MCP sunucusu inşa ederken yaptığımız hatalar

Aniketh Shenoy Kota, Contentstack Canoe ürün müdürü, kendi ürünü üzerinde inşa ettikleri MCP sunucusu ile ilgili bir deneyim paylaşıyor. Yazı, ChatGPT, Gemini, Perplexity ve Claude gibi yapay zeka modellerine sorulan sorulara markaların ne kadar sıklıkla yanıt aldığını ölçen bir sistemin arkasındaki teknik kararları anlatıyor.

Temel fikir basit: bir ajanın haftalık panoyu açıp sayıları bir dökümanın içine kopyalaması gereken işi otomatikleştirmek. Sistem dört adımda çalışıyor. Birincisi, hangi markaların ve izleyicilerin var olduğunu keşfetmek. İkincisi, en son raporu, trendi, tam cevapları ve kaynakları okumak. Üçüncüsü, ajanın CMS'de veya depoda değişiklik taslağı hazırlaması (ama hiçbir zaman siteye yazmıyor). Dördüncüsü, yeni bir ölçüm çalıştırıp öncekiyle karşılaştırmak.

Yazıda vurgulanan ana hata, MCP sunucusunun tasarlanırken ajanın gerçek iş akışını yeterince göz önüne almamış olmalarıdır. Claude Code, Cursor veya herhangi bir MCP istemcisinden bu döngüyü sorunsuz çalıştırmak için, veri yapısının ve endpoint'lerin ajanın düşünme şekline uyum sağlaması gerekiyor. Yazı, kendi ürün verileriniz üzerinde inşa ettiğiniz herhangi bir MCP sunucusu için geçerli olan dersleri içeriyor.

Pratik taraftan bakılırsa, bu tür bir sistem kurarken ajanın hangi bilgilere ne sırada ihtiyaç duyduğunu adım adım harita çıkarmak kritik. Veri okuma ve yazma izinlerini açık tutmak, ancak yazma işlemini taslak aşamasında tutmak güvenlik ve kontrol açısından akıllıca bir seçim. Eğer kendi verileriniz üzerinde bir AI aracı inşa ediyorsanız, bu deneyimler direkt uygulanabilir.