MCP (Multi-Agent Communication Protocol), yapay zeka entegrasyonları için standartlaştırılmış bir platform olarak hızla popülerlik kazandı. Birçok proje, kolay entegrasyonu ve dikkat çekme potansiyeli nedeniyle MCP desteği ekledi. Temel iddiası, "NxM problemi" olarak bilinen, N sayıda ajan ve M sayıda araç seti arasında özel bağlantılar kurma ihtiyacını ortadan kaldırmak. Bu problem, farklı yapay zeka modellerinin (örn. Gemini, OpenAI) araç şemalarını (tool schemas) farklı şekillerde sunmasından kaynaklanıyor; bu da geliştiricilerin her bir kombinasyon için ayrı ayrı bağlantılar oluşturmasını gerektiriyor gibi görünüyor.
Makale, MCP'nin fonksiyon çağırma (function calling) için zorunlu olduğu yönündeki yaygın yanlış anlaşılmayı vurguluyor. Oysa, büyük dil modelleri (LLM'ler), araçları doğrudan JSON formatında parametrelerle çağırabilir. LangChain, LiteLLM gibi framework'ler zaten bu farklılıkları soyutlayarak NxM problemini çözüyor ve araç çağrılarını ajanla aynı runtime içinde gerçekleştiriyor. MCP ise araçları ayrı süreçler (separate processes) aracılığıyla yönetiyor. Bu yaklaşım, şema oluşturma ve çağırma süreçlerini soyutlasa da, önemli dezavantajları beraberinde getiriyor.
MCP'nin ayrı süreçlerde çalışması, araç mantığının uygulamanın kontrolünden çıkmasına, kaynak yönetiminin şeffaf olmamasına ve hata ayıklama süreçlerinin zorlaşmasına neden oluyor. Her araç çağrısı bir süreç sınırını (process boundary) aşmak zorunda kalıyor, bu da performans ve kontrol kaybına yol açabiliyor. Makale, MCP'nin sunduğu kolaylığın, mimari yapısından kaynaklanan bu maliyetlerle geldiğini ve bu nedenle popülaritesinin kısa ömürlü olacağını öne sürüyor. MCP'nin araç çağırma dışındaki kullanım alanlarının ise çok daha sınırlı olduğu belirtiliyor.
Yapay zeka entegrasyonlarında popülerleşen MCP'nin, mimari dezavantajları nedeniyle uzun vadede sürdürülebilir bir çözüm olmayabileceği ve geliştiricilerin alternatif framework'lere yönelmesi gerektiği belirtiliyor.