Anthropic’in 2024’ün sonlarında açık kaynak olarak kullanıma sunduğu Model Context Protocol (MCP), yapay zekâ (AI) modellerinin ve bu modeller üzerinde çalışan ajanların harici araçlarla güvenli ve yapılandırılmış bir biçimde entegre edilmesini sağlıyor. Claude Code’un altyapısını oluşturan bu protokol sayesinde geliştiriciler, ihtiyaç duyulduğunda web tarama, dosya oluşturma ve benzeri birçok işlevi yapay zekâ ajanlarına anında kazandırabiliyor. Bu yaklaşım, hem otomasyon kabiliyetlerini genişletiyor hem de farklı araçlar arasında daha tutarlı ve kontrol edilebilir bir AI ekosistemi oluşturmayı mümkün kılıyor.
Ancak bu önemli bir verimlilik sorununu da beraberinde getiriyor. Claude Code, o anki görevle doğrudan ilişkili olup olmadığına bakmaksızın, sisteme tanımlı tüm araçların kullanım kılavuzlarını bağlama dahil etmek zorunda kalıyor. Bu durum, modelin sınırlı bağlam alanının gereksiz bilgilerle dolmasına yol açarak, kullanıcı komutları ve ajanın üretebileceği daha değerli çıktılar için ayrılabilecek alanı azaltıyor.
Claude Code ekibi, yayınladığı yeni bir güncellemeyle bu yaklaşımı değiştirdi. “MCP Tool Search” adı verilen özellik, yapay zekâ araçlarında “tembel yükleme” yaklaşımını hayata geçirerek ajanların yalnızca ihtiyaç duydukları anda ilgili araç tanımlarını dinamik olarak almasına olanak tanıyor. Bu yenilik, AI ajanlarını tüm araçları baştan yükleyen kaba kuvvet yaklaşımından, modern yazılım mühendisliğine daha yakın ve ölçeklenebilir bir mimariye taşıyor. İlk bulgular ise bu yöntemin, ekosistemi giderek ağırlaştıran “şişkinlik” sorununu büyük ölçüde ortadan kaldırdığını gösteriyor.
Tool Search’ün neden kritik bir yenilik olduğunu kavrayabilmek adına önceki mimarinin yarattığı sorunlara bakmak gerekiyor. Model Context Protocol (MCP), yapay zekâ modellerini GitHub depolarından yerel dosya sistemlerine kadar uzanan geniş bir yelpazedeki veri kaynakları ve araçlarla entegre etmeyi amaçlayan evrensel bir bağlantı katmanı olarak tasarlandı.
Maliyet Çıkmazı ve Token Kullanımı
Fakat MCP ekosistemi büyüdükçe, sistemin “maliyeti” de ciddi biçimde artmaya başladı. Anthropic’in teknik ekibinde yer alan Thariq Shihipar, yaptığı açıklamada bazı MCP sunucularının 50’den fazla araca sahip olabildiğini ve kullanıcıların 7’den fazla sunucuyla kurulumlarını belgelediğini, bunun da 67 binden fazla token tüketimine yol açtığını belirtti.
Pratikte bu durum, kapsamlı bir araç seti kullanan geliştiricilerin, henüz tek bir komut bile yazmadan önce mevcut bağlam penceresinin yüzde 30’undan fazlasını kaybetmesi anlamına geliyordu. AI bülteni yazarı Aakash Gupta’nın da vurguladığı üzere model, çoğu zaman o oturumda hiç kullanılmayacak araçlara ait yüzlerce sayfalık teknik dokümanı “okumak” zorunda kalıyordu.
Topluluk tarafından paylaşılan örnekler ise sorunun boyutunu daha net ortaya koydu: Gupta, tek bir Docker tabanlı MCP sunucusunun yalnızca 135 aracı tanımlamak için 125 bin token harcayabildiğini aktarırken, eski sistemin geliştiricileri ya araç sayısını ciddi biçimde kısıtlamaya ya da bağlam bütçesinin büyük bölümünden vazgeçmeye zorladığını ifade etti.
Tool Search Nasıl Çalışıyor?
Anthropic’in sunduğu ve Thariq Shihipar’ın “GitHub’da en çok talep edilen özelliklerimizden biri” olarak tanımladığı bu çözüm, mevcut kısıtlamalara karşı oldukça yalın ve etkili bir yaklaşım sunuyor. Claude Code, artık tüm araç tanımlarını baştan yüklemek yerine bağlam kullanımını sürekli olarak izliyor. Sürüm notlarına göre sistem, araç açıklamalarının mevcut bağlam penceresinin yüzde 10’undan fazlasını tüketeceğini otomatik olarak tespit ediyor. Bu eşik aşıldığında ise yaklaşım değişiyor; kapsamlı teknik belgeler doğrudan komut istemine eklenmek yerine, yalnızca ihtiyaç duyulduğunda başvurulacak hafif bir arama dizini yükleniyor.
Bu yeni yaklaşımda Claude Code, kullanıcı belirli bir eylem talep ettiğinde artık yüzlerce komuttan oluşan önceden yüklenmiş listeleri taramak zorunda kalmıyor. Aakash Gupta’ya göre Tool Search, mimariyi tersine çeviriyor ve token verimliliğinde kayda değer bir kazanım sağlıyor: Anthropic’in dahili testlerinde bağlam kullanımı yaklaşık 134 bin tokendan 5 bin token seviyesine düşerek, tam araç erişimi korunurken yüzde 85’e varan bir tasarruf elde ediliyor.
MCP sunucularını yöneten geliştiriciler açısından bu güncelleme, optimizasyon yaklaşımını da değiştiriyor. Thariq Shihipar, MCP tanımında yer alan ve daha önce ikincil görülen “sunucu talimatları” alanının artık kritik hâle geldiğini belirterek bu meta verinin, Claude’un araçları becerilere benzer biçimde ne zaman ve nasıl çağıracağını anlamasında kilit rol oynadığını vurguluyor.
“Tembel Yükleme” ve Doğruluk Artışları
Token tasarrufu bu güncellemenin en görünür kazanımı olsa da asıl kritik etki modelin odaklanma yeteneğinde ortaya çıkıyor. Büyük dil modelleri (LLM), bağlam içinde yer alan gereksiz ve alakasız bilgiler karşısında “dikkat dağınıklığına” son derece hassas çalışıyor. Bağlam penceresinin binlerce satırlık kullanılmayacak araç tanımlarıyla dolması, modelin muhakeme kapasitesini zayıflatıyor ve özellikle birbirine çok benzeyen komutlar arasında ayrım yapmasını zorlaştırıyor. Bu durum, pratikte büyük dil modellerinin notification-send-user ile notification-send-channel gibi yakın isimli işlevleri ayırt etmekte güçlük çektiği klasik bir “samanlıkta iğne arama” problemine yol açıyor.
Claude Code’un başkanı Boris Cherny, lansmanın ardından X’te yaptığı paylaşımda güncellemenin etkisini net biçimde özetledi: “Her Claude Code kullanıcısı artık çok daha fazla bağlam alanına, daha iyi talimatlara ve daha fazla araç ekleme esnekliğine sahip.” Paylaşılan veriler de bu değerlendirmeyi destekliyor. Topluluk kaynaklı iç karşılaştırmalara göre Tool Search özelliği etkinleştirildiğinde Opus 4 modelinin MCP testlerindeki doğruluk oranı yüzde 49’dan yüzde 74’e yükselmiş durumda. Daha yeni Opus 4.5 modelinde ise doğruluğun yüzde 79.5’ten yüzde 88.1 seviyesine çıktığı belirtiliyor. Yüzlerce kullanılmayan aracın yarattığı gürültünün ortadan kaldırılmasıyla birlikte model, dikkat mekanizmalarını kullanıcının gerçek isteğine ve o an gerekli olan araçlara odaklayabiliyor.
Yığının Olgunlaştırılması
Yeni güncelleme, yapay zekâ altyapılarına yaklaşımda daha olgun bir mühendislik anlayışına geçildiğine işaret ediyor. Pek çok yazılım paradigmasının erken aşamalarında kaba kuvvet yöntemleri yaygın olarak tercih edilirken, sistemler ölçeklendikçe asıl belirleyici unsur verimlilik hâline geliyor. Aakash Gupta da bu dönüşümü, VS Code ve JetBrains gibi Entegre Geliştirme Ortamları’nın (IDE) zaman içindeki evrimiyle kıyaslayarak yorumladı. Gupta’ya göre sorun, “çok fazla araca sahip olmak” değil, bu araçların nasıl ve ne zaman devreye alındığıydı.
Gupta, eski yaklaşımın araç tanımlarını modern sistemlerde yaygın olan gecikmeli yükleme yerine, 2020 öncesi yazılımlardaki statik içe aktarma mantığıyla ele aldığını vurguladı. VS Code’un tüm uzantıları başlangıçta yüklemediğini, JetBrains tabanlı IDE’lerin de her eklentinin belgelerini belleğe taşımadığını hatırlatan Gupta’ya göre, benzer bir mimari yaklaşımın AI araçlarında da benimsenmesi kaçınılmazdı. Anthropic’in “tembel yükleme”yi hayata geçirmesi, AI ajanlarının artık yalnızca deneysel yenilikler değil, ciddi mimari disiplin ve mühendislik ilkeleri gerektiren karmaşık yazılım platformları olarak ele alındığını açıkça ortaya koyuyor.
Güncellemenin Kullanıcı ve Geliştiriciler için Önemi
Son kullanıcı açısından bakıldığında bu güncelleme büyük ölçüde görünmez şekilde çalışıyor: Claude Code, daha “akıllı” bir deneyim sunuyor ve konuşmanın daha büyük bir bölümünü bağlamda tutabiliyor. Geliştirici ekosistemi için ise etkisi çok daha derin. Önceden bir ajanın kapasitesi, bağlamı aşırı yükleyerek modelin verimliliğini düşürmemek adına fiilen kısıtlıydı ve geliştiriciler araç setlerini dikkatle daraltmak zorundaydı. Tool Search ile birlikte bu sınır pratikte ortadan kalkıyor. Artık bir ajan, ihtiyaç duyulana kadar herhangi bir maliyet oluşturmadan binlerce araca; veri tabanı bağlayıcılarından bulut dağıtım komut dosyalarına, API sarmalayıcılarından yerel dosya işleyicilerine kadar erişim tanımlayabiliyor.
Bu yaklaşım, “bağlam ekonomisini” kıtlığa dayalı bir modelden erişim odaklı bir yapıya dönüştürüyor. Aakash Gupta’nın ifadesiyle Anthropic, yalnızca bağlam kullanımını optimize etmekle kalmıyor, aynı zamanda “araç açısından zengin ajanlar” kavramının ne anlama geldiğini de yeniden tanımlıyor. Güncelleme, Claude Code kullanıcıları için hâlihazırda kullanıma sunulmuş durumda. MCP istemcileri geliştirenler için ise şirket, dinamik yüklemeyi desteklemek amacıyla ToolSearchTool‘un uygulanmasını öneriyor. Bu sayede geleceğin daha yetenekli AI ajanları, daha ilk etkileşimde bellek sınırlarına takılmadan çalışabilecek.
Kaynak: venturebeat.com