แนวทางการสร้าง AI Assitant และโมเดล AI เพื่อให้บริการต่างๆ ด้วย MCP Server Framwork

AI Agent (เอไอ เอเจนต์) คือ โปรแกรมซอฟต์แวร์อัจฉริยะที่ทำงานอัตโนมัติได้ด้วยตัวเอง โดยเข้าใจเป้าหมายที่มนุษย์กำหนด แล้ววางแผน ดำเนินการ และตัดสินใจเพื่อบรรลุเป้าหมายนั้น โดยไม่ต้องมีคำสั่งทุกขั้นตอนเหมือนแชทบอททั่วไป ต่างกันที่เอเจนต์ AI จะสามารถใช้เครื่องมือ, เข้าถึงข้อมูลจากระบบต่าง ๆ และทำงานซับซ้อนได้เอง เช่น การเขียนโค้ด, การวิเคราะห์ข้อมูล, การบริการลูกค้าแบบครบวงจร หรือการจัดการเวิร์กโฟลว์ ทำให้ทำงานได้มีประสิทธิภาพและเป็นอิสระมากขึ้น

คุณสมบัติหลักของ AI Agent

• รับรู้ (Perception): เก็บข้อมูลจากสภาพแวดล้อม (เช่น เซ็นเซอร์, เอกสาร, ฐานข้อมูล)
• คิด/ใช้เหตุผล (Reasoning): วิเคราะห์ข้อมูลเพื่อตัดสินใจตามตรรกะ
• ตัดสินใจ (Decision-Making): เลือกทางปฏิบัติที่ดีที่สุดตามเป้าหมายและสถานการณ์
• ลงมือทำ (Action): ดำเนินการตามการตัดสินใจ (เช่น เรียกใช้เครื่องมือ, ส่งคำตอบ)
• เรียนรู้และปรับตัว (Learning & Adaptation): ปรับปรุงตัวเองให้ดีขึ้นจากประสบการณ์
• ทำงานเป็นอิสระ (Autonomy): ทำงานต่อเนื่องได้เอง โดยมีมนุษย์กำกับดูแลน้อย

ความแตกต่างจาก Chatbot

• Chatbot: เน้นตอบคำถาม/สนทนาตามฐานข้อมูล มักต้องมีคนสั่งงาน
• AI Agent: ไม่แค่ตอบ แต่ “ลงมือทำ” เอง จบครบวงจร เช่น วางแผน, ใช้เครื่องมือ, แก้ปัญหาจนเสร็จ

ตัวอย่างการใช้งาน

• ผู้ช่วยส่วนตัว: สรุปอีเมล, จัดการตารางงาน (เช่น Microsoft Copilot)
• บริการลูกค้า: แก้ปัญหาลูกค้าอัตโนมัติ, ส่งต่อเคสที่ซับซ้อน
• การตลาด: วิเคราะห์พฤติกรรมลูกค้า สร้างแคมเปญที่ตรงเป้าหมาย
• การเงิน/บัญชี: ตรวจสอบเอกสาร, ประมวลผลค่าใช้จ่าย
• AI Agent กำลังเปลี่ยนบทบาทจากแค่ผู้ช่วยตอบคำถาม เป็น "ทีมงานดิจิทัล" ที่ทำงานร่วมกับมนุษย์อย่างมีประสิทธิภาพมากขึ้น

MCP framework คืออะไร

MCP framwork เป็นเครื่องมือมาตรฐานของ การพัฒนา AI แบบ Opensource สำหรับการใช้ภาษา LLM ข้อมูลภายนอก API,  Database และ workflow เพื่อการเข้าถึงข้อมูลแบบเรียลไทม์ และสามารถโต้ตอบกับ AI  ได้ ในกระบวนการค้นหาอัตโนมัติ การสร้าง และการพัฒนา AI ที่นิยมในปัจุบัน ซึ่งจะประกอบไปด้วย ทรัพยากร Resource เครื่องมือ Tools  และคำสั่งในการสั่งการ Prompt

ฟีเจอร์ต่างๆ มีอะไรบ้าง

• Tools support เครื่องมือที่รองรับการใช้งานของผู้ใช้สำหรับสร้าง AI Model 
• Reource Managment การจัดการทรัพยากรต่างๆ ภายนอกและ API
• Prompt Template รูปแบบของคคำสั่งในการสั่งการ AI
• Mulitiple Transports รองรับการใช้การสื่อสารแบบ STDIO และ SSE 
• Authentication แบบ Bulid-in JWT และ API Key 
• Use the power fo Typescript รองรับการใช้งาน Typescript แบบเต็มรุปแบบ
• CLI Tools สำหรับสร้าง Projcet และ component ง่าย
• Fast Development สามารถพัฒนา MCP Servcer ได้อย่างรวดเร็ว

เครื่องมือที่สามารถใช้งาน

1. Tools  มีฟังก์ชั่นการทำงานต่างๆ ได้แก่ การดึงข้อมูลจากบริการ API การปรับรูปแบบข้อมูล การคำนวณวิเคราะห์แนวโน้ม และโต้ตอบกับข้อมูลภายนอกได้
2. Resource สามารถอ่านข้อมูล ปรับปรุง ติดตาม ผ่าน AI  จากผู้ใช้งาน
3. Prompt ให้คำนิยาม เพื่อสื่อสารกับ AI สามารถสร้างเป็นโครงสร้างของ context ได้ พร้อมทั้งแนะนำโมเดลให้ได้
4. Transports ใช้การสื่อสารแบบ Server-Client ทั้งแบบมาตรฐานอุปกรณ์ STDIO และ Server-Client Site SSE ได้

แนวทางการพัฒนา MCP Server ด้วย MCP Framework

• สร้างเครื่องมือสำหรับพัฒนา AI และ Model
• สร้างข้อมูลและการเชื่อมต่อ การใช้ร่วมกัน
• พัฒนาที่ปรึกษาด้าน AI ที่เชี่ยวชาญ
• ใช้งาน MCP Server ที่สามารถใช้บริการภายนอกต่างๆ ได้
• สร้าง AI สำหรับองค์กรได้
• สามารถสร้าง AI ที่ใช้เทคโนโลยีเว็บแอปพลิเคชั่นเป็นฐานได้
• พัฒนาบริการความปลอดภัยด้าน AI และระบบยืนยันตัวตน ได้

การติดตั้ง MCP Framework

1. ติตตั้ง Python พร้อมรันคำสั่งดังนี้

# Install the CLI globally with npm
npm install -g mcp-framework

# The mcp CLI is now globally available

# Create your new project with the mcp CLI
mcp create my-mcp-server

# Navigate to your project
cd my-mcp-server

# Install dependencies
npm install

2. โครงสร้าง Project

my-mcp-server/
├── src/
│ ├── tools/ # MCP Tools directory
│ │ └── ExampleTool.ts
│ └── index.ts # Server entry point
├── package.json
└── tsconfig.json

3.ทดสอบโค้ด MCP Server. :  src/index.ts

import { MCPServer } from "mcp-framework";

const server = new MCPServer();

server.start().catch((error) => {
console.error("Server error:", error);
process.exit(1);
});

4. สร้าง AI ตัวอย่าง เพิ่มเครื่อง weather

mcp add tool weather

สร้างไฟล์ชื่อว่า  src/tools/WeatherTool.ts  และทำการปรับแต่งตามโค้ดข้างล่างนี้

 

import { MCPTool } from "mcp-framework";
import { z } from "zod";

interface WeatherInput {
  city: string;
}

class WeatherTool extends MCPTool<WeatherInput> {
  name = "weather";
  description = "Get weather information for a city";

  schema = {
    city: {
      type: z.string(),
      description: "City name to get weather for",
    },
  };

  async execute({ city }: WeatherInput) {
    // In a real scenario, this would call a weather API
    // For now, we return this sample data
    return {
      city,
      temperature: 22,
      condition: "Sunny",
      humidity: 45,
    };
  }
}

export default WeatherTool;