Türkçe altyazı Turkish subtitles
0:00 Bir LLM'e yetenekler eklemek istiyorsanız, MCP sunucuları ve becerilere bakmanız yeterli. If you're looking to add capabilities to an LLM, look no further than MCP servers and skills. 0:07 Çünkü bir LLM çok genel amaçlıdır ve birçok şey bilir; ancak bu iki kavramın, her türlü kullanım senaryosu için LLM'inize özel ve benzersiz veri eklemenize nasıl yardımcı olacağını göstermek istiyorum. Because while an LLM is very general purpose and it knows a lot of things, well, I want to show you how these two concepts can help you to add custom and unique data to your LLM, whether it's for all types of use cases, right? 0:21 Bu, kodlama yardımı gibi, ek bilgi ve veri ekleyebilme durumu olabilir. This could be for coding assistance, being able to add extra information and data. 0:27 Ya da bir tür yapay zeka ajanı geliştiriyor olabilirsiniz, öyle değil mi? Or if you're building some type of AI agent, right? 0:31 Veya birçok başka kullanım senaryosu. Or many other use cases. 0:32 Dolayısıyla MCP mi, beceriler mi yoksa ikisi birden mi seçileceğini öğreneceksiniz. So you're gonna learn whether to choose between MCP or skills or both. 0:38 Şimdi, LLM'e geri dönelim; bu, her türlü bilgi üzerinde eğitilmiş, temelde bir kristal küre tahmin makinesi gibidir. Now, let's come back to the LLM, which is essentially like a crystal ball prediction machine that's been trained on all types of information. 0:45 Yani kitaplar, dergiler, hatta internet üzerindeki tartışmalarınız bu LLM'lerden birinde yer alabilir; ancak bu bilgiyi ve örüntü tanımayı kullanarak sayısız farklı soruya yanıt verebilir, öyle değil mi. So books, magazines, even maybe your internet threads might be on one of these LLMs, but it can use this information and pattern recognition to answer tons of different questions, right. 0:56 Belki sorularımızdan biri, "Red Hat'in tarihi nedir?" olabilir. So maybe one of our questions is, hey, what's the history of Red Hat? 1:00 Ya da bizim için, "Belirli bir veritabanını nasıl denetleriz?" olabilir. Or for us, it could be, how do we inspect a specific database? 1:05 Ve çok fazla bilgiye sahiptir, belki de veritabanınızla nasıl çalışılacağını bilebilir. And so it knows a lot of information, and it might know how to work with your specific database. 1:10 Ancak doğru cevabı almak, LLM'e doğru bağlamı sağlamak demektir. But getting the right answer means providing the right context to the LLM. 1:15 Bu bağlam, verilerimizin nasıl biçimlendirilmesini istediğimiz gibi ek bilgi türlerini içerebilir. So that context might include additional types of information like the way that we want our data formatted. 1:22 Ya da veritabanımızın ekibimize özel olarak nasıl yapılandırıldığı olabilir. Or it could also be the way that our database is configured for our specific team. 1:27 Ve belki de o veritabanından bilgi toplayıp bunu LLM'in bağlam penceresine geri veren bir tür araç yanıtı bile olacaktır. And maybe we're even going to have some type of tool response that actually went out, got information from that database, and gives it back to the context window of the LLM. 1:38 Dolayısıyla bunu düşündüğümüzde, burada belirli bir rol ve görevle sadece bir soru sorduğumuz kısım, istem mühendisliği olarak bilinir. So when we think about it, well, this part right here where we're actually just asking a question with a specific role in a task, this is what's known as prompt engineering. 1:48 Sadece kendisi, öyle değil mi? Just itself, right? 1:50 LLM'e bir görev veriyoruz, ancak tüm bu ek bilgileri eklediğimizde işler gerçekten ilginç hale geliyor çünkü bu sadece istem mühendisliği değil, bağlam mühendisliği olarak bilinir. We're giving a task to the LLM, but when we add in all of this additional information, this is where it gets really interesting because this is not just prompt engineering, this is what's known as context engineering. 2:02 Yani modele doğru cevabı vermesine yardımcı olmak için doğru bağlamı sağlamak, öyle değil mi. So giving the right context to a model to help it to make the right answer, right. 2:11 Ona ihtiyacı olan tüm bilgileri veriyoruz, ancak buradaki büyük soru, yapay zeka modeline o cevabı verebilmesi için doğru bağlamı nasıl verdiğimizdir. So we're giving it all of the information it needs, but the big question here is how do we give the AI model the correct context to make that answer? 2:20 Peki bunu alıp bununla bir yapay zeka ajanı nasıl inşa ederiz? And how do we take this and go build an AI agent from this? 2:25 İşte bunlar harika iki soru. Well, those are two great questions. 2:27 Gelin konuya girelim. Let's get into it. 2:28 Diyelim ki bir ajanın, şu an bir müşteri ilişkileri yönetim sisteminde (CRM) bulunan verilere ihtiyacı var. Let say that an agent needs data that is currently in a customer relationship manager or a CRM. 2:35 Şimdi, bir ajan geliştirirken kullandığımız büyük dil modelini (LLM) düşünün. Well, think about the LLM that we're using when we're trying to build an agent. 2:39 Bunun yerine, o spesifik CRM'in veya servis API'sinin bir kopyasını, dokümantasyonunu ve bir token'ı modele verip "hey, lütfen müşterilerimizin iletişim bilgilerini güncelle, hata yapma" demeyin ve parmaklarımızı kesişerek dua etmeyin. Well instead of giving the LM a copy and paste of this specific CRM or services API and their documentation and a token and saying, hey, please update our customers contact information, make no mistakes, and crossing our fingers. 2:55 Bunun yerine, Model Bağlam Protokolü (MCP), yapay zeka modelinizin bu farklı veri kaynaklarıyla nasıl konuştuğunu standartlaştırır. Well, MCP or the Model Context Protocol instead standardize how your AI model talks to these different data sources. 3:04 Yani bu, servis API'lerinizi basit bir LLM uyumlu formata soyutlar ve ayrıca kimlik doğrulama işini de halleder. So what it does is it abstracts your services APIs into a simple LLM ready format as well as for fighting. 3:12 Ajanınızın o servise çağrı yapabilesi için kimlik doğrulama gerçekten çok önemlidir. Authentication, which is really important, for your agent to be able to make the calls to that service. 3:18 Ve bu, ihtiyacınız olan okuma-yazma erişimi gibi benzersiz bir kapsamda token sağlar. And this provides a uniquely scoped token, read-write access, whatever you need. 3:23 Ve arka planda, burada ajanla çalışırken MCP sunucusu, temelde IDE'nize veya yapay zeka uygulamanıza eklenir ve LLM'e, servisten ihtiyaç duyduğu bilgiler için spesifik JSON istekleri sunmasını söyler. And behind the scenes, the MCP server, when we're working with the agent here, is essentially being added to your IDE, your AI application, and telling the LLM to provide specific JSON request for the information it needs from the service. 3:39 Ve o MCP sunucusu bunu POST veya GET isteklerine çevirir, böylece o servisin kendisini çağırırız. And that MCP server translates it into post or get requests, so we're then calling that service itself. 3:47 Ve MCP, bir LLM kullanırken veya bir ajan geliştirirken ihtiyacınız olan veri kaynakları ile LLM arasındaki standartlaştırılmış katmandır ve piyasada bulunan neredeyse tüm yapay zeka araçları tarafından desteklenmektedir. And MCP is the standardized layer between the LLM and the data sources that you need when you're using an LLM or building an agent, and it's supported by almost all AI tools that are out there. 3:58 Mesele şu ki, MCP, harici verileri bir LLM'e nasıl vereceğimiz sorununu çözdü, ama eksik olan tek bir kısım var. The thing is, while MCP solved the problem of how do we give external data to an LLM, there's only one part missing. 4:04 O LLM'e, henüz sahip olmadığı alan bilgisini nasıl veririz? How do we give that LLM domain knowledge that it might not already have? 4:09 Çünkü evet, MCP ile bir CRM'den müşteri kayıtlarını çekebiliriz, ama satış ekibimiz bunun her seferinde tam olarak aynı şekilde yapılmasını istiyor. Because sure with MCP, we can pull the customer records from a CRM, but our sales team wants it done the exact same way every time. 4:17 Ve LLM'ler hakkında bir şey biliyorsanız, onların deterministik olmadığını, yani bu işi gerçekten zorlaştırdığını bilirsiniz. And if you know anything about LLMs, you know they're non-deterministic, which makes that really hard. 4:24 Örneğin, satış ekibimizin CRM verilerini müşterinin adı, müşterinin iletişim bilgileri ve çok önemli olan favori çerez türü olacak şekilde biçimlendirilmesini istediğini varsayalım. So let's say for example, that our sales teams wants the CRM data formatted in a way that has the customer's name, It has the customer's contact information and, very importantly, their favorite type of cookie. 4:39 "Hey, bunu her seferinde tekrar tekrar aynı şekilde biçimlendirilmiş istiyorum" diyebileceğimiz tekrarlanabilir bir yönteme sahip olmak, becerilerin (skills) neden bu kadar önemli olduğunun temelidir. So being able to have a repeatable way to say, hey, I want this formatted the same way every time over and over again is the basis of why skills are so important. 4:52 Ve bu, tüm büyük yapay zeka araçları ve modelleri arasında çalışır. And it works across all major AI tools and models. 4:56 LLM'yi ne gibi bir görev için kullandığınızı düşünün, örneğin Excel belgelerini düzenlemek. So think of the task that you use an LLM for, like cleaning up Excel documents. 5:02 Hata ayıklama, örneğin doğrulamak için her zaman kullandığınız kodlar ya da uyumluluk kontrolleri çalıştırmak. Debugging code, for example, that you always use made to verify or maybe running compliance checks. 5:08 Tüm bu farklı istemleri ve bunlar için kullandığınız betikleri bir beceriye paketleyebilirsiniz; bu, biraz ek meta veri içeren bir markdown dosyasıdır ve bir klasöre paketlenir. All of these different prompts and the scripts that you use for them can be packaged into a skill, which is essentially a markdown file with a bit of extra metadata and this is packaged into a folder. 5:23 Şimdi bu beceriden bahsedelim. So this skill, let's talk about it. 5:26 Başlığın biçimlendirilmesi, yani becerinin adı, ne zaman kullanılacağına dair açıklama ve bunun altında LLM'ye iletilecek asıl istem bulunur. It's got a formatting of the title, so what the skill is named, the description of when to use it, and under that, the actual prompt itself that will be used and passed to the LLM. 5:39 Onun gerçekten benzersiz yanı, becerinin gerektiğinde LLM'nin bağlam penceresine otomatik olarak yüklenebilmesidir. And what's really unique about it is the skill can be auto-loaded into the context window of the LLM as needed. 5:47 Örneğin, bu kod hata ayıklayıcı becerisi varsa, onu yalnızca kod hataları hakkında soru sorduğumuzda yükleriz. So for example, if we had this code debugger skill, we're only going to load it in when asking about code errors. 5:53 Ve bu klasörün içine farklı türde kaynakları ve farklı türde betikleri de ekleyebiliriz. And within this folder we can also add different types of resources and different types of scripts. 5:59 Böylece ek bağlam veya yeteneklere ihtiyacımız varsa bunları bir beceriye ekleyebiliriz ve modelden belirli bir yetenek istediğinizde bunlar otomatik olarak yüklenecektir. So that if we need additional context or capabilities we can add those to a skill and that's going to be auto loaded in when you're asking about a specific capability that you need from the model. 6:12 Peki, hangisini ne zaman seçmelisiniz? Now when should you pick one or the other? 6:14 Yapay zeka uygulamanızın gerçek zamanlı verilere, ancak kontrollü ve sıkı izinli bir şekilde erişmesine ihtiyaç duyduğu durumlarda, MCP yolunu izlemeniz gerekir. Well for situations where your AI application needs access to real time data but in a controlled and tightly-permissioned way, well, MCP is gonna be the way to go. 6:25 Bunu ajanlar ve araçlar arasındaki bir entegrasyon olarak düşünün ve yapabileceğiniz tek şey sunduğu araçları ve kaynakları çağırmaktır. Think of it as an integration between agents and tools, and all you can do is call the tools and resources it provides. 6:32 Şu an hangi sanal makineleri çalıştırıyorum gibi durumlarda MCP kullanırsınız. So you would use MCP for situations like what VMs am I currently running? 6:37 Ya da kümemizin durumu nasıl? Or how's our cluster state? 6:39 Ya da müşterilerimizden biri hakkında bazı bilgiler nedir? Or what's some information about one of our customers? 6:42 Ancak mesele şu ki, yapay zekanıza yeniden kullanılabilir ve özel bir yetenek eklemeniz gerekiyorsa, bir MCP kurup yapılandırmak oldukça fazla iş çıkarabilir. But the thing is, setting up and configuring an MCP can be quite overkill if you just need to add a reusable and custom capability to your AI. 6:51 İşte beceriler burada parlar. And that's where skills shine. 6:54 Çünkü hafiftirler ve modelinize bir şeyi nasıl yapacağını öğretirler. Because they're lightweight, they teach your model how to do something. 6:58 Örneğin, yatırım verilerini getirip analiz etmek ya da bu görevi gerçekleştirmek için beceride de dahil edilen betikleri veya örnekleri kullanmak. For example, fetch investment data and analyze it, or use scripts or examples that are also included in the skill to perform this task. 7:07 İkisi de LLM'nizin bağlam penceresini güçlendirebilir, bu da yapay zeka ajanları oluştururken veya kullanırken aradığınız doğru cevabı veya çıktıyı almanıza yardımcı olabilir. Both of these can enhance the context window of your LLM, which can help give you the right answer or output you're looking for when building or using AI agents. 7:16 Önemli olan, her ikisinin de açık kaynak olması, günümüzdeki çoğu yapay zeka aracında yaygın olarak kullanılması ve bunları bugün kendi bilgisayarınızda yerel olarak kullanmaya başlayabilmeniz. But what's important is that they're both open source, they're both commonly adopted in most AI tools today, and you can start using them today locally on your machine. 7:28 Bu ikisini karşılaştırırken üzerinde durmadığımız bir konu da ajanlar oluşturmak için komut satırı arayüzlerini kullanmak. One thing we didn't talk about when we were comparing both of these is using CLIs for building agents. 7:34 Eğer bu konu ilginizi çekiyorsa, aşağıdaki yorum bölümünde bize bildirin ve bu konuda bir video hazırlayalım. So, let us know in the comments section below if that's of interest and we'll make a video about it. 7:38 Ancak o zamana kadar, bugün bir şeyler öğrendiyseniz ve algoritmayı hacklemek istiyorsanız, beğeni butonuna basmayı unutmayın. But, until then, be sure to smash that like button if you learned something today and want to hack the algorithm. 7:43 Ayrıca MCP sunucularını mı yoksa becerileri mi tercih ettiğinizi aşağıdaki yorum bölümünde bize bildirin. And let us know if you prefer using MCP servers or skills in the comment section below. 7:49 Bir sonraki videoda görüşmek üzere. We'll see you in the next one. Altyazı bilgisayarımda üretildi ve videoyla ilerler; bir satıra tıklayın, o ana atlasın. Subtitles generated on my computer; they follow the video — click a line to jump there.
Bu video, LLM'lerin özel verilerle güçlendirilmesinde MCP sunucuları ve Skills arasındaki farkları ve kullanım senaryolarını karşılaştırarak doğru mimari seçimine rehberlik ediyor. This video guides the correct architectural choice by comparing the differences and use cases between MCP servers and Skills in enhancing LLMs with private data.
Bu video youtube.com üzerinde yayımlandı; buradaki oynatıcı YouTube’undur. Türkçe özet ve altyazı AiPulse için hazırlanmıştır. This video is published on youtube.com ; the player here is YouTube’s. The Turkish summary and subtitles are prepared for AiPulse .
YouTube’da izle Watch on YouTube AI Kritik → AI Critique →