Google Cloud AI Ekim özeti: altyapı ekibini ilgilendiren duyurular

Google, Ekim 2026 Google Cloud AI özetinde Gemini 4 Argon’un Google Cloud’da kullanıma açıldığını ve Claude modelleri için Anthropic-managed deployment seçeneğinin genel kullanıma geçtiğini duyurdu. Aynı özette OpenAI modellerinin platforma eklendiği, Claude Opus 5.5 ile Claude Sonnet 5.5’in Google Antigravity’de kullanılabildiği, Gemini for government services’in preview’a çıktığı ve Gemini Robotics Embodied Reasoning 2’nin Google Cloud’a geldiği yer alıyor.

Model Context Protocol nedir, ne işe yarar?

Model Context Protocol (MCP), yapay zekâ uygulamalarının harici araçlara ve veri kaynaklarına standart bir arayüzle bağlanması için tanımlanmış açık bir protokoldür. Anthropic geliştirdi. Bir MCP server; dosya sistemi, veritabanı veya bulut API’si gibi kaynakları agent’ların çağırabileceği araçlar olarak dışa açar. Birçok LLM uygulaması, IDE ve agent çatısı MCP client’ı olarak çalışabiliyor.

Google Cloud AI özetinde operasyonu ilgilendiren kısım

Ekim özetinin büyük bölümü model duyurusu: Gemini 4 Argon, OpenAI modelleri, Claude Opus 5.5 ve Sonnet 5.5. Hangi modelin kullanılacağı çoğu zaman uygulama ekibinin kararı.

Altyapı işletiyorsanız üç madde öne çıkıyor. Claude için ikinci bir deployment yolu açıldı. Eylül’de duyurulan remote MCP (Model Context Protocol) server, agent’lara gcloud ve bq erişimi veriyor. Açık kaynak Mantis ile preview’daki CodeMender, güvenlik ekibinin kod tarama sürecine girmeye aday.

Robotik ya da kamu projelerinde çalışmıyorsanız Gemini Robotics Embodied Reasoning 2 ile Gemini for government services’i sonraya bırakabilirsiniz.

Claude’u kim işletecek

Google, Claude modelleri için Anthropic-managed deployment seçeneğini GA (General Availability) olarak duyurdu. Google-managed seçenek zaten vardı. Artık aynı model ailesini iki farklı işletim modeliyle çalıştırabilirsiniz.

Google’ın duyurusu iki seçenek arasındaki farkı açıklamıyor. Fark; verinin nerede işlendiğini, kotayı, faturalamayı ve destek muhatabını belirliyor. Veri yerleşimi veya regülasyon şartınız varsa seçimi dokümantasyon ve sözleşme üzerinden yapın; konsolda varsayılan gelen seçeneği olduğu gibi kabul etmeyin.

Agent’a gcloud yetkisi vermeden önce

Eylül özetindeki remote MCP server, gcloud ve bq araçlarının üzerine kurulu. Google bu server’ı agent’lara “immediate, broad access” veren bir araç olarak tanıtıyor. Operasyon gözüyle bu ifadenin karşılığı basit: agent hangi kimlikle çalışıyorsa o kimliğin yapabildiği her şeyi yapabilir.

Burada risk prompt injection (istem enjeksiyonu). Agent bir ticket’tan, log satırından veya web sayfasından okuduğu metni talimat sanıp komut çalıştırabilir. Kimlik Owner rolündeyse bu hatanın etki alanı bütün proje olur.

Server’ı bağlamadan önce:

• Agent’a kişisel hesabınızı vermeyin, ona özel bir service account açın.
• İşe yalnızca okuma rolleriyle ve bir test projesinde başlayın.
• Yazma yetkisini ihtiyaç doğdukça, kaynak bazında ekleyin.
• Agent kimliğinin çağrılarını Cloud Audit Logs üzerinden izleyin.

Var olan service account’ları ve proje rollerini görmek için:

gcloud iam service-accounts list
gcloud projects get-iam-policy PROJECT_ID

Mantis ve CodeMender’ı pipeline’a koymadan

Mantis, Google’ın açık kaynak olarak yayımladığı bir hata bulma ve düzeltme harness’i. Google, aracın kendi iç güvenlik yaklaşımının parçası olduğunu söylüyor. CodeMender Temmuz’dan beri preview’da; Ekim özetinde de Gemini 4 Argon’un kullanım alanları arasında anılıyor.

İki araç da kodda değişiklik öneriyor. İlk aşamada önerileri pull request olarak alın ve insan onayı olmadan merge etmeyin.

Aracın ürettiği false positive’leri (yanlış pozitif) kendi repo’nuzda birkaç hafta saymadan onu pipeline’da bloklayıcı adım yapmayın. Gürültülü bir kontrol, geliştiricilerin onu ilk fırsatta devre dışı bırakmasıyla sonuçlanır.

Model değiştirmeden önce eval

Gemini 4 Argon’a veya platforma yeni gelen OpenAI ve Claude modellerine geçmek, kodda bir model adını değiştirmek kadar kolay görünüyor. Zor olan, bugünkü prompt’larınızın yeni modelde aynı sonucu verip vermediğini bilmek.

Özetteki iki yazı tam bu konuyu ele alıyor: agent plugin geliştirirken çıkarılan dört eval dersi ve LLM (Large Language Model) değerlendiricilerini denetlemek için üç ayaklı bir yöntem. LLM’i hakem olarak kullanıyorsanız ikinci yazı, hakemin kendisini nasıl ölçeceğinizi ele alıyor.

Model geçişini bir release gibi yönetin. Sabit bir test seti hazırlayın, geçme eşiğini önceden yazın ve eski modele dönüş yolunu açık tutun.