Kodlama Ajanları için MCP Model Kataloğu: Model Seçimini Makine Tarafından Okunabilir Hale Getirin

Model isimlerini kodun içine sabitleyen (hardcode) bir kodlama ajanı, er ya da geç gece saat 2'de birini uyandıracaktır. Kodlama ajanları için bir MCP model kataloğu, bu hata modunu değiştirir. Ajan, kaynak kodun derinliklerine gömülmüş bir metin dizisi yerine, istek anında güncel modellerin, maliyetlerin, modalitelerin ve durum alanlarının bulunduğu yapılandırılmış bir listeyi okur. TokenLab'de benzer bir katalog tutuyoruz ve kataloğu yönlendirme (routing) için tek gerçeklik kaynağı olarak görüyoruz. İş akışımızda model seçimi bir sabit değil, bir arama işlemidir.

Kodlama Ajanları Neden Makine Tarafından Okunabilir Model Verisine İhtiyaç Duyar?

Çoğu kodlama ajanı entegrasyonu hala on yıl önceki API entegrasyonları gibi çalışıyor. Bir geliştirici bir model ismi seçer, bunu bir yapılandırma dosyasına veya ortam değişkenine yapıştırır ve yayına alır. Bu, sağlayıcı modeli kullanımdan kaldırana, fiyatlandırmayı değiştirene veya daha iyi bir seçenek sunana kadar çalışır. Sonrasında ise ekibin bunu benimsemek için bir süreci yoktur.

Makine tarafından okunabilir bir katalog, bu hata modunu değiştirir. Bir model emekliye ayrıldığında, ajan kataloğu sorgulayabilir, modelin kaldırıldığını veya kullanımdan kaldırıldığını (deprecated) görebilir ve belgelenmiş bir alternatife geçiş yapabilir. Bir geliştiricinin her yeni sürümü manuel olarak kıyaslaması yerine, araçlar geçiş yapmadan önce listelenen bağlam pencerelerini (context window), modalite desteğini ve maliyet alanlarını karşılaştırabilir.

Bu aynı zamanda ciddi model yönlendirmesi için de bir ön koşuldur. DeepSeek V4 Flash veya Gemini 3.5 Flash üzerinde ucuz, yüksek hacimli tamamlamalar isteyebilirsiniz. Claude Sonnet 5'i ise çok dosyalı yeniden düzenlemeler (refactor) için ayırabilirsiniz. Yönlendirme mantığının hala bir gerçeklik kaynağına ihtiyacı vardır. Bu kaynak; hangi modellerin güncel olduğunu, maliyetlerini ve neleri desteklediklerini söylemelidir. Bu olmadan, yönlendirme kuralları, sabit kodlanmış model isimleri gibi zamanla işlevini yitirir.

TokenLab bu sorun hakkında doğrudan yazılar yazmıştır. Daha geniş bir argüman için agent-readable model truth yazısına ve birincil çağrıyı yapanın insan geliştirici değil de bir ajan olduğu durumlarda API tasarımının nasıl değiştiğini görmek için agent-first API yazısına göz atabilirsiniz.

Önemli Çıkarımlar

• Bir model kataloğu, model seçimini sabit kodlanmış bir diziden çalışma zamanı (runtime) aramasına dönüştürür; bu da sağlayıcılar yeni modeller yayınladığında bakım yükünü azaltır.
• Kodlama ajanları, her şey için tek bir model kullanmak yerine farklı görev türlerini (otomatik tamamlama, yeniden düzenleme, test oluşturma, inceleme) farklı modellere yönlendirmekten fayda sağlar.
• Model kataloğu verileri için MCP istekleri genellikle resource-list veya tool-call şeklini izler; üzerinde çalışmaya başlamadan önce tam şemayı sağlayıcının kendi belgeleriyle doğrulayın.
• TokenLab, /models/data adresinde bir Model Veri Merkezi ve /models adresinde bir model dizini yayınlar; model dizilimleri sık sık değiştiği için güncel model isimlerini doğrulamak adına bu makaleyi değil, bu kaynakları temel alın.

Bir MCP Model Kataloğu Girdisinde Neler Olmalıdır?

Kodlama ajanı için kullanışlı bir katalog girdisi, model isminden fazlasına ihtiyaç duyar. En azından, geliştiriciler ve kullanıcılar şunları görmeyi beklemelidir:

• Model tanımlayıcısı: API'nin beklediği tam metin dizisi; sağlayıcılar genellikle isimleri hassas bir şekilde sürümlendirdiği için (buradaki bir uyumsuzluk en yaygın entegrasyon hatalarından biridir).
• Sağlayıcı: Kataloğun birden fazla sağlayıcıyı birleştirdiği durumlarda, modelin hangi şirket veya platform tarafından sunulduğu.
• Modalite desteği: metin, kod, görsel veya video. Kimi K2.7 Code gibi kodlama modellerini Nano Banana Pro gibi görsel modellerle karıştıran bir katalog, ajanın gerçekten ihtiyaç duyduğu şeye göre filtreleme yapmasını sağlayan bir alana ihtiyaç duyar.
• Bağlam penceresi (Context window): Büyük depolarda çalışan kodlama ajanları için token limitleri son derece önemlidir.
• Maliyet alanları: Giriş ve çıkış token fiyatlandırması; kodlama ajanları genellikle asimetrik, giriş ağırlıklı iş yüklerine (büyük dosya bağlamı, küçük fark çıktısı) sahip olduğundan, bu fiyatların ayrı olması idealdir.
• Durum: güncel, kullanımdan kaldırılmış (deprecated) veya emekliye ayrılması planlanmış. Sessiz kesintileri önleyen alan budur.
• Görev uygunluk etiketleri: 'kodlama', 'düşük maliyetli yönlendirme' veya 'açık ağırlıklı' (open-weight) gibi isteğe bağlı ancak yararlı meta veriler; böylece bir ajan, her modelin özelliklerini önceden bilmeden filtreleme yapabilir.

Bu alanların hiçbirinin her sağlayıcının katalog formatında bulunacağı garanti edilmez. Bir entegrasyon oluşturmadan önce, kullandığınız sağlayıcıda belgelenen gerçek şemayı kontrol edin. Özellikle TokenLab tarafından sunulan modeller için, bu makaleyle eşleşeceklerini varsaymak yerine güncel alan setini ve güncelleme sıklığını /models/data adresinden doğrulayın. Katalog şemaları, yeni modeller ve modaliteler eklendikçe değişir.

Örnek: MCP Üzerinden Model Kataloğu İsteme

MCP genellikle JSON-RPC 2.0 üzerinden iletişim kurar. Bir sunucudan mevcut model kaynaklarını listelemesini isteyen bir istemci, buna benzer bir istek gönderebilir. Bu örnek, genel MCP resource-list modelini izler. Herhangi bir sağlayıcının canlı şeması hakkında bir iddia değildir. Üretim kodu yazmadan önce tam metot isimlerini ve yanıt alanlarını https://docs.tokenlab.sh adresinden veya MCP sunucunuzun kendi belgelerinden doğrulayın.

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "resources/list",
  "params": {
    "filter": {
      "modality": "text",
      "tag": "coding"
    }
  }
}

Yine doğrulanmış bir şema değil, açıklayıcı olması amacıyla makul bir yanıt şekli:

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "resources": [
      {
        "id": "claude-sonnet-5",
        "provider": "Anthropic",
        "modality": ["text", "code"],
        "context_window": "verify at provider docs",
        "status": "current",
        "tags": ["coding", "review"]
      },
      {
        "id": "deepseek-v4-flash",
        "provider": "DeepSeek",
        "modality": ["text", "code"],
        "context_window": "verify at provider docs",
        "status": "current",
        "tags": ["low-cost", "coding"]
      }
    ]
  }
}

Bağlam penceresi değerlerini, tam alan isimlerini veya yukarıda listelenen belirli modelleri herhangi bir canlı API hakkında doğrulanmış gerçekler olarak kabul etmeyin. Bunlar, fiyatlandırma veya kapasite sayılarını değil, bir istek ve yanıtın şeklini gösterir. Oluşturma aşamasında bu sayıları sağlayıcının güncel belgelerinden veya /models/data adresinden çekin.

Göreve Göre Model Seçimi: Bir Karar Kontrol Listesi

Bir model kataloğu, yalnızca ajanın veya ajanı yapılandıran geliştiricinin görev türüyle modeli eşleştirmek için bir kuralı varsa yararlıdır. Aşağıdaki tablo bir kıyaslama sonucu değil, başlangıç çerçevesidir. Üretimde bir yönlendirme kuralına karar vermeden önce güncel fiyatlandırma ve kapasite iddialarını sağlayıcı belgeleri ve /models üzerinden doğrulayın.

Kodlama ajanı görevi	En önemli olan	Değerlendirilecek örnek modeller
Otomatik tamamlama / satır içi öneriler	Düşük gecikme, çağrı başına düşük maliyet	DeepSeek V4 Flash, Gemini 3.5 Flash, Laguna XS 2.1
Çok dosyalı yeniden düzenleme	Daha geniş bağlam penceresi, güçlü kod muhakemesi	Claude Sonnet 5, DeepSeek V4 Pro
Test oluşturma	Tutarlı biçimlendirme, orta düzey muhakeme	Kimi K2.7 Code, Claude Sonnet 5
Kod inceleme / PR özetleme	Güçlü muhakeme, farkları (diff) doğru referanslama yeteneği	Claude Sonnet 5, Gemini 3.5 Flash
Yüksek hacimli toplu görevler (linting, doküman yorumları)	Ham kapasiteden ziyade token başına maliyet	GLM-5.2, Qwen3.7 Plus, MiniMax M3
Açık ağırlıklı gereksinimi (kendi kendine barındırma veya lisans kısıtlamaları)	Açık ağırlıklar, yönetilen bir API dışında dağıtılabilir	GLM-5.2, DeepSeek V4 Pro, DeepSeek V4 Flash, Qwen3.7 Plus, Kimi K2.7 Code

Yönlendirme mantığını oluşturmak için pratik bir kontrol listesi:

1. Katalog girdisi, bir çağrı başarısız olmadan önce kullanımdan kaldırmayı tespit edebilmeniz için bir durum alanı içeriyor mu?
2. Katalog, kodlama yeteneğine sahip modelleri genel metin veya görsel modellerden ayırıyor mu, böylece filtreleme sabit kodlanmış listeler gerektirmiyor mu?
3. Görev türü başına bir maliyet tavanı belirleyip ajanın her zaman en yetenekli (ve en pahalı) seçeneğe varsayılan olarak dönmek yerine, bunu karşılayan en ucuz modeli seçmesini sağlayabiliyor musunuz?
4. Birincil seçeneğin kullanılamadığı veya hız sınırına takıldığı durumlar için her görev kategorisi için tanımlanmış bir yedek (fallback) model var mı?
5. Katalogu sadece ilk entegrasyonda değil, model dizilimleri zamanla değiştiği için düzenli bir programda tekrar kontrol ediyor musunuz?

TokenLab Bu İş Akışının Neresinde?

TokenLab, 14.07.2026 itibarıyla gözlemlendiği üzere /models/data adresinde bir Model Veri Merkezi ve /models adresinde bir model dizini tutmaktadır. Statik bir makaleye güvenmek yerine güncel model listeleri için bu yüzeyleri kontrol edin. Model katalogları doğası gereği zamana duyarlıdır. TokenLab'in https://docs.tokenlab.sh adresindeki API belgeleri, entegrasyon yapmadan önce tam istek ve yanıt şemalarını doğrulamak için başvurulacak yerdir.

Birkaç model arasında yönlendirme yapan bir kodlama ajanı oluşturabilirsiniz. İnceleme görevleri için Claude Sonnet 5'i, ucuz yüksek hacimli tamamlamalar için DeepSeek V4 Flash'ı ve test oluşturma için Kimi K2.7 Code'u kullanın. Model tanımlayıcısını bir değişken olarak ele alın. Bunu ajanınızın kaynağına derlenmiş bir sabit olarak değil, istek anında bir kataloğa göre çözümleyin. Pratik adım, /models/data adresini kontrol etmek ve MCP istemcinizin ihtiyaç duyduğu istek şeklini TokenLab API belgelerine göre doğrulamaktır. Yönlendirme mantığını üretime ancak bu kontrollerden sonra dahil edin.

Sınırlamalar

Bu makale, MCP model katalogları ve kodlama ajanı yönlendirmesi için genel bir modeli tanımlar. TokenLab dahil olmak üzere herhangi bir belirli sağlayıcının yukarıda açıklanan her alanı (bağlam penceresi, maliyet alanları, durum, görev etiketleri) tam olarak bu şekilde sunduğunu doğrulamaz. Şemalar, alan isimleri ve mevcut modeller sık sık değişir. Bu makaledeki JSON örneklerini, herhangi bir canlı uç nokta için doğrulanmış bir şema olarak değil, MCP'nin genel istek ve yanıt modelinin bir gösterimi olarak kabul edin. Yayına almadan önce, tam model tanımlayıcılarını, fiyatlandırmayı ve bağlam pencerelerini sağlayıcının güncel belgelerine ve /models/data adresine göre doğrulayın.

SSS

MCP'nin kendisi standart bir model kataloğu şeması tanımlıyor mu?

MCP, JSON-RPC üzerinden kaynaklar ve araçlar için genel modeller tanımlar, ancak bir model kataloğundaki tam alanlar (fiyatlandırma, bağlam penceresi, durum), MCP'yi uygulayan sunucunun bu verileri nasıl sunmayı seçtiğine bağlıdır. Belirli şemayı entegre olduğunuz sunucu veya sağlayıcı ile doğrulayın.

Bir kodlama ajanı her zaman mevcut en yetenekli modeli mi kullanmalıdır?

Mutlaka değil. Otomatik tamamlama gibi görevler gecikme ve maliyete duyarlıyken, çok dosyalı yeniden düzenlemeler daha güçlü muhakemeden ve daha geniş bağlamdan faydalanır. Görev etiketleri ve maliyet alanlarına sahip bir katalog, her şey için tek bir modele varsayılan olarak dönmek yerine göreve göre yönlendirme yapmanızı sağlar.

Ajanımın bağlı olduğu model kataloğunu ne sıklıkla tekrar kontrol etmeliyim?

Model dizilimleri, tek seferlik bir entegrasyonun yeterli olmayacağı kadar sık değişir. Yönlendirme mantığınızı model tanımlayıcılarını kalıcı olarak önbelleğe almak yerine kataloğu sorgulayacak şekilde oluşturun ve /models/data adresini veya sağlayıcınızın belgelerini düzenli bir programda kontrol edin.

Yönlendirme mantığını üretime dahil etmeden önce /models/data adresindeki güncel listeleri inceleyerek ve MCP istemcinizin ihtiyaç duyduğu istek şeklini TokenLab API belgelerine göre doğrulayarak başlayın.