รู้จัก MCP ใน 5 นาที: มาตรฐานใหม่เชื่อมต่อ AI กับโลกภายนอก

หลายคนคงเคยได้ยินชื่อ MCP ผ่านหูกันมาบ้างแล้ว โดยเฉพาะเมื่อพูดถึง AI agent, ผู้ช่วยเขียนโค้ด หรือการใช้เครื่องมือ (tool use) แต่ในขณะที่คนส่วนใหญ่พอจะรู้ว่ามันมีไว้ทำอะไร กลับมีเพียงไม่กี่คนที่เข้าใจว่า กลไกการทำงานที่แท้จริง เป็นอย่างไร หรือจะนำมาปรับใช้ให้เกิดประสิทธิภาพสูงสุดได้อย่างไร

ในภาพรวม MCP คือตัวช่วยที่ทำให้แอปพลิเคชัน AI มีวิธีเชื่อมต่อกับเครื่องมือภายนอกและแหล่งข้อมูลที่เป็นมาตรฐาน แทนที่จะต้องเขียนโค้ดเชื่อมต่อ (custom integration) แยกสำหรับทุก API, ฐานข้อมูล หรือเบราว์เซอร์ AI สามารถเชื่อมต่อผ่าน MCP server เพื่อค้นหาและเรียกใช้ความสามารถต่างๆ ได้ทันที

แม้แนวคิดอย่าง host, client, server, tool, resource และ transport อาจฟังดูซับซ้อนในช่วงแรก แต่เมื่อคุณเข้าใจขั้นตอนพื้นฐานแล้ว ระบบทั้งหมดจะกลายเป็นเรื่องง่ายทันที

บทความนี้จะสรุปวิธีทำงานของ MCP ให้จบภายใน 5 นาที พร้อมสาธิตการใช้งานจริงโดยเชื่อมต่อ Claude Code เข้ากับ Tavily สำหรับค้นหาเว็บ, GitHub สำหรับจัดการรีโพสิทอรี และ Playwright สำหรับควบคุมเบราว์เซอร์อัตโนมัติ

MCP คืออะไร?

วิธีที่ง่ายที่สุดในการทำความเข้าใจ MCP คือการมองว่าเป็น "ภาษากลาง" ระหว่างแอปพลิเคชัน AI กับเครื่องมือที่มันต้องการใช้งาน

หากไม่มี MCP ทุกบริการภายนอกอาจต้องสร้างวิธีเชื่อมต่อเฉพาะของตัวเอง แต่เมื่อมี MCP แอปพลิเคชัน AI จะสามารถคุยกับ MCP server ต่างๆ ผ่านอินเทอร์เฟซมาตรฐานตัวเดียวกันได้ทั้งหมด

MCP ไม่ได้มาแทนที่ API แต่โดยปกติแล้ว MCP server จะทำหน้าที่เป็นตัวกลางสื่อสารกับ API หรือบริการพื้นฐานแทน AI สิ่งที่ MCP กำหนดมาตรฐานไว้คือ วิธีที่ AI จะมองเห็น ค้นพบ และเรียกใช้งานความสามารถเหล่านั้น

MCP server สามารถส่งต่อความสามารถหลักได้ 3 ด้าน:

• Tools: การดำเนินการที่โมเดลสั่งการได้ เช่น ค้นหาเว็บ หรือรันคิวรี
• Resources: ข้อมูลที่ AI อ่านได้ เช่น ไฟล์เอกสาร หรือข้อมูลในฐานข้อมูล
• Prompts: เทมเพลตหรือเวิร์กโฟลว์ที่เตรียมไว้ให้ server เรียกใช้ซ้ำได้

สำหรับเวิร์กโฟลว์ของ AI agent นั้น Tools ถือเป็นส่วนที่ MCP มีประโยชน์ที่สุด เพราะช่วยให้โมเดลเปลี่ยนจากการพิมพ์ข้อความโต้ตอบ ไปเป็นการลงมือทำงานกับระบบภายนอกได้จริงๆ

MCP ทำงานอย่างไร

MCP ใช้ สถาปัตยกรรมแบบ client-server ซึ่งจะเข้าใจง่ายขึ้นเมื่อเห็นการทำงานร่วมกันของแต่ละส่วน

host คือแอปพลิเคชัน AI เช่น Claude Code ซึ่งภายในจะมี MCP client คอยเชื่อมต่อกับ MCP server หนึ่งตัวหรือมากกว่า โดย server เหล่านั้นจะเปิดช่องทางให้เข้าถึง tools, resources หรือ prompts ที่เชื่อมอยู่กับบริการภายนอกอีกที

ตัวอย่างเช่น เมื่อเราสั่งงานว่า:

Search for the latest PyTorch release and summarize the major changes.

Claude จะวิเคราะห์ว่างานนี้ต้องการ ข้อมูลที่เป็นปัจจุบัน จากนั้นจะตรวจสอบ MCP tools ที่มี เลือกเครื่องมือค้นหาเว็บ ส่งคำขอผ่าน MCP server และรับผลลัพธ์กลับมา

จุดสำคัญคือ MCP ไม่ได้ทำหน้าที่คิดแทน AI โมเดลยังคงเป็นผู้ตัดสินใจว่า ควรใช้เครื่องมือเมื่อใดและจะใช้ผลลัพธ์อย่างไร ส่วน MCP ทำหน้าที่เป็นเพียง "ท่อเชื่อมต่อมาตรฐาน" ที่ทำให้การเรียกใช้งานนั้นเกิดขึ้นได้

เริ่มต้นใช้งาน MCP ใน Claude Code

เมื่อเข้าใจทฤษฎีแล้ว มาลองลงมือทำจริงกันดู

Claude Code รองรับการจัดการ MCP server ในตัว หากต้องการดูว่าปัจจุบันมีการตั้งค่า server อะไรไว้บ้าง ให้ใช้คำสั่ง:

claude mcp list

หรือตรวจสอบและจัดการการเชื่อมต่อโดยตรงผ่านคำสั่ง:

/mcp

ลองนึกภาพการตั้งค่าตามไดอะแกรมนี้:

เราจะเชื่อมต่อ MCP server 3 ตัวที่ครอบคลุมงานสำคัญของ agent ได้แก่ การค้นหาเว็บ, การจัดการโค้ด และการควบคุมเบราว์เซอร์

1. Tavily สำหรับการค้นหาเว็บ เนื่องจากโมเดล AI มักไม่มีข้อมูลล่าสุด Tavily จึงเข้ามาช่วยให้ Claude Code สามารถ ค้นหาเว็บสด ดึงข้อมูล และทำวิจัย ได้ทันที

เพิ่ม Tavily MCP server ด้วยคำสั่ง:

claude mcp add --transport http tavily https://mcp.tavily.com/mcp

จากนั้นรัน /mcp ใน Claude Code เพื่อยืนยันตัวตน เมื่อเสร็จแล้วลองสั่งงาน:

Search the web for the latest vLLM release and summarize the main changes.

เวิร์กโฟลว์จะทำงานดังนี้:

Claude ไม่จำเป็นต้องรู้เลยว่า API ของ Tavily ทำงานอย่างไร มันแค่หาเครื่องมือที่เหมาะสมจาก MCP server แล้วสั่งใช้งานได้เลย

2. GitHub สำหรับเวิร์กโฟลว์ของรีโพสิทอรี

GitHub MCP server อย่างเป็นทางการ จะเปลี่ยน GitHub ให้เป็นชุดเครื่องมือที่ Claude เข้าถึงได้โดยตรง

Claude จะสามารถ อ่านโค้ด, ตรวจสอบ commit, จัดการ issue และ pull request ได้ตามสิทธิ์ที่คุณมี โดยเพิ่ม server ผ่าน Personal Access Token (PAT):

claude mcp add --transport http github https://api.githubcopilot.com/mcp/ \
  --header "Authorization: Bearer YOUR_GITHUB_PAT"

ตอนนี้คุณสามารถสั่งงานอย่าง:

Review pull request #42 and identify potential bugs and missing tests.

กลไกการทำงานคือ:

แทนที่จะต้องก๊อปปี้โค้ดมาวางในแชท Claude สามารถดึงบริบทที่จำเป็นผ่าน MCP ได้เองโดยตรง

3. Playwright สำหรับการควบคุมเบราว์เซอร์อัตโนมัติ

บางครั้ง AI ต้องทำมากกว่าแค่เรียก API เช่น การคลิกปุ่ม หรือกรอกฟอร์ม บนหน้าเว็บจริงๆ ซึ่ง Playwright MCP คือคำตอบ

เพิ่ม Playwright MCP server ของ Microsoft:

claude mcp add playwright npx @playwright/mcp@latest

แล้วลองสั่ง:

Open my local application and test the signup flow.

Playwright MCP จะส่งข้อมูลโครงสร้างหน้าเว็บ (accessibility snapshots) ให้โมเดลประมวลผลและโต้ตอบกับองค์ประกอบต่างๆ บนเบราว์เซอร์ได้แม่นยำ

มีอะไรใหม่ใน MCP?

MCP พัฒนาไปไกลมาก โดยข้อกำหนดล่าสุดอย่าง MCP 2026-07-28 specification ได้เปลี่ยนสถาปัตยกรรมหลักให้เป็นแบบ stateless

หมายความว่าคำขอแต่ละรายการจะมีข้อมูลครบถ้วนในตัว ไม่ต้องค้างเซสชันไว้กับ server ช่วยให้ระบบสามารถขยายตัว (scale) บนคลาวด์ได้ง่ายขึ้น

ฟีเจอร์เด่นในข้อกำหนดใหม่ประกอบด้วย:

• Stateless requests: ไม่ต้องเชื่อมต่อต่อเนื่อง
• Better routing: กำหนดเส้นทางคำของ่ายขึ้น
• Caching: นำรายการเครื่องมือเดิมมาใช้ซ้ำได้ ไม่ต้องโหลดใหม่ทุกครั้ง
• Multi-step interactions: เครื่องมือขอข้อมูลเพิ่มจาก AI เพื่อทำงานต่อได้
• Tasks: รองรับงานที่ต้องใช้เวลานาน

สรุปคือ MCP กำลังทำให้ AI agent ปลอดภัยขึ้น สเกลได้ง่ายขึ้น และพร้อมใช้งานในระดับธุรกิจมากขึ้น

บทสรุป

แม้ MCP จะดูเป็นเรื่องเทคนิคจ๋า แต่หัวใจของมันเรียบง่ายมาก นั่นคือการสร้างมาตรฐานให้ AI เชื่อมต่อกับโลกภายนอกได้ง่ายที่สุด

เมื่อเข้าใจวงจร โมเดล - MCP - เครื่องมือ - ผลลัพธ์ แล้ว การสร้าง AI agent ที่ทรงพลังก็ไม่ใช่เรื่องยากอีกต่อไป โดยที่คุณไม่ต้องเสียเวลาเขียนโค้ดเชื่อมต่อใหม่สำหรับทุกบริการที่ต้องการใช้งาน