu bir programlama görevidir.
Ücretsiz Değerin Sınırları
‘Sonuçları park yeri kullanılabilirliğine göre sıralama’ arzusu, ücretli API’lerin veya reklam destekli ön uçların arkasındaki verilere erişme sorununu vurgulamaktadır. Şirketlerin tüm veri kümelerine bir API aracılığıyla ücretsiz olarak erişim sağlaması olası değildir.
Tüm şirketler verilerini yapay zeka aracilarina entegre etmese de, iş akışlarını güçlendirmek için çeşitli araçları birleştirme potansiyeli önemli olmaya devam ediyor.
Bir veri hendekini korumaya öncelik veren şirketler, bu hendeği tehdit eden yeni teknolojilere direnme olasılığı yüksektir.
booking.com’un bir API’si olsaydı, muhtemelen web siteleriyle aynı sonuçları JSON veya XML biçimlendirmesiyle döndürürlerdi.
Aracıyı Atlamak
booking.com gibi bir aracının, kullanıcıların hizmetlerini tamamen atlamasına izin vermesi pek mantıklı değil.
Ancak, bireysel oteller booking.com’u, genellikle hoşlanmadıkları bir aracıyı atlamayı faydalı bulabilir.
Bir Derin Araştırma Yapay Zekası, belirli kriterlere göre otelleri tarayabilir ve booking.com’un arayüzünde ve reklamlarında gezinme ihtiyacını atlayarak bireysel oteller tarafından çalıştırılan Otel Keşif MCP sunucularıyla etkileşimde bulunabilir.
Pratik Kullanım Durumları
MCP, Elasticsearch’ten günlükleri getirme veya veritabanlarını daha yapılandırılmış bir şekilde sorgulama gibi görevleri kolaylaştırabilir.
Yeni sunucuların bir .json dosyasının düzenlenmesini ve uygulamanın yeniden başlatılmasını gerektirdiği MCP sunucu yapılandırmasının statik doğası sınırlayıcı olabilir.
İnce Ayarlı Modeller
MCP, çok sayıda MCP aracını anlayan ve her konuşma için doğru olanları seçen küçük, ince ayarlı bir model olarak görülebilir.
Aracıları bağlama göre dinamik olarak ayarlamak, belirli senaryolar için gerekli olabilir.
Açık Uçlu Sohbetler ve İş Sorunları
MCP, önceden tanımlanmış akışı olmayan genel, açık uçlu konuşma sistemleri için çok uygundur. Ancak, her iş sorunu için tek beden herkese uyan bir çözüm değildir. LangChain gibi çerçevelerin yerini alması amaçlanmamıştır.
MCP’ye alternatif olan açık topluluk odaklı standart, parçalı, tescilli ve satıcıya bağımlı protokollerdir. Kusurlu ancak gelişen bir standart, standart olmamasına tercih edilir.
MCP’yi görüntülemenin en iyi yolu, bireysel geliştiricilerin API’lerin etrafında istemci sarmalayıcıları oluşturmasından, API sağlayıcılarının veya topluluk tarafından sürdürülen sarmalayıcıların bunları oluşturmasına geçiş olarak. Bu, NPM veya PyPi’ye benzer büyük bir araç kutusu sağlar. Ancak, düzenleme, güvenlik ve kullanım tanımı hala gereklidir.
Langchain’in gelecek nesli, bu daha büyük araç sandığından yararlanacak, ancak yine de inovasyona ihtiyaç var.
Kullanıcıya Özel Araçlar
Bazı durumlarda, araçlar yüklenen CSV dosyalarını dilimleme ve işleme araçları gibi kullanıcı verilerine özgü olabilir.
Genellikle gözden kaçan bir sorun, MCP’nin model bağlamını çok fazla seçenekle doldurabilmesidir. Önceliklendirme ve meta veri maruziyeti, savurgan belirteç kullanımından ve düzensiz model davranışından kaçınmak için çok önemlidir.
Standartlar ve Gelişen Teknoloji
Yeni standartlar zaman içinde ortaya çıkar ve standartların gerçekten önemli olduğu o kadar uzun zaman oldu ki, insanlar nasıl geliştirdiklerini unuttu.
LLM istemcilerine ‘araçlar’ eklemek için rastgele geliştiricilerden küçük sunucu programları indirmek riskli olabilir.
Dile getirilen sorunlar, MCP ekosisteminin ele alması gereken meşru sorunlardır. Bazı çözümler MCP spesifikasyonunda olacak, diğerleri harici olacaktır.
Claude Kodu ve Gerçek Dünya Kullanımı
MCP’nin başarısı hakkında zıt görüşler var. Bazıları MCP ile entegre olan şirketlerin hikayelerini duyarken, diğerleri hayal kırıklığına uğradığını düşünen kullanıcılardan duydu.
Bu, aldatmacanın ve erken benimsemenin dezavantajını vurguluyor.
Bazı geliştiriciler, HTTP API’lerinin çoğu kullanım durumu için MCP’den üstün olduğunu düşünüyor. ‘Araç’ kullanımının yetenekler ve işlevsellik için API uç noktalarına kadar kaynadığını savunuyorlar.
API’ler varsayılan olarak kendilerini tanımlamıyor ve bu da REST ve HATEOAS savunucularının yaklaşımlarını sergilemeleri için kaçırılmış bir fırsatı temsil ediyor.
MCP, LangChain Alternatifi mi?
MCP, ‘LangChain kokusu’ olarak tanımlanmıştır - acil bir sorunu çözmemek, aşırı soyut olmak ve avantajlarını açıklamakta zorlanmak.
Belki de ‘SATIR SONU’ demesi ve hevesli bilgisayar korsanlarını oyun ızgarasına sürmesi gerekiyor!
Temel soru, ‘genel’ Sohbet robotu paradigmasının devam edip etmeyeceğidir. Kendi araçlarına sahip özel uygulamaların MCP’ye ihtiyacı olmayabilir.
Tersine, LLM’ler daha yetenekli hale geldikçe, harici araçlar daha az gerekli hale gelebilir. LLM görüntüyü doğrudan düzenleyebilirken, neden Photoshop’u çalıştırmak için bir MCP’ye ihtiyacınız olsun?
Bilim kurgu robot asistanı rüyası gerçekleşmeyebilir ve özel dil manipülasyon araçları daha yararlı olabilir.
Kullanıcı Tabanı ve Güvenlik Bilinci
MCP’nin kullanıcı tabanı, daha az teknik bireyleri içerir ve bu da güvenlik sorunlarını özellikle alakalı hale getirir. Güvenlik en iyi uygulamaları hakkında farkındalık yaratmak çok önemlidir.
Sonuç şemasını tanımlamayı gerektiren OpenRPC’ye dayalı Xops, çıktıların girdilere nasıl bağlandığını planlamaya yardımcı olarak karmaşık iş akışları için güvenilirliği artırır.
Teknoloji muhtemelen zaman içinde gelişecek ve yerleşecektir.
Yedeklilik ve Bulut Altyapısı
Bazıları, MCP’nin OpenAPI standardı üzerinden kullanılmasının kazanımlarını sorgulayarak, bunu gereksiz görüyor.
LLM, bir OpenAPI sistemini çağırmak için ne kullanacak? Kabuğa nasıl bağlanacak? LLM’nin ana bilgisayarı bunu nasıl düzenleyecek?
MCP, LLM’lerin araç aramaları yapması için yapılandırılmış bir yol sağlar.
MCP sunucuları zaten HTTP sunucularıdır.
MCP’nin en büyük avantajı, uygulama geliştiricileri için değil, OpenAI gibi LLM sağlayıcıları içindir.
LLM’ler araçsız beyinlerdir ve araç çağırmak onları güçlendirir. Ancak, normal API’lerle LLM sağlayıcıları bu araçlara erişemez. MCP onlara erişim izni vererek onları yapay zekaya açılan kapı olarak konumlandırıyor.
CLI ve API
LLM’ler doğal dil üzerinde eğitildiği ve CLI’ler ortak bir insan tarafından okunabilir ve yazılabilir çözüm olduğu göz önüne alındığında, neden CLI’yi doğrudan kullanmıyorsunuz?
MCP çok hızlı bir şekilde ortaya çıktı ve olgunlaşması için zamana ihtiyacı var. Geleneksel bir standartlar kuruluşu tarafından incelenmemiş ve aldatmaca tarafından yönlendiriliyor.
Gerçek dünya uygulamaları eksikliği var.
MCP’nin Temel Uygulamaları
MCP, Claude Desktop ve niş yapay zeka sohbet uygulamalarında, kod otomasyon araçlarında ve aracı/LLM otomasyon çerçevelerinde kullanılır.
Bu, bir sonraki aldatmaca kısaltması geldiğinde muhtemelen atılacak olan aceleye getirilmiş bir başka teknolojidir.
İki tür dil modeli araç çağırma protokolü vardır: insanların şikayet ettiği ve kimsenin kullanmadığı protokoller.
Anthropic bu ‘standardı’ bir vakumda geliştirdi ve bu da güvenlik sorunlarına yol açtı.
JSON-RPC 2.0
MCP, JSON kullanarak istemci ve sunucu iletişimine izin veren hafif bir protokol olan JSON-RPC 2.0 üzerine kurulmuştur.
Evrensellik kazanmadan evrensellik iddia eden, belirli bir ekosistem için tasarlanmış merkezi bir spesifikasyon gibi geliyor.
MCP, faydalı şeyler yapacak kadar güçlüdür ve bu da güvenlik endişelerini artırır.
Olgun bir standart değildir ve güvenli olacak şekilde tasarlanmamıştır.
Öneriler mevcut olsa da, zorlanmaz veya uygulanmazlar.
Langchain ve Araç Çağırma
Langchain, ‘araç çağırma’ modelini uygulayan birçok çerçeveden biridir.
MCP, araç çağırma, şablonlu girdi, iptal, ilerleme takibi ve araç sunucularının durumu dahil olmak üzere harici bilgilerin bir dil modelinin bağlam penceresine nasıl girdiğine ilişkin bir spesifikasyondur.
Herhangi bir asistan/entegrasyon kombinasyonunun uyumlu olması için ayrıntıları standartlaştırmaya yardımcı olur.
MCP’nin meşru sorunları olsa da, eleştirmenler argümanlarını iyileştirmelidir.
Kimlik doğrulama çok önemlidir ve ilk sürümden çıkarılmamalıydı.
Çok fazla karmaşıklık var.