# AgentFuse: ajanın araç çağrılarına devre kesici takmak

> Ajan ile MCP sunucusu arasına giren bir proxy: anlamsal döngüyü, bütçe aşımını ve riskli araç çağrılarını keser; varsayılan modda yalnızca gözlemler.

- Şu an ne yapıyor: Ajan ile MCP sunucusu arasına oturup her tools/call'ı görüyor; tekrar eden döngüleri, süre ve çağrı bütçesini aşan oturumları ve politikada yasaklı araçları durduruyor. MCP üzerinden araç çağıran ajanlar çalıştıran geliştirici `npm i -g @tunedness/agentfuse` ile kurup deneyebilir (0.1.0).
- Tür: Open-Source
- Olgunluk: Alpha
- Durum: Geliştiriliyor
- Odak: AI ve AI destekli geliştirme
- Başlangıç: 2026-09-15
- Teknolojiler: TypeScript, Node.js, MCP, ONNX Runtime, YAML
- Etiketler: #ai, #agent, #mcp, #devre-kesici
- Kaynak kodu: https://github.com/Tunedness/AgentFuse
- Kaynak: https://muhammetsafak.com/tr/labs/agentfuse-lab/
- Dil: tr-TR
- Yazar: Muhammet Şafak

---
Döngü kesicimin ilk ölçümü hedefi tutturmadı: 200 oturumluk sentetik corpus'ta tespit %87,0, yanlış pozitif %0,0. Hedefim %90'dı. Son üç puan için eşiği 0,845'e indirmek yanlış pozitifi %16'ya çıkarıyordu; indirmedim. Bu kaydın konusu o takas ve onu yapan araç: AgentFuse.

## Ajanla sunucunun arasına oturan proxy

AgentFuse bir MCP proxy'si. Ajanla araç sunucusu arasına giriyor, her `tools/call`'ı görüyor ve çağrının geçip geçmeyeceğine karar veriyor. Hiçbir şey tetiklenmediyse sonuç olduğu gibi akıyor; tetiklenirse ajan, bir tur daha boşa harcamak yerine okuyup düzeltebileceği bir ret alıyor. Ajan araçlarına MCP ile ulaştığı sürece LangGraph, CrewAI, Claude Agent SDK ya da elle yazılmış bir döngü fark etmiyor; iki tarafta da kod değişmiyor. Davranış tek bir `fusepolicy.yaml` dosyasında duruyor: döngü eşikleri, bütçe sınırları ve araç bazında `allow` / `warn` / `deny` / `require_approval` kuralları.

Varsayılan mod `warn`. Kararları hesaplıyor, raporu üretiyor, çağrıyı yine de iletiyor. Yanlış yerde kesen bir devre kesici kaldırılır, kaldırılınca da hiçbir şey yakalamaz; kaçırdığı döngü ise yalnızca pahalıdır. `would_trip` sayısı kendi trafiğinizde `enforce`'un güvenli olup olmadığını söylüyor.

## Döngüyü iki kademede yakalamak

İlk kademe kural tabanlı, model ve ağ gerektirmiyor: aynı argümanlarla birebir tekrar (cevaplar da aynıysa), aynı hata imzasının tekrarı ve A→B→A→B gibi kısa döngüler. İkinci kademe anlamsal: her çağrının embedding'i yerelde, kritik yolun dışında hesaplanıyor ve kayan pencere skoru ortalama ikili kosinüs benzerliği ile cevap bayatlığının küçüğü oluyor. Tek eksen yetmedi: yalnız benzerliğe bakınca pozitif oturumlar negatiflerin altında kalıyordu; sayfalı bir aramanın 1. ve 2. sayfası 0,9971 alırken gerçek bir yeniden deneme 0,9791 alıyordu. Bayatlık bu çifti ayırıyor. Anlamsal kademe isteğe bağlı `@tunedness/agentfuse-embeddings-local` paketini istiyor; kural kademesi onsuz tam çalışıyor.

## Ölçtüklerim

Corpus depoya commit'li: 100 pozitif, 100 negatif oturum, tohumlu bir üreteçten. Kalibre ettiğim çalışma noktasında (`window: 5`, `threshold: 0.905`) tespit %87,0, yanlış pozitif %0,0, precision 1,000, tespit gecikmesi p95 5 tur. Kaçırdığım 13 oturumun hepsi tek senaryo: aynı isteğin başka sözcüklerle tekrarı. Çağrı başına eklenen süre, ölçtüğüm en kötü yapılandırmada (gerçek stdio pipe, anlamsal kademe ve telemetri açık) p95 4,84 ms.

Bütçe tarafında iki limit kesin: `max_duration` ve `max_calls`. Token ve dolar limitleri tahmin, çünkü `tools/call` üzerindeki bir proxy modelin kendi token'larını görmüyor; bu rakamlar gerçek kullanımın alt sınırı ve adlarında `_estimated` taşıyor.

## Alpha'da neyi koruyor, sırada ne var

Alpha. `@tunedness/agentfuse` npm'de 0.1.0 olarak yayımlı: `npm i -g @tunedness/agentfuse` komutu `agentfuse`'u kuruyor, Node.js ≥ 20.19 gerekiyor. Koruma `wrap` modunda, yani sarılan stdio sunucusunun önünde; `serve` komutu şimdilik HTTP ucunu bağlayıp oturum kimliğini çözüyor ama çağrıları iletmiyor; her isteğe `wrap` modunu işaret eden bir hata dönüyor, yani korumalı bir gateway değil. MCP dışı ajan trafiğini görmüyor.

Sırada tespitin %90'a çıkması var. İki yol belli: eşiğe yakın pencereler için ikinci bir kademe ya da daha güçlü bir embedding modeli, ikincisi kurulum boyutu kararını yeniden açıyor. Aynı ailenin güvenlik tarafı için [McpGuard](https://muhammetsafak.com/tr/labs/mcpguard-lab/) kaydına bakın.
