AI Ajanları için MCP Araçları Tasarlarken Öğrenilen Dersler
FlurryPORT geliştiricisinin MCP entegrasyonunda AI ajanlarının araçları neden görmezden geldiğini keşfetmesi ve çıkardığı pratik tasarım dersleri.
FlurryPORT geliştiricisi, uygulamasının API'sini yeniden kullanarak görünüşte basit bir Model Context Protocol (MCP) entegrasyonu inşa etti. Ancak rakip bir kodlama AI'sını test için devreye aldığında, ajanın kendi araçlarını görmezden gelip webhook göndermek/almak için kendi çözümlerini icat etmeye çalıştığını gördü. Bu şaşırtıcı sonuç, ajana doğrudan sorular sorarak ve tasarımı önceden gözden geçirmesini isteyerek bir dizi somut ders çıkarmasına yol açtı.
Öne çıkan bulgular arasında, AI'ların düz sayısal verilerden ziyade eyleme dönüştürülebilir, yapılandırılmış verilerle daha iyi çalıştığı; uzun açıklama metinlerinin görmezden gelindiği ama basit araç imkanlarının (affordance) dikkat çektiği; hata durumlarının serbest metin yerine makine tarafından okunabilir kodlarla ifade edilmesi gerektiği yer alıyor. Ayrıca kısmi başarı durumlarının ajanlarda 'açıklama borcu' yarattığı, geçiş anlarında (örneğin anonim kullanıcıdan hesaba geçiş) haritalama sağlanmazsa ajanın dakikalarca kaybolduğu, ve tek seferlik bildirimlerin kalıcı alanlara dönüştürülmesi gerektiği belirlendi.
Bu değişiklikler sonucunda somut iyileşmeler kaydedildi: 80 olaylık toplu gönderimde reddedilen istekler 50'den sıfıra düştü, anonim kullanıcı akışı 20 dakikadan 7 dakikaya indi, kayıt sonrası yeniden yönlendirme 4 dakikadan 21 saniyeye düştü ve yerel echo alıcısı kurulumu 1 dakika 46 saniyeden 3 saniyeye indi. Yazar, AI ajanının inşa öncesi tasarım incelemesinin, inşa sonrası hata ayıklamadan çok daha değerli olduğunu vurguluyor.
Bu deneyim, MCP araçları geliştiren mühendisler için önemli bir uyarı niteliğinde: bir aracın teknik olarak çalışması, AI ajanlarının onu tercih edeceği anlamına gelmiyor. Araç açıklamaları, veri yapıları ve hata kodları, ajanın davranışını yönlendiren gerçek bir 'yönlendirme katmanı' olarak ele alınmalı.