Ajanlar için TokenLab: Makine Tarafından Okunabilir Modeller, Fiyatlandırma, SDK'lar ve MCP

TokenLab MCP, bir kodlama ajanına, tek bir satır entegrasyon kodu yazmadan önce TokenLab'in genel model kataloğuna, fiyatlandırmasına ve API genel bakışına doğrudan ve yapılandırılmış erişim sağlayan, salt okunur bir Model Context Protocol (MCP) sunucusudur. Hangi model ID'lerinin mevcut olduğu, maliyetlerinin ne olduğu ve hangi modaliteyi destekledikleri gibi keşif sorularını yanıtlar; sizin adınıza ücretli çıkarım (inference) API'lerini çağırmaz.

Birçok ajan entegrasyon hatası ilk API çağrısında başlamaz; ajan eski bir örnekten, önbelleğe alınmış bir bellekten veya altı aylık bir eğitimden bir model ID seçtiğinde başlar ve uyumsuzluğu ancak bir 404 hatası veya fiyatlandırma sürpriziyle keşfeder.

Kodlama ajanları hızlı yazar. Her zaman önce okumazlar. TokenLab MCP ile birlikte TokenLab, kompakt bir llms.txt, daha kapsamlı bir llms-full.txt ve genel model verisi JSON dosyaları yayınlar — yani sizin de göz atabileceğiniz model kataloğu ve fiyatlandırma yüzeyleri — böylece bir ajan herhangi bir şeyi hardcode etmeden önce güncel model ID'lerini ve maliyetleri kontrol edebilir.

Bu makale, bu yüzeylerin neler olduğunu, neler olmadıklarını ve bir ajanı bir model adını hardcode etmeden önce bunları kullanacak şekilde nasıl yapılandıracağınızı kapsar. Tam endpoint referansı için entegrasyon dokümanlarına bakın.

Önemli Çıkarımlar

• TokenLab, api.tokenlab.sh/llms.txt ve llms-full.txt adreslerinde ajan tarafından okunabilir API genel bakışları yayınlar; web alanı da aynı kaynağa yönlendirir.
• Genel Model Veri Merkezi dosyaları (katalog JSON, güncel JSON, trendler JSON, özet markdown), ajanlara TokenLab'in halihazırda sunduğu şeylerin sorgulanabilir bir anlık görüntüsünü verir.
• TokenLab MCP sunucusu list_models, get_model, get_model_pricing ve get_api_overview komutlarını sunar ve salt okunurdur. Ücretli çıkarım işlemlerine vekalet etmez.
• Genel dokümanlar, ajanların bir model adını hardcode etmeden önce /v1/models çağrısı yapmalarını veya llms.txt dosyasını okumalarını ve görüntü, video veya embedding gibi sohbet dışı görevler için recommended_for filtrelemesini kullanmalarını önerir.
• Başarısız bir sohbet dışı isteği yeniden denemeden önce model ve fiyatlandırma endpoint'lerini okumak, yanlış model ailesine karşı tekrarlanan başarısız çağrılardan kaçınmayı sağlar.

Ajanlar Neden İlk Sırada Eski Model ID'lerini Seçer?

Kodlama ajanları model ID'lerini şu anda mevcut olanlardan değil, eğitimleri sırasında öğrendiklerinden üretirler. Bu eğitim verisinin bir kesim tarihi vardır, bu nedenle ajanın "mevcut model" konusundaki içsel algısı, ağırlıkları en son güncellendiğinde ne doğruysa ona sabitlenmiştir. Bir ajandan bir model API'sini çağırmasını istediğinizde, o ID artık yeniden adlandırılmış, kullanımdan kaldırılmış veya değiştirilmiş olsa bile güvenle hatırladığı ID'ye ulaşacaktır.

Bu, ajanın mantığında bir hata değil; canlı bir arama yerine ezberlenmiş bilgiye dayanan herhangi bir sistemin yapısal bir sınırlamasıdır. Çözüm daha akıllı bir prompt değil, ajana kod yazmadan önce kontrol edebileceği bir yer vermektir.

TokenLab'in model verisi dosyaları ve API'si bunun için vardır. Bir istek oluşturmadan önce, bir ajan (veya çıktısını inceleyen insan), bir model ID'sinin gerçekten var olduğunu, hangi modaliteyi desteklediğini ve maliyetini doğrulamak için canlı bir endpoint'i sorgulayabilir — hafızadan çekilen bir isme güvenmek yerine.

Endpoint	Amaç
https://tokenlab.sh/model-data/catalog.json	Programatik arama için yapılandırılmış, takip edilen modellerin tam kataloğu
https://tokenlab.sh/model-data/latest.json	Hafif, ajan dostu formatta güncel model listesi
https://tokenlab.sh/en/models	İnsan tarafından okunabilir model tarayıcısı
https://tokenlab.sh/en/pricing	Model ve modaliteye göre güncel fiyatlandırma

Bu makale de dahil olmak üzere bir blog yazısı bir anlık görüntüdür. Yazıldığı zamanki doğruları yansıtır ve ajanın eğitim verisinin eskimesi gibi zamanla güncelliğini yitirir. Canlı endpoint'ler bu soruna sahip değildir: şu anda neyin doğru olduğunu yansıtırlar, bu yüzden kod gönderilmeden önce kontrol edilmesi gereken daha güvenli şey budur, statik bir makale değil.

TokenLab Ajan Keşfi İçin Neler Sunuyor?

llms.txt katmanı

https://api.tokenlab.sh/llms.txt, API'nin kompakt, ajan tarafından okunabilir bir genel bakışıdır: hangi endpoint'lerin var olduğu, bir isteğin nasıl göründüğü ve daha derin detayların nerede bulunacağı. Bir ajanın, sadece kendini yönlendirmek için büyük bir token bütçesi harcamadan tek bir bağlam penceresinde okuyabileceği kadar kısa olacak şekilde tasarlanmıştır.

https://api.tokenlab.sh/llms-full.txt daha kapsamlı versiyondur — daha fazla endpoint detayı, daha fazla örnek ve bir ajanın kaba bir taslak yerine çalışan bir entegrasyon oluşturmadan önce ihtiyaç duyduğu daha fazla yüzey alanı.

Eğer API ana bilgisayarı yerine web alanına ulaşırsanız, tokenlab.sh/llms.txt ve tokenlab.sh/llms-full.txt aynı API barındırmalı kaynaklara yönlendirir. Bu, ajanlar için önemlidir: taradıkları veya getirdikleri giriş noktası ne olursa olsun, iki farklı kopya yerine aynı kanonik metne ulaşırlar.

Model Veri Merkezi

Metin genel bakışının ötesinde, TokenLab bir ajanın (veya bir derleme betiğinin) doğrudan çekebileceği yapılandırılmış JSON dosyaları yayınlar:

• https://tokenlab.sh/model-data/catalog.json — daha kapsamlı model kataloğu.
• https://tokenlab.sh/model-data/latest.json — şu anda güncel olana yönelik bir anlık görüntü.
• https://tokenlab.sh/model-data/summary.md — kod tabanınızın halihazırda hardcode ettiği şeylere karşı hızlı bir fark (diff) istediğinizde yararlı olan, insan ve ajan tarafından okunabilir bir markdown özeti.

Bunlar statik, getirilebilir dosyalardır. Bir yapılandırma dosyası, bir .env şablonu veya model seçimi açılır menüsü oluşturan bir ajan, bir insandan iki hafta içinde tekrar eskiyecek bir model listesini yapıştırmasını istemek yerine JSON'ı doğrudan çekebilir.

MCP sunucusu — salt okunur ve bu konuda kesin olmakta fayda var

https://github.com/hedging8563/tokenlab-mcp-server herkese açıktır. Keşifle ilgili dört aracı ortaya çıkarır:

• list_models — nelerin mevcut olduğunu numaralandırır, isteğe bağlı olarak filtrelenir.
• get_model — belirli bir model ID'si hakkında detay çeker.
• get_model_pricing — belirli bir model için güncel fiyatlandırmayı çeker.
• get_api_overview — llms.txt okumanın MCP-yerel eşdeğeri.

Önemli kısıtlama: bu sunucu salt okunurdur. Sizin adınıza ücretli çıkarım API'lerini çağırmaz ve üretim isteklerine vekalet etmez. Modeller, fiyatlandırma ve API şekli hakkında soruları yanıtlar. Eğer ajanınızın gerçekten çıkarım çalıştırması gerekiyorsa, yine de kendi anahtarınızla TokenLab'in normal API'sinden geçer — MCP sunucusu bir keşif katmanıdır, yürütme katmanı değil. İkisini karıştırmak, yazdığınız herhangi bir ajan prompt'unda veya beceri dosyasında açıkça kaçınılması gereken yaygın bir hatadır.

TokenLab MCP Keşif Örneği

TokenLab, kodlama ajanlarının herhangi bir çıkarım gerçekleştirmeden mevcut modelleri ve fiyatlandırmayı keşfetmelerini sağlayan salt okunur bir Model Context Protocol (MCP) sunucusu sunar. MCP sunucusu dört araç sağlar:

• list_models — mevcut modelleri listeler, isteğe bağlı olarak recommended_for (örneğin image, video, embedding, rerank, translation) ile filtrelenir
• get_model — belirli bir model için detayları alır
• get_model_pricing — belirli bir model için fiyatlandırma bilgisini alır
• get_api_overview — TokenLab API'sinin bir özetini alır

Örnek: MCP aracılığıyla modelleri listeleme

{
  "tool": "list_models",
  "arguments": {}
}

Örnek: modelleri önerilen kullanıma göre filtreleme

{
  "tool": "list_models",
  "arguments": {
    "recommended_for": "image"
  }
}

Eğer MCP üzerinden gitmek yerine API'yi doğrudan sorgulamayı tercih ederseniz, eşdeğer REST çağrıları şunlardır:

# Tüm modelleri listele
curl https://api.tokenlab.sh/v1/models \
  -H "Authorization: Bearer sk-KEY"

# Görüntü görevleri için önerilen modelleri listele
curl "https://api.tokenlab.sh/v1/models?recommended_for=image" \
  -H "Authorization: Bearer sk-KEY"

MCP sunucusunun kesinlikle salt okunur olduğunu unutmayın — keşif (modelleri listeleme, fiyatlandırmayı inceleme ve API yeteneklerini gözden geçirme) için tasarlanmıştır ve kendisi herhangi bir çıkarım gerçekleştirmez.

Kurulum talimatları ve entegrasyon detayları için şuraya bakın:

• TokenLab MCP Server
• Coding Agent Skill

Beceri deposu (skills repo)

https://github.com/hedging8563/tokenlab-skills, bu keşif modelini bir kodlama ajanı çerçevesinin doğrudan yükleyebileceği bir şeye paketler — ajana, bağımsız olarak kontrol etmeye karar vermesine güvenmek yerine "TokenLab entegrasyon kodu yazmadan önce bunu oku" diyen bir beceri tanımı.

Önerilen Ajan İş Akışı

Genel dokümanlar belirli bir sırayı tanımlar ve bu sıra pratikte oldukça iyi çalışır:

1. Herhangi bir model adını hardcode etmeden önce, ID'nin şu anda gerçekten var olduğunu doğrulamak için /v1/models çağrısı yapın veya llms.txt dosyasını okuyun.
2. Sohbet dışı görevler için — görüntü, video, müzik, 3D, TTS, STT, embedding, rerank, çeviri — sohbet odaklı bir modelin görevi halledeceğini varsaymak veya hafızadan bir model adı tahmin etmek yerine /v1/models?recommended_for=<task> ile filtreleyin.
3. Başarısız bir sohbet dışı isteği yeniden denemeden önce, /v1/models/:model ve /v1/models/:model/pricing dosyalarını okuyun. Yanlış modaliteli bir modele karşı başarısız olan bir istek, genellikle aynı girdiyle yeniden denendiğinde tekrar başarısız olur; modelin gerçek modalitesini ve fiyatlandırmasını önce kontrol etmek, bir yeniden deneme döngüsünden tasarruf sağlar.

Bu sıra önemlidir çünkü en yaygın iki hata modunu önceden yükler: yanlış model ID'si ve görev için yanlış model ailesi.

Bunu bir ajana bağlamak için pratik kontrol listesi

Adım	Ne kontrol edilmeli	Nerede
1	Bu model ID'si hala çözümleniyor mu?	/v1/models veya llms.txt
2	Bu görev için doğru model ailesi mi (sohbet vs. görüntü vs. embedding, vb.)?	/v1/models?recommended_for=<task>
3	Bu model için mevcut girdi/çıktı fiyatlandırması nedir?	/v1/models/:model/pricing veya get_model_pricing (MCP)
4	Bağlam penceresi ve modalite nedir?	/v1/models/:model veya get_model (MCP)
5	Bunun yerini alan benzer isimli daha yeni bir model var mı?	catalog.json / latest.json
6	Ajan entegrasyon kodu oluşturmadan önce llms.txt okudu mu?	Ajanın araç çağrı günlüğünde onaylayın

Eğer bir ajan 1. ve 2. adımı atlarsa, sonraki her şey — yeniden denemeler, hata işleme, maliyet tahminleri — bir gerçek yerine bir varsayım üzerine kurulur.

Bu Neden Özellikle Sohbet Dışı Görevler İçin Önemlidir?

Sohbet modelleri en çok ilgiyi görür, ancak recommended_for filtresi, sohbet dışı görevlerin daha az belirgin şekillerde başarısız olması nedeniyle mevcuttur. Metinden metne üretim için oluşturulmuş bir modelin, bir görüntü isteğine hatalı biçimlendirilmiş bir yanıt döndürmesi her zaman temiz, açıklayıcı bir hata vermez. Bazen sadece ajanın nasıl ayrıştıracağını bilmediği bir şey döndürür.

recommended_for=image, recommended_for=video, recommended_for=embedding vb. ile filtrelemek, ajan bir istek gövdesi yazmadan önce aday kümesini daraltır. Model kataloğunda herhangi bir zamanda kaç farklı görüntü oluşturma girdisinin bulunabileceği göz önüne alındığında — nano-banana-2 (Gemini 3.1 Flash Image), nano-banana-pro (Gemini 3 Pro Image), nano-banana-2-lite (Gemini 3.1 Flash Lite Image), openai/gpt-image-2, reve/reve-2.0, microsoft/mai-image-2.5 — hafızadan hangisinin "görüntü modeli" olduğunu tahmin etmek, tam olarak bu iş akışının önlemeyi amaçladığı hata modudur. Video oluşturmanın, farklı fiyatlandırma ve modalite şekillerine sahip (diğerlerinin yanı sıra seedance, veo-3) kendi göreve özel model seti vardır; aynı filtreleme mantığı geçerlidir.

Burada adı geçen herhangi bir modeldeki tam güncel fiyatlandırma, bağlam sınırları ve modalite için model kataloğunu ve fiyatlandırma sayfasını doğrudan kontrol edin — bunu bir blog yazısına hardcode etmemenin tüm amacı budur. Eğer özellikle ajan odaklı geliştirme çalışmaları için modelleri değerlendiriyorsanız, 2026'da kodlama için en iyi AI modellerine bakın.

Bu Ne Yapmaz?

Burada kesin olmak, iş akışının kendisi kadar önemlidir:

• MCP sunucusu ücretli çıkarım çalıştırmaz. Keşif sorularını yanıtlar. Gerçek bir üretim isteği çalıştırmak yine de kendi kimlik bilgilerinizle standart API üzerinden geçer.
• llms.txt ve Model Veri Merkezi dosyaları canlı bir veritabanı bağlantısı değil, periyodik anlık görüntülerdir. Yenileme zamanlaması katı bir programa sabitlenmemiştir, bu nedenle bu sayfalardaki herhangi bir tarihi yaklaşık olarak kabul edin. Fiyat veya güvenlik açısından hassas herhangi bir şey için, fiyatlandırma endpoint'i ve dashboard API, istek anında doğruluk kaynağı olmaya devam eder.
• Bunların hiçbiri kimlik doğrulama, hız sınırları veya hata işleme semantiği için tam API dokümanlarını okumanın yerini tutmaz. Keşif yüzeyleri bir ajana neyin var olduğunu söyler; nasıl doğru çağrılacağına dair entegrasyon dokümanlarının yerini tutmazlar.

SSS

Bir ajan bir TokenLab modeli seçmeden önce ne okumalıdır? Herhangi bir model ID'sini hardcode etmeden önce llms.txt (veya daha fazla detay için llms-full.txt) dosyasını okuyun ve /v1/models çağrısı yapın. Sohbet dışı görevler için, hafızadan bir model adı tahmin etmek yerine recommended_for ile filtreleyin.

TokenLab MCP ücretli çıkarım API'lerini çağırır mı? Hayır. Genel TokenLab MCP sunucusu salt okunurdur. Araçları (list_models, get_model, get_model_pricing, get_api_overview) modeller ve fiyatlandırma hakkında keşif sorularını yanıtlar. Gerçek çıkarım çağrıları, kendi anahtarınızla standart API üzerinden geçer.

Bir ajan recommended_for özelliğini ne zaman kullanmalıdır? Görev düz sohbet değilse — görüntü, video, müzik, 3D, TTS, STT, embedding, rerank veya çeviri. Göreve göre filtrelemek, sohbet odaklı bir modelin bunu halledeceğini varsaymak yerine, model listesini o modalite için gerçekten oluşturulmuş varyantlara daraltır.

Bu, oluşturulan koddaki eski model ID'lerini nasıl azaltır? Keşfi sonradan akla gelen bir şey değil, ilk adım haline getirerek. llms.txt okuyan, /v1/models kontrol eden ve kod yazmadan önce fiyatlandırmayı doğrulayan bir ajan, halihazırda birkaç model nesli eski olabilecek bir eğitim zamanı hafızası yerine güncel bir anlık görüntüden çalışır.

Kaynaklar ve Güncellik

• TokenLab llms.txt — https://api.tokenlab.sh/llms.txt — gözlemlenen 2026-07-09
• TokenLab llms-full.txt — https://api.tokenlab.sh/llms-full.txt — gözlemlenen 2026-07-09
• TokenLab MCP Server dokümanları — https://docs.tokenlab.sh/integrations/tokenlab-mcp-server — gözlemlenen 2026-07-09
• TokenLab API Integration Skill dokümanları — https://docs.tokenlab.sh/integrations/coding-agent-skill — gözlemlenen 2026-07-09
• TokenLab MCP Server deposu — https://github.com/hedging8563/tokenlab-mcp-server — gözlemlenen 2026-07-09
• TokenLab Skills deposu — https://github.com/hedging8563/tokenlab-skills — gözlemlenen 2026-07-09
• TokenLab Model Veri Merkezi — https://tokenlab.sh/model-data/catalog.json, https://tokenlab.sh/model-data/latest.json, https://tokenlab.sh/model-data/summary.md — gözlemlenen 2026-07-09

Bu makaledeki model ID'leri, fiyatlandırma ve modalite detayları, yazıldığı sırada alınan bir anlık görüntüyü yansıtır. Bu makale ve llms.txt gibi anlık görüntü sayfaları periyodik olarak güncellenir, ancak sabit veya garantili bir tempoda değil — varsayılan bir yenileme aralığı etrafında yeniden deneme mantığı veya maliyet tahminleri oluşturmayın. Entegrasyon kodunu göndermeden önce güncel değerleri fiyatlandırma sayfası ve model kataloğu ile doğrulayın. Fiyatlandırmanın model aileleri arasında nasıl yapılandırıldığına daha derin bir bakış için geliştiriciler için Gemini API fiyatlandırmasına bakın.

TokenLab MCP ile Sonraki Adımlar

Model keşfi için TokenLab MCP kullanmaya başlamak için:

1. TokenLab dashboard'undan bir API anahtarı alın.
2. kodlama ajanı entegrasyon kılavuzunu izleyerek ajanınızı bağlayın.
3. Güncel model kapsamını ve meta verilerini görmek için tokenlab.sh/en/models adresinden kataloğa doğrudan göz atın.
4. Kullanmayı planladığınız modeller için tokenlab.sh/en/pricing adresinden fiyatlandırmayı kontrol edin.

Hangi modellerin iş akışınıza uyduğuna karar veriyorsanız, 2026'da kodlama için en iyi AI modelleri ve geliştiriciler için Gemini API fiyatlandırması hakkındaki analizlerimize bakın.

MCP'nin kesinlikle bir keşif katmanı olduğunu unutmayın — ajanınızın bilinçli kararlar alabilmesi için model meta verilerini, yeteneklerini ve fiyatlandırmasını ortaya çıkarır. Gerçek çıkarım çağrıları yine de kendi API anahtarınızı kullanarak standart TokenLab API'si üzerinden geçer; MCP istekleri yönlendirmez veya vekalet etmez.