MCP (Model Context Protocol): คู่มือฉบับสมบูรณ์สำหรับนักพัฒนา

Model Context Protocol (MCP) เป็นมาตรฐานเปิดที่สร้างโดย Anthropic ซึ่งกำหนดวิธีที่โมเดล AI สื่อสารกับเครื่องมือภายนอก แหล่งข้อมูล และบริการต่างๆ ลองคิดว่ามันเป็น "USB-C ของ AI" - ตัวเชื่อมต่อสากลที่ช่วยให้ AI Agent ใดๆ สามารถพูดคุยกับเครื่องมือใดๆ ผ่านอินเทอร์เฟซมาตรฐาน

นับตั้งแต่เปิดตัว MCP มียอดดาวน์โหลด SDK มากกว่า 97 ล้านครั้งต่อเดือน และได้รับการยอมรับจากผู้ให้บริการ AI รายใหญ่ทุกราย: Anthropic, OpenAI, Google, Microsoft และ Amazon ในคู่มือนี้ เราจะสำรวจทุกสิ่งที่คุณจำเป็นต้องรู้เพื่อสร้างงานด้วย MCP

ทำไม MCP ถึงมีอยู่

ก่อน MCP แอปพลิเคชัน AI ทุกตัวต้องสร้างการเชื่อมต่อแบบกำหนดเองสำหรับเครื่องมือแต่ละตัวที่ต้องการใช้ อยากให้ AI อ่านไฟล์? เขียนโค้ดกำหนดเอง สอบถามฐานข้อมูล? โค้ดกำหนดเองเพิ่มเติม โพสต์ไปยัง Slack? การเชื่อมต่ออีกตัว

สิ่งนี้สร้างปัญหา N×M: แอปพลิเคชัน AI จำนวน N ตัว แต่ละตัวต้องการการเชื่อมต่อกำหนดเอง M ตัว ส่งผลให้เกิดความพยายามซ้ำซ้อนและระบบนิเวศที่กระจัดกระจาย

MCP แก้ปัญหานี้ด้วยโปรโตคอลเดียวที่ไคลเอนต์ AI ใดๆ สามารถใช้สื่อสารกับเซิร์ฟเวอร์ MCP ใดๆ:

แนวคิดหลัก

MCP มีพื้นฐานสามประการ:

1. เครื่องมือ (Tools)

เครื่องมือคือฟังก์ชันที่ AI สามารถเรียกใช้ได้ มันแทนการกระทำเช่น "สร้างไฟล์", "สอบถามฐานข้อมูล" หรือ "ส่งข้อความ" เครื่องมือแต่ละตัวมีชื่อ คำอธิบาย และ JSON Schema สำหรับพารามิเตอร์

{
  name: "create_issue",
  description: "Create a new GitHub issue",
  inputSchema: {
    type: "object",
    properties: {
      title: { type: "string", description: "Issue title" },
      body: { type: "string", description: "Issue body" },
      repo: { type: "string", description: "Repository name" }
    },
    required: ["title", "repo"]
  }
}

2. ทรัพยากร (Resources)

ทรัพยากรคือข้อมูลที่ AI สามารถอ่านได้ มันแทนไฟล์ เรคคอร์ดฐานข้อมูล การตอบกลับ API หรือแหล่งข้อมูลอื่นๆ ทรัพยากรถูกระบุด้วย URI

{
  uri: "file:///Users/dev/project/README.md",
  name: "Project README",
  mimeType: "text/markdown"
}

3. พรอมต์ (Prompts)

พรอมต์คือเทมเพลตที่ใช้ซ้ำได้ซึ่งช่วยจัดโครงสร้างการโต้ตอบ สามารถรวมพารามิเตอร์แบบไดนามิกและมีประโยชน์สำหรับการกำหนดมาตรฐานเวิร์กโฟลว์ทั่วไป

{
  name: "code_review",
  description: "Review code changes for quality and security",
  arguments: [
    { name: "diff", description: "The code diff to review", required: true }
  ]
}

สถาปัตยกรรม

MCP ใช้สถาปัตยกรรมไคลเอนต์-เซิร์ฟเวอร์:

• โฮสต์: แอปพลิเคชัน AI (Claude Desktop, Cursor, แอปกำหนดเองของคุณ)
• ไคลเอนต์: รักษาการเชื่อมต่อ 1:1 กับเซิร์ฟเวอร์ MCP
• เซิร์ฟเวอร์: เปิดเผยเครื่องมือ ทรัพยากร และพรอมต์ให้กับไคลเอนต์
• ทรานสปอร์ต: การสื่อสารเกิดขึ้นผ่าน JSON-RPC 2.0 บน stdio (ในเครื่อง) หรือ Server-Sent Events (ระยะไกล)

การสร้างเซิร์ฟเวอร์ MCP

มาสร้างเซิร์ฟเวอร์ MCP ในทางปฏิบัติที่โต้ตอบกับรายการสิ่งที่ต้องทำที่เก็บในไฟล์ JSON

การตั้งค่า

mkdir mcp-todo-server && cd mcp-todo-server
npm init -y
npm install @modelcontextprotocol/sdk zod

การพัฒนาเซิร์ฟเวอร์

// src/index.ts
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";
import fs from "fs";

const TODO_FILE = "./todos.json";

function readTodos(): { id: number; text: string; done: boolean }[] {
  if (!fs.existsSync(TODO_FILE)) return [];
  return JSON.parse(fs.readFileSync(TODO_FILE, "utf-8"));
}

function writeTodos(todos: { id: number; text: string; done: boolean }[]) {
  fs.writeFileSync(TODO_FILE, JSON.stringify(todos, null, 2));
}

const server = new McpServer({
  name: "todo-server",
  version: "1.0.0",
});

// Tool: Add a todo
server.tool(
  "add_todo",
  "Add a new todo item",
  { text: z.string().describe("The todo text") },
  async ({ text }) => {
    const todos = readTodos();
    const newTodo = { id: Date.now(), text, done: false };
    todos.push(newTodo);
    writeTodos(todos);
    return { content: [{ type: "text", text: `Added: "${text}"` }] };
  }
);

// Tool: List todos
server.tool(
  "list_todos",
  "List all todo items",
  {},
  async () => {
    const todos = readTodos();
    const list = todos
      .map((t) => `${t.done ? "✅" : "⬜"} [${t.id}] ${t.text}`)
      .join("\n");
    return { content: [{ type: "text", text: list || "No todos yet." }] };
  }
);

// Tool: Complete a todo
server.tool(
  "complete_todo",
  "Mark a todo as completed",
  { id: z.number().describe("The todo ID to complete") },
  async ({ id }) => {
    const todos = readTodos();
    const todo = todos.find((t) => t.id === id);
    if (!todo) return { content: [{ type: "text", text: "Todo not found." }] };
    todo.done = true;
    writeTodos(todos);
    return { content: [{ type: "text", text: `Completed: "${todo.text}"` }] };
  }
);

// Resource: Current todos as a readable resource
server.resource(
  "todos://list",
  "Current todo list",
  async () => ({
    contents: [{
      uri: "todos://list",
      mimeType: "application/json",
      text: JSON.stringify(readTodos(), null, 2),
    }],
  })
);

// Start the server
const transport = new StdioServerTransport();
await server.connect(transport);

การกำหนดค่า

เพื่อใช้เซิร์ฟเวอร์นี้กับ Claude Desktop ให้เพิ่มในการกำหนดค่า:

{
  "mcpServers": {
    "todo": {
      "command": "npx",
      "args": ["tsx", "/path/to/mcp-todo-server/src/index.ts"]
    }
  }
}

การสร้างไคลเอนต์ MCP

คุณยังสามารถสร้างไคลเอนต์กำหนดเองที่เชื่อมต่อกับเซิร์ฟเวอร์ MCP ใดๆ:

import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";

const transport = new StdioClientTransport({
  command: "npx",
  args: ["tsx", "./src/index.ts"],
});

const client = new Client({ name: "my-client", version: "1.0.0" });
await client.connect(transport);

// List available tools
const { tools } = await client.listTools();
console.log("Available tools:", tools.map((t) => t.name));

// Call a tool
const result = await client.callTool({
  name: "add_todo",
  arguments: { text: "Write MCP blog post" },
});
console.log(result);

เซิร์ฟเวอร์ MCP ยอดนิยม

ระบบนิเวศ MCP เติบโตอย่างรวดเร็ว นี่คือเซิร์ฟเวอร์ยอดนิยมบางตัว:

MCP เทียบกับ A2A (Agent-to-Agent)

ในขณะที่ MCP จัดการการสื่อสารตัวแทน-เครื่องมือ โปรโตคอล A2A (Agent-to-Agent) ของ Google จัดการการสื่อสารตัวแทน-ตัวแทน ทั้งสองเสริมซึ่งกันและกัน:

• MCP: AI Agent ใช้เครื่องมืออย่างไร (การรวมแนวตั้ง)
• A2A: AI Agent ร่วมมือกันอย่างไร (การรวมแนวนอน)

แนวทางปฏิบัติที่ดีที่สุด

1. ให้เซิร์ฟเวอร์มุ่งเน้น: หนึ่งเซิร์ฟเวอร์ต่อโดเมน (เซิร์ฟเวอร์ GitHub, เซิร์ฟเวอร์ Slack ฯลฯ) อย่าสร้างเซิร์ฟเวอร์แบบ monolithic
2. ตรวจสอบอินพุตด้วย Zod: ตรวจสอบอินพุตเครื่องมือด้วยสคีมาที่เหมาะสมเสมอ
3. จัดการข้อผิดพลาดอย่างสง่างาม: ส่งคืนข้อความข้อผิดพลาดที่มีความหมาย ไม่ใช่ stack trace
4. ใช้ทรัพยากรสำหรับข้อมูลอ่านอย่างเดียว: หาก AI ต้องการเพียงอ่านข้อมูล ให้เปิดเผยเป็นทรัพยากรแทนเครื่องมือ
5. เพิ่มคำอธิบายที่เหมาะสม: คำอธิบายเครื่องมือและพารามิเตอร์ที่ดีช่วยให้ AI เข้าใจว่าจะใช้เครื่องมือแต่ละตัวเมื่อใดและอย่างไร
6. ทดสอบด้วย MCP Inspector: ใช้ npx @modelcontextprotocol/inspector เพื่อทดสอบเซิร์ฟเวอร์แบบโต้ตอบ

เริ่มต้น

# Create a new MCP server from template
npx @modelcontextprotocol/create-server my-server

# Test with the MCP Inspector
npx @modelcontextprotocol/inspector npx tsx ./src/index.ts

สรุป

MCP กลายเป็นมาตรฐานโดยพฤตินัยสำหรับการใช้เครื่องมือ AI ในปี 2026 ไม่ว่าคุณจะกำลังสร้าง AI Agent แบบกำหนดเอง ขยาย Claude Code หรือสร้างการเชื่อมต่อสำหรับแพลตฟอร์มที่มีอยู่ การเข้าใจ MCP เป็นสิ่งจำเป็น โปรโตคอลนี้เรียบง่ายพอที่จะเรียนรู้ได้ในบ่ายเดียว แต่ทรงพลังพอที่จะสร้างเวิร์กโฟลว์ AI ระดับโปรดักชัน

ขั้นตอนถัดไป:

• สำรวจ ข้อกำหนด MCP
• เรียกดูเซิร์ฟเวอร์ MCP ที่มีอยู่ เพื่อแรงบันดาลใจ
• สร้างเซิร์ฟเวอร์แรกด้วย TypeScript หรือ Python SDK
• ทดสอบด้วย Claude Desktop หรือ MCP Inspector