Uber MCP Gateway: 800 Sunucuyu AI Ajanlarına Nasıl Açtı
Uber, yapay zeka ajanlarının şirket içi servislere erişimini tek bir noktadan yönetmek için MCP Gateway adını verdiği bir altyapı kurdu. Haberi ilk duyuran InfoQ, bu yapının 800'den fazla MCP sunucusunu ve 5.000'in üzerinde aracı (tool) kapsadığını aktardı. MCP, yani Model Context Protocol, yapay zeka ajanlarının dış sistemlerle standart bir dilde konuşmasını sağlayan bir protokol.
Uber'in gerekçesi tanıdık bir sorun aslında. Ajan kullanımı şirket genelinde yaygınlaştıkça entegrasyonlar dağınıklaşmış, aynı işlevler farklı ekiplerce defalarca kodlanmış, güvenlik uygulamaları da ekipten ekibe farklılaşmış. Bu kaosu tek bir mimari altında toplama kararı buradan doğmuş.
Uber'in gateway mimarisi nasıl çalışıyor
Uber mühendisleri yaptıkları işi, mevcut servisleri değiştirmeden API'leri MCP aracı olarak dışa açan bir mikroservis mimarisi olarak tanımlıyor. Sistem iki ana parçaya ayrılıyor: kontrol katmanı görevi gören MCP Registry ve çalışma zamanında istekleri yürüten Proxy Gateway.
Registry; araç tanımlarını, şemaları, sahiplik bilgisini ve hangi aracın aktif olduğunu tutuyor. Proxy ise gelen MCP isteklerini HTTP, gRPC veya TChannel çağrılarına çeviriyor, yanıtları tekrar MCP uyumlu formata dönüştürüyor. Bu ayrım tasarımı klasik API gateway yaklaşımlarına yakınlaştırıyor.
Microsoft CoreAI'den baş yazılım mühendisi Ajay Sharma, LinkedIn'de paylaştığı bir yazıda bu benzerliğe dikkat çekerek şöyle demiş: "Azure API Gateway'leri zaten bir süredir bunu yapıyor. Bu, LLM'lerin getirdiği kaosa düzen getirmenin bir reçetesi." Pipe17 başkanı Kelly Goetsch de Uber'in yeni gateway'inin, geçmişte API'ler ve ardından GraphQL için kurulan gateway'lerle neredeyse aynı göründüğünü belirtiyor.
Araç keşfi ve yetkilendirme nasıl otomatikleştirildi
Binlerce aracı elle kataloglamak pratik değil. Uber bu yüzden AutoCrawler adlı bir sistem geliştirmiş. Bu araç, Cadence iş akışı motorunu kullanarak şirket içi arayüz tanım dili (IDL) kayıtlarını tarıyor, Protocol Buffers ve Thrift şemalarından API tanımlarını çıkarıyor, bir büyük dil modeli yardımıyla da araç açıklamaları üretiyor.
Yeni keşfedilen araçlar otomatik olarak aktif hale gelmiyor; sahibi olan ekip onları gözden geçirip açıkça etkinleştirene kadar devre dışı kalıyor. Yapılandırma değişiklikleri de servis yeniden başlatmaya gerek kalmadan doğrudan çalışma ortamına yansıyor.
Yetkilendirme tarafında gateway, Uber'in dahili erişim kontrol sistemi üzerinden hem sunucu hem araç seviyesinde denetim uyguluyor. Araç yanıtlarında kişisel verilerin ve diğer hassas bilgilerin maskelenmesi de destekleniyor. Jira ve Google gibi üçüncü taraf entegrasyonlarında ise ayrı bir servis, kullanıcının dahili token'ını ilgili üçüncü taraf kimlik doğrulama token'ıyla değiştiriyor.
Bu mimari neden şimdi konuşuluyor
Yapay zeka ajanlarının şirket içi sistemlere doğrudan erişmesi, geleneksel yazılım entegrasyonlarından farklı bir risk taşıyor. Bir ajan, insan kullanıcının aksine saniyeler içinde yüzlerce çağrı yapabiliyor; yanlış yapılandırılmış bir yetki sayesinde erişmemesi gereken veriye ulaşabiliyor ya da hassas bir alanı yanıt içinde dışarı taşıyabiliyor.
Tamir Dresher'ın LinkedIn'de işaret ettiği gibi güvenlik, keşfedilebilirlik, gözlemlenebilirlik ve yönetişim gibi dağıtık sistemlerin eski sorunları ajan mimarilerinde yeniden, bu kez daha yüksek riskle gündeme geliyor. Uber'in kurduğu yapı bu riski tek bir merkezden kontrol etme denemesi.
Katalog büyüdükçe ikinci bir sorun ortaya çıkıyor: ölçek. Binlerce aracın tanımını bir ajanın bağlamına tek seferde yüklemek verimsiz hale geliyor. Uber bunu çözmek için Omni MCP adlı bir yapı geliştirmiş; ajanlar bu sayede sunucu arayabiliyor, ilgili aracı bulabiliyor, yalnızca o aracın şemasını çekip gerektiğinde çağırabiliyor.
Response Projection özelliği ajanların tüm yanıtı değil, yalnızca ihtiyaç duyduğu alanları istemesine izin veriyor. Ayrıca aifx adlı komut satırı aracı, kodlama ajanlarının araçları keşfedip çalıştırmasını, sonuçları dosyaya yazıp seçerek incelemesini sağlıyor.
Yazılım ekipleri ve işletmeler için anlamı ne
Uber ölçeğinde bir mimariyi her şirketin birebir kurması gerekmiyor; çoğu kurumun 800 sunucusu ya da 5.000 aracı yok. Ama gösterdiği eğilim daha küçük ölçekte de geçerli. Bir kurum birden fazla iç sistemi AI ajanlarına açmaya başladığı anda, her entegrasyonu ayrı ayrı güvenlik, yetkilendirme ve veri maskeleme kurallarıyla yönetmek sürdürülemez hale geliyor.
Erişim kontrolünü merkezi bir katmanda toplamak, hangi ajanın hangi veriye ne zaman eriştiğini izlenebilir kılmanın pratik yolu. Marmara bölgesindeki orta ölçekli bir üretim veya hizmet şirketinde bile, ERP ile müşteri hizmetleri botunu veya depo sistemiyle bir sipariş ajanını aynı anda çalıştırmaya başladığınızda bu ihtiyaç hızla kendini gösteriyor.
Burada yapılmaması gereken şey, mimariyi kurmadan önce ajanlara geniş yetkiler vermek. Hangi sistemin hangi veriyi döndürdüğünü ve kimin bu araca erişebileceğini netleştirmeden entegrasyona başlamak, sonradan geri alınması zor bir yetki karmaşasına yol açıyor.
Biz SUNS Tech olarak yapay zeka entegrasyonu projelerinde bu sırayı tersine çevirmemeyi öneriyoruz: önce erişim ve veri sınırları netleşir, ajan yetenekleri bu sınırların üzerine kurulur. İlgilenen ekipler yapay zeka çözümleri sayfamızdan bu tür entegrasyonların kapsamına dair bilgi alabilir.
MCP standart olur mu
Uber'in paylaştığı mimarinin diğer şirketler tarafından ne ölçüde benimseneceği ve MCP protokolünün kurumsal standarda dönüşüp dönüşmeyeceği henüz netleşmiş değil. Yakın dönemde takip edilmesi gereken işaret, büyük teknoloji şirketlerinin benzer gateway yapılarını açık kaynak olarak paylaşıp paylaşmayacağı ve MCP ekosisteminin güvenlik tarafında ortak bir standarda ne kadar yaklaşacağı olacak.
Benzer bir entegrasyon sürecini kendi sistemleriniz için nasıl kurgulayabileceğinizi görmek isterseniz, daha önce yürüttüğümüz projelere portfolyomuzdan göz atabilirsiniz. Kapsamınızı netleştirdikten sonra bir sonraki adım için teklif al sayfamızdan bize proje detaylarınızı iletebilirsiniz.
