AI Agentleri için API'ler: MCP'den Özel Endpoint'lere

LLM’ler Fonksiyon Çağırmayı Öğrendiğinde

GPT-3 döneminde bir LLM ile etkileşim kurmak, ona bir prompt vermek ve karşılığında metin almak anlamına geliyordu. Modelin bilgisi genişti ancak statikti, eğitim verilerinde ne varsa o noktada donmuştu. Ondan kuantum bilişimi açıklamasını veya bir e-posta taslağı yazmasını isteyebilirdiniz, makul görünen metin üretirdi. Ancak bugünün hava durumunu kontrol edemez, bir veritabanını sorgulayamaz veya gerçek dünyada herhangi bir eylem gerçekleştiremezdi.

Bunu değiştiren özellik şaşırtıcı derecede az takdir ediliyor. Modele metin üretmek ile fonksiyon çağırmak arasında bir seçim verdi. Model artık her zaman bir sonraki token’ı üretmek yerine, bir fonksiyon adını ve argümanlarını belirten yapılandırılmış bir JSON nesnesi döndürebiliyordu. Çalışma zamanı bu fonksiyonu yürütür, sonucu modele geri verir ve model oradan devam ederdi. ReAct makalesi (Yao ve diğerleri, 2022) bunu Thought-Action-Observation döngüsü olarak biçimlendirdi. Model ne yapacağı üzerine akıl yürütür, bir eylem alır (bir araç çağırır), sonucu gözlemler ve tekrar eder. 2026’daki her ciddi AI agenti bu kalıbın bir versiyonu üzerinde çalışır.

Döngü

Claude Code, OpenClaw, Codex, Devin ve onlarca başka agentic sistem aynı şekilde çalışır. Bir araç çağırın, sonucu gözlemleyin, sonra ne yapacağınıza karar verin, tekrar edin. Simon Willison bunu iyi ifade etti: “Bir LLM agenti, bir hedefe ulaşmak için araçları bir döngü içinde çalıştırır.”

Örneğin Claude Code, çoklu agent sürüsü veya karmaşık bir orkestrasyon grafiği olmadan tek iş parçacıklı bir ana döngü kullanır: while(tool_call) -> execute -> feed results -> repeat.

Anthropic’in agent otonomisi üzerine araştırması, Claude Code’daki tur sürelerinin üç ay içinde neredeyse ikiye katlandığını, 25 dakikadan 45 dakikanın üzerine çıktığını gösteriyor. Kullanıcılar döngünün kendi başına çalışmasına giderek daha fazla güveniyor. Veriler, deneyimli kullanıcıların daha sık müdahale ettiğini gösteriyor (eylem başına onaydan stratejik izlemeye geçiş), buna karşılık agentin kendisi kullanıcılardan iki kattan daha sık açıklama istiyor.

Bu döngü kalıbı kodlama agentlerinde, müşteri destek botlarında ve robotik kontrolörlerde aynı şekilde her yerde görülür.

Araç Olarak Ne Sayılır?

LLM’ler, bir aracın hangi soyutlama düzeyinde çalışacağına karar verirken bize önemli ölçüde özgürlük verir. Bir uçta oldukça spesifik API endpoint’leri vardır: “bu 12 alanla bir HubSpot kişisi oluştur.” Diğer uçta ise “bu bash komutunu çalıştır” veya “bu Python kodunu yürüt” gibi araçlar vardır, bunlar esasen “istediğini yap” anlamına gelir.

Devin üç araçla çalışır: shell, code editor, browser. Claude Code’un birincil aracı da shell’dir. OpenClaw dinamik bir skills eklenti sistemi kullanır. Agentic kodlama araçlarındaki eğilim, çok sayıda spesifik araç yerine daha az sayıda, daha genel araçlara doğru olmuştur.

Simon Willison, MCP’nin kodlama agentleri için “başta hızla büyüdüğünü ama sonra daha az merkezi hissettirdiğini” gözlemledi, çünkü bash evrensel araçtır. Dosyalar ve script’ler, tam MCP sunucusu uygulamalarına göre daha düşük ek yük getiren ilkel yapılardır. Agent kod yazıp çalıştırabiliyorsa, özel bir araç tanımına ihtiyaç duymadan neredeyse her şeyi yapabilir.

Ancak genel amaçlı araçlar genel amaçlı agentler için uygundur. Alan odaklı AI agentleri (müşteri desteği, satış, iç operasyonlar) için alan odaklı araçlara ihtiyacınız vardır. Destek agentiniz bir sipariş durumunu kontrol etmek için Python yazmamalıdır. Net parametrelere ve öngörülebilir yanıtlara sahip iyi tanımlanmış bir API endpoint’i çağırmalıdır. Araç setinizin tasarımı bir ürün kararına dönüşür.

Bir API Endpoint’i Artık Ne Anlama Geliyor?

AI agentleri için bir API endpoint’i bir yetenek beyanı olarak işlev görür. Bir endpoint yayınlamak, sizin (veya AI agentinizin) artık daha önce mümkün olmayan bir şeyi yapabildiğiniz anlamına gelir.

Bu iki yönde de çalışır. Bir yazılım sağlayıcısı, başkalarının ürünüyle entegre olabilmesi için bir API yayınlar. Ancak bir AI agenti de dokümantasyon arayarak, OpenAPI spesifikasyonlarını okuyarak veya bir görevin nasıl gerçekleştirileceğini kelimenin tam anlamıyla googling yaparak endpoint’leri kendi başına keşfedebilir.

Bir MCP sunucusu, nasıl kullanılmaları gerektiğine dair önceden oluşturulmuş bir anlayışla düzenlenmiş API endpoint’leri paketidir. MCP’yi oluşturan kişi hangi endpoint’lerin açığa çıkarılacağı, nasıl adlandırılacağı, hangi parametrelerin gösterileceği ve dolaylı olarak hangi iş akışlarının destekleneceği konusunda zaten kararlar vermiştir. Bu düzenleme hem güçlü yönüdür (kolaylık, standartlaşma) hem de zayıf yönüdür (katılık, görüşe dayalı kapsam belirleme). Notion sunucusu somut bir örnektir: 28 araç yayınlar ve bir yardım merkezi agentinin bunlardan dördüne ihtiyacı vardır, bunlar iki bağlantıya bölünmüştür.

MCP’ler kullanım kolaylığı karşılığında kontrolden ödün verir. 2026’da entegrasyon kodunun çoğunu AI yazıyor. Bir agent API dokümantasyonunu okuyup entegrasyonu kendisi yazabiliyorsa, MCP için “kullanım kolaylığı” argümanı zayıflar. MCP katmanı, araçlar modelin yeteneğine henüz yetişmemişken en çok geçiş döneminde önem taşıyabilir. Anthropic’in tool use tasarım kalıpları rehberi, MCP veya tekil endpoint kullanmanızdan bağımsız olarak araç şemalarını yapılandırmak için pratik bir referanstır.

İlgili bir gelişme: llms.txt, web sitelerinin AI modellerini yüksek değerli kaynaklara yönlendirmek için bir /llms.txt dosyası yayınladığı önerilen bir standarttır. Anthropic, Cloudflare, Docker ve Stripe bunu benimsedi. MCP araç çağırımını standartlaştırır, llms.txt dokümantasyon keşfini standartlaştırır. İkisi de web’i farklı açılardan makineler için daha okunabilir hale getirmeye çalışır.

AI agentleri bağlamında API endpoint’i nedir?

Bir API endpoint’i, yapılandırılmış girdi kabul eden ve yapılandırılmış çıktı döndüren belirli bir URL’dir. AI agentleri için her endpoint ayrı bir yeteneği, agentin gerçek dünyada yapabileceği bir şeyi temsil eder. Endpoint’in açıklaması, parametre tanımları ve hata yanıtları agentin kullanım kılavuzu görevi görür. Endpoint ne kadar iyi dokümante edilmişse, bir agent onu o kadar güvenilir şekilde kullanabilir.

Eğitimleri okuyabilen ve yinelemeli olarak hata ayıklayabilen insan geliştiricilerin aksine, bir agent tek bir doğru çağrı yapmak için endpoint’in şemasına ve açıklamasına güvenir. Bu nedenle AI tüketimi için tasarlanmış API dokümantasyonu her zamankinden daha önemlidir. Geliştiricilerin %89’u iş akışlarında AI kullanmasına rağmen, şu anda yalnızca geliştiricilerin %24’ü API’leri AI agentlerini düşünerek tasarlıyor.

MCP (Model Context Protocol) nedir?

MCP, AI agentlerinin harici araçlara ve veri kaynaklarına nasıl bağlanacağını standartlaştıran, Anthropic tarafından tanıtılmış açık bir protokoldür. Bunu AI için USB-C gibi düşünebilirsiniz. Her araç sağlayıcısının uygulayabileceği ve her AI agentinin tüketebileceği tek bir bağlayıcı. Bir MCP sunucusu, standartlaştırılmış şemalara sahip bir araç kümesi (esasen API endpoint’leri) açığa çıkarır ve bir MCP client (agent) bunları özel entegrasyon kodu olmadan keşfedip çağırabilir. Daha derin bir teknik açıklama için MCP Explained yazımıza bakın. MCP’nin üretim ortamındaki pratik bir değerlendirmesi için Shopify MCP üzerinde geliştirme yaparken karşılaşılan gerçek dünya zorluklarına ilişkin analizimize bakın.

Quickchat AI’da Kontrol Yelpazesi

Quickchat AI, bir AI Agent’i harici araçlarla donatmanız için üç yol sunar. Bunlar en otomatik olandan en kontrollü olana uzanan bir yelpazede yer alır. Her yaklaşım, kurulum hızı ile davranış hassasiyeti arasında farklı bir ödünleşim yapar.

Remote MCP: Bağlayın ve Başlayın

Remote MCP, bir AI Agent’i harici işlevselliğe bağlamanın en hızlı yoludur. Bir MCP sunucusu URL’si sağlarsınız, Quickchat AI ona bağlanır, mevcut tüm araçları keşfeder ve agentinizin hangilerini kullanacağını seçmenize izin verir.

Nasıl kurulur:

1. Quickchat AI dashboard’da AI Actions’a gidin
2. “Add Remote MCP” üzerine tıklayın
3. MCP sunucusu URL’nizi yapıştırın (ör. https://mcp.example.com/sse)
4. İsteğe bağlı olarak bir authentication token veya custom headers ekleyin (ikisi birbirini dışlar)
5. “Connect.” üzerine tıklayın. Quickchat AI mevcut tüm araçları keşfeder ve adlarını gösterir
6. Agentinizin hangilerini kullanabileceğini kontrol etmek için tekil araçları açıp kapatın
7. Yeni keşfedilen araçların otomatik olarak etkin mi yoksa devre dışı mı olacağını kontrol etmek için “default tool is active” bayrağını ayarlayın

Arka planda ne olur:

Connect’e tıkladığınızda Quickchat AI, URL’den transport protokolünü otomatik algılar. URL sse içeriyorsa SSE transport kullanılır, aksi halde varsayılan streamable_http olur. Bir auth token sağladığınızda, Authorization header’ında Bearer token olarak gönderilir.

Araç filtreleme üç katmanlı bir sistemle çalışır. MCP sunucusundan gelen her araç iki kümeye göre kontrol edilir: açıkça etkinleştirilen araçlar her zaman dahil edilir, açıkça devre dışı bırakılan araçlar her zaman hariç tutulur ve iki kümede de olmayan tüm araçlar seçtiğiniz “default tool is active” ayarına geri döner. Bu, bir MCP sunucusu yeni araçlar eklediğinde bunların agentiniz için otomatik olarak kullanılabilir olup olmayacağını veya açık etkinleştirme gerektirip gerektirmeyeceğini kontrol ettiğiniz anlamına gelir.

Çalışma zamanında, bir konuşma başladığında, agent için tüm etkin Remote MCP bağlantıları yüklenir. Araçlar her bağlantının yapılandırmasına göre getirilir ve filtrelenir, ayrıca araç adı benzersizliği tüm kaynaklar genelinde doğrulanır (yinelenenler bulunursa uyarı verilir).

Ödünleşim: MCP’nin açığa çıkardığı her şeye anında erişim elde edersiniz, ancak araç açıklamaları, parametre tanımları veya agentin bunları nasıl kullanmaya karar verdiği üzerinde sınırlı kontrolünüz olur. Shopify MCP üzerinde bir AI Agent geliştirirken gördüğümüz gibi, demodan üretime geçmek dikkatli ayarlama gerektirir ve MCP’nin paket yaklaşımı bunu zorlaştırabilir.

Ayrıca bakın: agentinizi bir remote MCP server’a bağlama, Quickchat AI MCP’nizi Nasıl Yayına Alırsınız, MCP güvenlik değerlendirmeleri, Quickchat AI docs: MCP channel.

AI Actions (HTTP Request): Tek Endpoint, Tam Kontrol

Quickchat AI’daki bir AI Action, AI Agentiniz için tek tek yapılandırdığınız tek bir HTTP API endpoint’idir. MCP bir araç paketini aynı anda içe aktarırken, her AI Action size belirli bir yetenek üzerinde tam kontrol verir. Kişileri oluşturan ve zenginleştiren, fırsatları kaydeden ve CRM’de ticket açan dört action içeren eksiksiz bir örnek için HubSpot AI Actions tutorial yazısına bakın.

Bir AI Action yapılandırma:

1. Name (maks. 64 karakter): bu, LLM’nin gördüğü araç adı olur. Geçerli bir identifier’a normalize edilir (ör. “Check Order Status”, Check_Order_Status olur)
2. Description (maks. 1.000 karakter): en önemli alan budur. Description, LLM’ye bu aracın ne zaman kullanılacağını söyler. İyi açıklamalar, hangi konuşma koşullarında çağrılacağını, önce kullanıcıdan hangi bilgilerin toplanacağını ve sonuçların nasıl geri iletileceğini belirtir
3. HTTP method: GET, POST, PATCH, DELETE veya PUT
4. URL (maks. 10.000 karakter): dinamik değerler için {{parameter_name}} placeholder’ları içerebilir
5. Headers: kimlik doğrulama ve content type için anahtar-değer çiftleri
6. Body items / Body JSON: parametre enjeksiyonlu request body
7. Query parameters: URL query string değerleri
8. Parameters (maks. 10): her biri bir ad, açıklama (maks. 500 karakter), tür (str, int, float, bool veya custom), required bayrağı ve isteğe bağlı varsayılan değer içerir

{{parameter_name}} placeholder’ları temel mekanizmadır. LLM aracı çağırdığında, konuşma bağlamına göre her parametre için değerler sağlar. Quickchat AI daha sonra HTTP isteğini yapmadan önce bu değerleri URL, headers, body ve query string şablonlarına enjekte eder. Bu şekilde enjekte edilebilen dört yerleşik değişken de vardır: scenario_id, conversation_id, conversation_channel ve conversation_url.

Sipariş durumunu kontrol etmek için yapılandırılmış bir AI Action, parametre placeholder’lı URL şablonunu, headers’ı ve parametre tanımlarını gösterir.

Arka planda: Quickchat AI, her AI Action için parametre tanımlarınızdan dinamik olarak tipli bir şema oluşturur. Desteklenen beş tür (str, int, float, bool, custom) yerel karşılıklarına eşlenir ve bu şema, HTTP isteği yapılmadan önce LLM girdilerini doğrulamak için kullanılır.

Sipariş durumunu kontrol etmek için örnek bir AI Action:

{
  "name": "check_order_status",
  "description": "Kullanıcı sipariş durumunu sorduğunda ve bir sipariş numarası sağladığında, güncel durumu almak için bu endpoint'i çağırın. Durumu, tahmini teslimat tarihini ve takip numarasını (varsa) kullanıcıya bildirin.",
  "method": "GET",
  "url": "https://api.example.com/orders/{{order_id}}",
  "headers": [
    { "name": "Authorization", "value": "Bearer YOUR_API_KEY" },
    { "name": "Content-Type", "value": "application/json" }
  ],
  "parameters": [
    {
      "name": "order_id",
      "description": "Kullanıcı tarafından sağlanan sipariş ID'si (ör. ORD-12345)",
      "type": "str",
      "is_required": true
    }
  ]
}

Test: Dashboard’da, örnek parametre değerleri girmenize ve dağıtımdan önce gerçek HTTP isteğini (üretilmiş curl komutu dahil) ve yanıtı görmenize olanak tanıyan bir “Test” butonu vardır.

Etkili AI Action açıklamaları yazmak için ipuçları:

• Agentin ne zaman çağırması gerektiği konusunda spesifik olun: “Kullanıcı sipariş durumunu sorduğunda ve bir sipariş numarası sağladığında bu endpoint’i çağırın”
• Önce hangi bilgilerin toplanacağını belirtin: “Çağırmadan önce kullanıcının e-posta adresine ve sipariş ID’sine sahip olduğunuzdan emin olun”
• Yanıtın nasıl ele alınacağını açıklayın: “Durum ‘shipped’ ise kullanıcıya yanıttaki takip numarasını söyleyin”
• Çok adımlı iş akışları için sıralamayı tekil action açıklamalarında değil agentin ana system prompt’unda açıklayın ve bir değeri action’lar arasında taşımak ve yazmayı buna göre koşullamak için Save to memory ve bir run-condition kullanın

Çalışılmış örnek: lead’leri, yanıtsız soruları ve demo taleplerini doğrudan bir spreadsheet’e kaydeden adım adım AI Action için bir AI agentini Google Sheets’e nasıl bağlayacağınızı inceleyin.

Generate from Text: AI’ın Çözmesine İzin Verin

Üçüncü seçenek, agentlerinin ne yapmasını istediklerini bilen ancak hangi API endpoint’ini (hatta hangi servisi) kullanacaklarını bilmeyen kullanıcılar içindir.

Nasıl çalışır:

1. Ne istediğinizi doğal dille yazarsınız, ör. “AI Agentimin kullanıcı istediğinde onun Tesla’sını çalıştırabilmesini istiyorum”
2. Quickchat AI bunu web_search aracı etkinleştirilmiş bir LLM’ye gönderir
3. Model doğru API’yi bulmak için web’de araştırma yapar, resmi dokümantasyonu okur ve URL, method, headers, parameters ve authentication requirements dahil eksiksiz bir AI Action spesifikasyonu üretir
4. Sonuç, tam action yapılandırması, kullanılan dokümantasyona citation’lar ve varsayımları ile eksikleri belirten açıklayıcı bir mesajla geri gelir
5. Siz inceler, kimlik bilgilerinizi doldurur ve etkinleştirirsiniz

İstenen yeteneğin doğal dil açıklamasını girme.

Kullanılan API dokümantasyonuna citation’larla üretilen AI Action yapılandırması.

Otomatik AI Action üretimi üç öncelik etrafında yapılandırılmıştır:

• Öncelik 1: Niyeti anlayın. Geliştiricinin istediği tam yeteneği ve bunu sağlayan spesifik API endpoint’ini belirleyin
• Öncelik 2: Dokümantasyona dayandırın. Tahminler değil, resmi sağlayıcı dokümantasyonu bulmak için web aramasını kullanın
• Öncelik 3: Konuşma öncelikli semantik tasarlayın. Üretilen ad ve açıklama, API’nin teknik olarak ne yaptığından değil, bu aracın konuşmanın hangi noktasında kullanıldığından bahsetmelidir

Prompt iki placeholder kuralı kullanır. {{param}}, LLM’nin konuşma bağlamından doldurduğu çalışma zamanı parametrelerini işaretler. [[secret_name]] (çift köşeli parantez), etkinleştirmeden önce manuel olarak yapılandırılması gereken API anahtarları ve account ID’leri gibi geliştirici sabitlerini işaretler. Her parametre adı istek tanımında bir yerde {{that_exact_name}} placeholder’ı olarak görünmelidir ve sahipsiz placeholder’lara izin verilmez.

Sistem bir fail-closed politikası kullanır. Model dokümantasyondan kritik bir bilgi parçasını (HTTP method, URL, authentication scheme veya required payload structure) doğrulayamazsa action oluşturulmaz. Bunun yerine sistem, tahmin etmek yerine neyin eksik olduğuna dair kısa bir açıklama döndürür.

AI agentlerinin API’leri keşfetmesine ilişkin felsefi noktanın somut bir ürün özelliğiyle birleştiği yer burasıdır. Generate from Text özelliği kelimenin tam anlamıyla başka bir AI agenti için araç tanımı oluşturan bir AI agentidir (web aramalı bir LLM, konuşmalarda kullanacak Quickchat AI agenti için).

Çalışılmış örnek: iki yazılı cümleyi iki canlı, test edilmiş action’a dönüştüren tam eğitim için (anahtarsız hava durumu araması ve anahtarlı NASA örneği, fail-closed reddi dahil) AI agentinizi herhangi bir API’ye düz İngilizce ile nasıl bağlayacağınızı inceleyin.

Çalışma zamanında tüm bu araç türleri bir araya getirilir. Quickchat AI, HTTP request AI Action araçlarını, Shopify MCP araçlarını, knowledge base araçlarını, remote MCP araçlarını, Discord araçlarını ve diğer custom araçları LLM’ye sunulacak bir koleksiyonda toplar. Model bunlar arasında bir ayrım görmez. Bir Remote MCP aracı ve manuel yapılandırılmış bir AI Action, araç listesine girdikten sonra aynı görünür.

Yeni SEO Olarak Açık API’ler

AI agentleri API’leri otonom olarak keşfedip kullanacaksa, iyi dokümante edilmiş ve kullanımı kolay bir API’ye sahip olmak bir dağıtım varlığına dönüşür. Gartner, 2026’ya kadar API talep artışının %30’undan fazlasının AI agentlerinden geleceğini öngörüyor.

Minimum kimlik bilgisi engeline sahip açık API’leri olan şirketler, API’lerinin en iyi müşteri edinme kanalı haline geldiğini görebilir. Google arama gösterimleri yerine, “gösterimler” AI agentlerinin rakibinizin servisi yerine sizin servisinizi kullanmayı seçmesidir.

Aynı mantık bir seviye yukarıda da geçerlidir. Dokümantasyonunuzdan yanıt veren bir AI agenti, kendisi de ChatGPT, Claude ve Cursor’ın araç olarak çağırdığı bir MCP sunucusu olarak açığa çıkarılabilir. Bu, yalnızca API’nizi değil, bilginizi de agentic web tarafından keşfedilebilir hale getirir.

API dokümantasyonunuzun kalitesi, bir AI agentinin sizinle tek denemede başarılı şekilde entegre olup olamayacağını belirler. Parametre açıklamaları, hata mesajları ve örnek yanıtlar, geleneksel SEO’daki meta açıklamaları ve yapılandırılmış verilerle aynı işlevi görür. Kafa karıştırıcı bir hata yanıtı veya dokümante edilmemiş zorunlu bir alan, agentin başarısız olacağı anlamına gelir ve diğer tarafta bunu debug edecek bir insan yoktur.

API’leri dokümante edilmemiş veya ağır kimlik bilgisi gereksinimlerinin arkasına kapatılmış şirketler, 2000’lerde web sitesi olmayan şirketlerin Google için görünmez hale gelmesi gibi agentic web için görünmez hale gelebilir.

Computer Use ve API’ler

AI modellerine “computer use” (butonlara tıklama, form doldurma, UI’larda gezinme) öğretmeye yönelik önemli yatırımlar vardır. Anthropic, OpenAI (Operator) ve Browser Use gibi açık kaynak projeleri bunun çeşitli versiyonlarını sunar.

Ancak browser use, eksik bir API için geçici çözümdür. Bir POST /orders çağrısı milisaniyeler sürer ve yapılandırılmış veri döndürür. Bir checkout akışında gezinen browser agenti dakikalar alır ve bir buton üç piksel sola kaydığında bozulabilir. API’ler daha hızlı, daha deterministik ve yürütmesi daha ucuzdur.

Karşı argüman gerçektir: Her şey için API yoktur. Eski sistemler, API yüzeyi olmayan kurumsal yazılımlar, GUI’ler üzerinden kontrol edilen fiziksel cihazlar. Computer use bu durumlarda gerçek bir boşluğu doldurur.

“bunun için API’miz yok” ifadesine daha iyi uzun vadeli yanıt, muhtemelen AI’a GUI kullanmayı öğretmek yerine API’yi oluşturmaktır. Daha fazla yazılım AI agentleri tarafından AI agentleri için yazıldıkça, API oluşturma ve bakım maliyeti düşer. Bir UI’ı scrape etmeyi API oluşturmaktan daha ucuz hale getiren ekonomik hesap değişiyor.

Bir de güvenlik açısı vardır. Simon Willison’ın “lethal trifecta” kavramı, özel veri erişimi + güvenilmeyen içerik maruziyeti + harici iletişim bileşiminin tehlikesini açıklar. Bu her iki yaklaşım için de geçerlidir, ancak API tabanlı araçların denetlenmesi ve sınırlandırılması daha kolaydır. Her API çağrısını loglayabilir, her parametreyi doğrulayabilir ve her endpoint’e rate limit uygulayabilirsiniz. Her şeye tıklayabilen bir browser agenti için eşdeğerini yapmak çok daha zordur.

Fiziksel Dünya için Araçlar

Buraya kadar tartışılan her şey yazılımla ilgilidir. Aynı kalıp fiziksel dünyada da görülür.

Google DeepMind’ın RT-2 ve Gemini Robotics sistemleri aynı mimariyi kullanır, tek fark araçların API’ler yerine aktüatörlere dispatch edilmesidir. SPCA (Sense-Plan-Code-Act) framework’ü bunu robotik için biçimlendirir: ortamı tara, yaklaşımı planla, çalıştırılabilir kod üret, yürüt, sonuçları gözlemle.

“Masamdaki bitkiyi sağa taşı” için bir API yoktur. Ancak kameralı bir robot, move_object(object_id="plant_01", direction="right", distance_cm=15) aracını anlık olarak tanımlayabilir ve sonra çağırabilir. Araç tanımı, yazılımda API endpoint’lerinin oynadığı rolle aynı şekilde, akıl yürütme katmanı ile fiziksel yürütme katmanı arasında arayüz görevi görür.

LLM + araçlar + döngü mimarisi genel amaçlıdır. Bugün yazılımda uygulanması en kolay olanıdır, ancak robotik arayı kapatıyor.

AI Tarafından, AI için Yazılan API’ler

Yaklaşık iki yıl içinde (2024’ten 2026’ya), kodun çoğunun insanlar tarafından yazıldığı bir noktadan kodun çoğunun AI tarafından yazıldığı bir noktaya geldik. Bu, bir API endpoint’inin ne olduğunu yeniden düşünmek için iyi bir an. Giderek artan şekilde bir endpoint, insan geliştiricilerin dokümanlarını okuyup sonra manuel olarak entegre edeceği teknik bir arayüz değil, makineler tarafından keşfedilip yürütülmek üzere tasarlanmış bir yetenek beyanıdır.

MCP’ler faydalı bir standartlaştırma katmanıdır, ancak aynı zamanda önyargı getiren bir düzenleme katmanıdır. MCP’yi oluşturan kişi hangi araçların açığa çıkarılacağına ve bunların nasıl çerçeveleneceğine karar verir. Üretim ortamındaki AI agentleri için bu çerçeveleme, gerçekten ihtiyacınız olanla uyuşmayabilir. (Bunu Shopify MCP ile ilgili zorlukları analiz ederken ayrıntılı yazdık.)

Quickchat AI Agents içinde üzerinden geçtiğimiz yelpaze daha geniş bir noktayı yansıtır. Doğru kontrol düzeyi kullanım senaryonuza bağlıdır. Remote MCP hızlı prototipleme için iyi çalışır. Tekil AI Actions, üretim ortamında müşteriyle temas eden agentler için ayrıntılı kontrol sağlar. Generate from Text, hâlâ keşif aşamasındayken AI’ın API’yi araştırıp araç tanımını sizin için oluşturmasını sağlar.

Ve her düzeyde altta yatan kalıp aynıdır. Bir LLM, bir araç kümesi, bir döngü. Araçlar bash komutları, API endpoint’leri, MCP sunucuları veya robot aktüatörleri olsun, en alta kadar her şey araçlardan oluşur.