Title: The USB C ของ AI: สร้าง MCP ของคุณเอง

Anthropic ได้เปิดตัว Model Context Protocol (MCP) แบบ open-source ซึ่งเป็นมาตรฐานปลั๊กอินที่ช่วยให้ AI agent ใดๆ สามารถสื่อสารกับฐานข้อมูล, เครื่องมือตรวจสอบ (monitoring tools), คลังเก็บโค้ด (code repositories) และอื่นๆ ผ่านอินเทอร์เฟซเดียวที่เป็นมาตรฐานเดียวกัน นักพัฒนาสามารถเปลี่ยนจากการใช้ตัวเชื่อมต่อ (connectors) แบบเฉพาะเจาะจงจำนวนมาก มาเป็น MCP server เพียงตัวเดียว และช่วยให้ client ที่รองรับทุกตัวสามารถเข้าถึงข้อมูลชุดเดียวกันได้ทันที

ทำไมผู้พัฒนา AI-app ถึงต้องการ “USB-C” ที่เป็นมาตรฐานเดียวกัน

การสร้าง workflow ที่ขับเคลื่อนด้วย AI ในปัจจุบันให้ความรู้สึกเหมือนการเย็บโค้ดที่เขียนขึ้นมาเฉพาะทางเข้าด้วยกัน หากคุณต้องการให้ Claude, สคริปต์ Python หรือ editor จากบุคคลที่สาม สามารถอ่านข้อมูลจาก PostgreSQL, ค้นหาข้อมูล (query) จาก Datadog dashboard หรือเปิด GitHub issue ได้ คุณจะต้องเขียนเลเยอร์การเชื่อมต่อ (integration layer) ใหม่ทุกครั้ง ความพยายามจะเพิ่มขึ้นมหาศาลเมื่อ stack ขยายใหญ่ขึ้น และ glue code ก็จะเริ่มดูแลรักษา ทดสอบ และรักษาความปลอดภัยได้ยาก

MCP จะหยุดวงจรนั้น โดยการกำหนดโปรโตคอลเดียวสำหรับการเปิดใช้งาน resources (ข้อมูลแบบอ่านอย่างเดียว เช่น logs หรือ API specs), tools (การกระทำที่ agent สามารถเรียกใช้ได้ เช่น การรัน SQL หรือการสร้าง ticket) และ prompts (เทมเพลตที่ช่วยกำหนดทิศทางว่า AI ควรใช้ข้อมูลอย่างไร) client ใดๆ ที่ปฏิบัติตามมาตรฐานจะมองว่าบริการที่แตกต่างกันเหล่านั้นเปรียบเสมือนการเสียบเข้ากับพอร์ตเดียวกัน

โครงสร้างของโปรโตคอล

  • MCP Hosts – แอปพลิเคชันที่มี AI ฝังอยู่ภายใน เช่น Claude Desktop หรือ code-assistant editor
  • MCP Clients – เลเยอร์บางๆ ภายใน host ที่ทำหน้าที่จัดการการเชื่อมต่อ (handshake) และส่งต่อคำขอ (route requests)
  • MCP Servers – โปรแกรมขนาดเล็กที่เปิดใช้งานแหล่งข้อมูลหรือบริการเฉพาะอย่าง เช่น ไฟล์ SQLite, Slack workspace หรือ monitoring endpoint

เมื่อ AI เชื่อมต่อ client จะค้นหารายการ (catalog) ของ resources, tools และ prompts ของ server จากนั้น agent จะส่งคำสั่ง (calls) ที่มีรูปแบบเหมือนกัน ไม่ว่าบริการเบื้องหลังจะเป็นฐานข้อมูลแบบ relational หรือระบบ ticketing ก็ตาม โดย server จะแปลคำสั่งเหล่านั้นเป็น API หรือภาษา query ที่เหมาะสม และส่งผลลัพธ์กลับมาในรูปแบบที่ agent สามารถนำไปใช้งานต่อได้

ตัวอย่าง workflow ที่เป็นรูปธรรม

ลองจินตนาการถึงนักพัฒนาที่เชื่อมต่อ PostgreSQL server และ Datadog monitoring endpoint เข้ากับ AI assistant ผ่าน MCP นักพัฒนาขอให้ assistant ค้นหาช่วงที่มี error พุ่งสูงขึ้นเมื่อเร็วๆ นี้, ดึงข้อมูลผู้ใช้ที่เกี่ยวข้องจากฐานข้อมูล และแนะนำวิธีแก้ไขโค้ด โดย AI จะทำดังนี้:

  1. ค้นหาข้อมูลใน Datadog ผ่าน monitoring tool ที่เปิดใช้งานผ่าน MCP และดึง logs ที่เกี่ยวข้องออกมา
  2. รัน SQL query บน PostgreSQL server โดยใช้ database tool ที่ MCP จัดเตรียมไว้ให้
  3. สร้าง patch จาก prompt ที่อธิบายโครงสร้างทั่วไปของการแก้ไขตามรูปแบบ error ที่ตรวจพบ

ทั้งสามขั้นตอนเกิดขึ้นผ่านโปรโตคอลเดียวกัน โดยที่นักพัฒนาไม่ต้องเขียน adapter แยกต่างหากสำหรับแต่ละบริการ

การสร้าง MCP server

Reference implementation ของ Anthropic แสดงให้เห็นว่าสามารถเขียน server ด้วยภาษาที่คุ้นเคยอย่าง TypeScript หรือ Python ได้ โดยกระบวนการสรุปได้ดังนี้:

  1. ประกาศ resources ที่ server จะเปิดใช้งาน (เช่น ชุดของ tables, กลุ่มของ log files)
  2. กำหนด tools ที่ AI อาจเรียกใช้ (เช่น การรัน SQL, HTTP POST, การเขียนไฟล์)
  3. จัดเตรียม prompt templates ที่ช่วยให้ AI จัดรูปแบบคำขอของมันได้

เมื่อ server ทำงาน client ใดๆ ที่รองรับ MCP จะค้นพบมันโดยอัตโนมัติ ทำให้แหล่งข้อมูลใหม่สามารถใช้งานได้ทันทีผ่านเครื่องมือ AI ต่างๆ ภายในองค์กร

บทสรุป

Model Context Protocol มอบ “USB-C” หนึ่งเดียวสำหรับ AI agent โดยเปลี่ยนเครือข่ายตัวเชื่อมต่อแบบเฉพาะทางที่ยุ่งเหยิงให้กลายเป็นระบบนิเวศแบบ plug-and-play ทีมที่เหนื่อยล้ากับการเขียน glue code สามารถทดลองใช้ MCP ได้ตั้งแต่วันนี้เพื่อดูทางลัดที่ใช้งานได้จริง