Bu video, Model Context Protocol (MCP) sunucu tasarımının modern yapay zeka istemcileriyle birlikte nasıl evrildiğini ve optimal araç tasarım ilkelerini açıklamaktadır. Videoda MCP'nin temel felsefesi — sunucunun araçları tanımlaması, istemcinin ise bunları keşfedip çalıştırması kararını vermesi — detaylı şekilde incelenmiştir. Geçmişte geliştiriciler her API uç noktasını doğrudan ayrı bir MCP aracına dönüştürürdü; ancak modern Claude Code ve benzeri istemciler artık bu yaklaşımın bağlam penceresini gereksiz yere şişirdiğini ve araç seçim kalitesini düşürdüğünü göstermiştir. Videoda önerilen yeni yaklaşım, katmanlı keşif deseni (ara → incele → çalıştır) ve programatik araç çağırma (kod modu) etrafında döner; burada ajan sandbox ortamında doğrudan kod yazarak işlemleri gerçekleştirir ve sadece nihai sonucu döndürür.

Kod modu, yapay zeka ajanlarının MCP araçlarını nasıl tükettiğinin temel bir paradigma değişimidir. Geleneksel yaklaşımda her işlem için ayrı araç tanımı gerekiyorken, yeni yöntemde ajan birden fazla API çağrısını, veri dönüşümünü ve kontrol akışını kendi sandbox uygulamasında birleştirir. Bu, bağlam penceresinin daha verimli kullanılmasını sağlar ve araç sayısının aşırı artmasını engeller. Örneğin üç ayrı API çağrısını yapılması gereken bir görev, önceden üç ayrı araç tanımı gerektirirken, şimdi ajan bir script yazıp bunları sırayla çalıştırabilir. Videoda vurgulanan önemli nokta, Codex ve Claude Code gibi modern istemcilerin müşteri tarafında bu keşif ve yürütme mekanizmasını uygulamaya başlamasıdır.

Yine de iş akışı seviyesindeki araçlar hâlâ kritik öneme sahiptir. Örneğin, karmaşık bir veri işleme adımını, hata kontrol mekanizmaları ve kullanıcı etkileşimi gerektiren bir workflow olarak tasarlamak, ham API çağrılarından çok daha ergonomiktir. Videoda açıklandığı üzere, MCP sunucuları hem ham uç noktaları hem de yüksek düzey, ergonomik iş akışlarını birlikte sunmalıdır; bu sayede istemci hangi soyutlama seviyesinde çalışmak istediğine karar verebilir. SDK'ların kategori kapsamlaması ve framework adaptörleri, bu esnekliği sağlamak için önemli tasarım kalıplarıdır.

Bu konular, yapay zeka teknolojisiyle doğrudan hizmet geliştiren yazılımcılar, MCP protokolünü kullanan istemci geliştiricileri ve AI sistemlerinin mimarisini öğrenmek isteyen kişiler için son derece önemlidir. Videoda sunulan ilkeler, yalnızca MCP'ye değil, tüm araç tanımlama ve keşif sistemlerine uygulanabilir. Modern AI ajanlarının bağlam pencereleri sınırlı ve maliyetli olduğu için, araçların sayısını azaltıp kullanışlılığını artırma stratejileri gittikçe kritik hale gelmektedir. Ayrıca, programatik kod çalıştırma yöntemi, yapay zekanın karmaşık görevleri daha bağımsız şekilde çözüme kavuşturmasını mümkün kılmaktadır.