สมัยก่อนถ้าอยากให้ AI ไปดึงข้อมูลจาก Notion, ส่งงานขึ้น GitHub, แก้ฐานข้อมูลใน Supabase หรือสั่งปั้นโมเดล 3D ใน Blender นักพัฒนาต้องมานั่งเขียนโค้ดเชื่อมต่อ (Custom Wrapper / Function Calling) แยกกันทีละโปรแกรม ทำให้ AI ตัวหนึ่งต่อได้แค่งานไม่กี่อย่าง แต่ตั้งแต่ Model Context Protocol (MCP) ถือกำเนิดขึ้น ทุกอย่างก็เปลี่ยนไปเหมือนการมี "พอร์ต USB-C มาตรฐานกลางของโลก AI"
1. โครงสร้างการทำงาน 3 ชั้นของ MCP (Architecture)
MCP สื่อสารกันด้วยโปรโตคอลมาตรฐาน JSON-RPC 2.0 โดยแบ่งองค์ประกอบออกเป็น 3 ส่วนชัดเจน:
- MCP Host (ตัวบ้านใหญ่): คือแอปพลิเคชัน AI ที่คุณนั่งใช้งานอยู่ เช่น Google Antigravity, Claude Code, Claude Desktop, OpenAI Codex, OpenCode หรือ Cursor
- MCP Client (หัวเสียบภายใน Host): ตัวจัดการการเชื่อมต่อแบบ 1:1 ภายใน Host ทำหน้าที่จับมือสื่อสารกับ Server แต่ละตัว
- MCP Server (อุปกรณ์ปลายทาง): โปรแกรมขนาดเล็กที่ห่อหุ้มความสามารถของระบบภายนอก (เช่น ต่อ Database, ต่อ Blender, ต่อ Playwright Browser หรือ Slack) แล้วเปิดช่องทางให้ AI เรียกใช้
2. 3 สิ่งที่ MCP Server มอบให้ AI (MCP Primitives)
เวลา AI เชื่อมต่อกับ MCP Server สำเร็จ มันจะถาม Server ว่า "คุณทำอะไรได้บ้าง?" ซึ่ง Server จะตอบกลับมาใน 3 รูปแบบ:
| ประเภท (Primitive) | บทบาทหน้าที่ | ตัวอย่างใช้งานจริง |
|---|---|---|
| 1. Tools (เครื่องมือลงมือทำ) | ฟังก์ชันที่ AI ตัดสินใจเรียกใช้เองเพื่อดึงค่าหรือเปลี่ยนแปลงระบบ | run_sql_query, create_github_pr, execute_blender_code, click_button |
| 2. Resources (แหล่งข้อมูลอ้างอิง) | ข้อมูลอ่านอย่างเดียว (Read-only context) ระบุด้วย URI | schema://users, file://AGENTS.md, logs://server/error |
| 3. Prompts (ชุดคำสั่งสำเร็จรูป) | Workflow Template ที่ผู้พัฒนาเตรียมไว้ให้ผู้ใช้กดเรียกใช้ | /review-security, /generate-migration |
3. การเชื่อมต่อ 2 รูปแบบ: Local (stdio) vs Remote (Streamable HTTP)
เวลาติดตั้ง MCP คุณจะเจอการเชื่อมต่อ 2 แบบนี้เป็นหลัก:
- Local Transport (
stdio— Standard Input/Output): โปรแกรม AI บนเครื่องจะรันคำสั่งเช่นnpx ...หรือuvx ...เปิด MCP Server ขึ้นมาเป็น Subprocess ในเครื่องของคุณเอง สื่อสารผ่าน stdin/stdout เร็ว ปลอดภัย ข้อมูลไม่วิ่งออกนอกเครื่อง (นิยมใช้กับ Filesystem, Git, Blender MCP, Godot MCP, Unity MCP) - Remote Transport (
Streamable HTTP+ SSE): ใช้เชื่อมต่อกับ MCP Server ที่รันอยู่บน Cloud ผ่าน URL เดียว (HTTP POST + Server-Sent Events) มักมีระบบ OAuth / API Token สำหรับบริการ SaaS เช่น GitHub Remote MCP, Notion, Linear, Figma, หรือ Vercel
4. วิธีเชื่อมต่อ MCP ในเครื่องมือยอดฮิต 4 ตัว (ก๊อป Config ไปวางได้เลย)
ไฟล์ตั้งค่าหลักของ MCP จะมีหน้าตาคล้ายกันมาก ต่างกันแค่ชื่อไฟล์และตำแหน่งที่แต่ละโปรแกรมอ่าน:
4.1 Claude Code CLI & Workspace (.mcp.json)
วิธีเร็วที่สุดคือรันคำสั่งใน Terminal หรือสร้างไฟล์ .mcp.json ไว้ที่โฟลเดอร์รากของโปรเจกต์:
# วิธีติดตั้งผ่าน CLI (Claude Code)
claude mcp add playwright -- npx -y @playwright/mcp@latest
claude mcp add blender -- uvx mcp-for-blender
หรือสร้างไฟล์ .mcp.json ด้วยตัวเอง:
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "./src"]
},
"playwright": {
"command": "npx",
"args": ["-y", "@playwright/mcp@latest"]
},
"blender": {
"command": "uvx",
"args": ["mcp-for-blender"]
}
}
}
4.2 Google Antigravity (~/.gemini/antigravity/mcp_config.json)
เปิดหน้า MCP Store / Plugins Manager ใน Antigravity เพื่อกดติดตั้งด้วยคลิกเดียว หรือใส่ JSON โครงสร้าง mcpServers ลงใน mcp_config.json ได้ทันที
4.3 OpenAI Codex CLI (~/.codex/config.toml)
Codex ใช้รูปแบบไฟล์ TOML ในการลงทะเบียน MCP Server:
[mcp_servers.playwright]
command = "npx"
args = ["-y", "@playwright/mcp@latest"]
[mcp_servers.blender]
command = "uvx"
args = ["mcp-for-blender"]
4.4 OpenCode CLI (opencode.json)
{
"$schema": "https://opencode.ai/config.json",
"mcp": {
"playwright": {
"type": "local",
"command": ["npx", "-y", "@playwright/mcp@latest"],
"enabled": true
}
}
}
5. ลองสร้าง MCP Server ของตัวเองด้วย Python (20 บรรทัดก็ใช้งานได้!)
อยากให้ AI Agent อ่านข้อมูลบริษัทหรือเรียกใช้สูตรคำนวณเฉพาะของธุรกิจคุณไหม? ใช้ไลบรารีทางการของ FastMCP เขียนง่ายนิดเดียว:
# 1) ติดตั้ง: pip install mcp
# 2) บันทึกเป็นไฟล์ studio_tools.py
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("KevinStudioHelper")
@mcp.tool()
def calculate_video_cost(clips_count: int, seconds_per_clip: int) -> dict:
"""คำนวณงบประมาณและเครดิตโดยประมาณสำหรับงาน AI Video"""
total_seconds = clips_count * seconds_per_clip
estimated_credits = total_seconds * 2
return {
"clips": clips_count,
"total_seconds": total_seconds,
"estimated_credits": estimated_credits
}
@mcp.resource("studio://guidelines")
def get_brand_rules() -> str:
return "Brand Tone: Dark Luxury Studio, Colors: Amber Gold (#fbbf24) + Slate (#070b14)"
if __name__ == "__main__":
mcp.run(transport="stdio")
จากนั้นนำไปลงทะเบียนใน .mcp.json ด้วย "command": "python", "args": ["/path/to/studio_tools.py"] แล้วรีสตาร์ท AI Agent — เครื่องมือของเราจะโผล่ขึ้นมาให้ AI เรียกใช้ทันที!
6. เช็กลิสต์ความปลอดภัยในการต่อ MCP (Security Best Practices)
- อย่า Commit API Key ลง Git: ถ้าใช้ Token ลับ ให้เรียกผ่าน Environment Variable (
env) ในเครื่องเท่านั้น และใส่ไฟล์ Config ส่วนตัวไว้ใน.gitignore - จำกัดสิทธิ์แบบ Least Privilege: หากต่อ Database จริงของบริษัท ให้สร้าง Database User ที่มีสิทธิ์แค่
SELECT (Read-Only)ป้องกัน AI ลบตารางสำคัญ - ใช้ Human Approval สำหรับคำสั่งที่มีผลถาวร: เช่น การส่งอีเมลหาลูกค้า โพสต์ Social Media หรือโอนเงิน ให้ตั้งค่า Permission ถามยืนยันจากมนุษย์ทุกครั้ง
อยากสร้างไฟล์ .mcp.json เชื่อม Blender + Godot / Unreal 5 / Unity อัตโนมัติ?

