MCP คืออะไร? ต่างจาก API ยังไง? เปรียบเทียบให้เข้าใจง่าย

บทนำ

ในยุคที่ AI และ Large Language Models (LLMs) กำลังเปลี่ยนแปลงวิธีการทำงานของเรา หนึ่งในความท้าทายใหญ่คือ “ทำอย่างไรให้ AI เข้าถึงข้อมูลของเราได้อย่างปลอดภัยและมีประสิทธิภาพ?”

MCP (Model Context Protocol) คือคำตอบใหม่ที่ Anthropic พัฒนาขึ้นมา — แต่มันต่างจาก API ที่เราคุ้นเคยอย่างไร? บทความนี้จะอธิบายให้เข้าใจง่าย พร้อมตัวอย่างการใช้งานจริง

---

MCP คืออะไร?

MCP (Model Context Protocol) คือ โปรโตคอลมาตรฐาน ที่ออกแบบมาให้ AI/LLM สามารถเชื่อมต่อกับ data sources และ tools ต่างๆ ได้อย่างเป็นระบบ

ลองนึกภาพแบบนี้:

• API เหมือน “ประตู” ไปยังบริการหนึ่งๆ
• MCP เหมือน “ล่าม” ที่ช่วยให้ AI เข้าใจและใช้งานประตูเหล่านั้นได้เอง

MCP ทำงานอย่างไร?

┌─────────────┐     MCP Protocol     ┌─────────────┐
│   AI Host   │◀────────────────────▶│ MCP Server  │
│  (Claude)   │                      │ (Data/Tools)│
└─────────────┘                      └─────────────┘
       │                                    │
       │ - ถาม "ยอดขายเดือนนี้เท่าไหร่?"         │
       │◀──────────────────────────────────▶│
       │ - Query Database                   │
       │ - Return: 1.2M                     │
       │                                    │

MCP ประกอบด้วย 3 ส่วนหลัก:

1. Resources — ข้อมูลที่ AI สามารถอ่านได้ (เช่น ไฟล์, database)
2. Tools — ฟังก์ชันที่ AI สามารถเรียกใช้ได้ (เช่น ส่งอีเมล, สร้างไฟล์)
3. Prompts — templates สำหรับการทำงานที่ซับซ้อน

---

API คืออะไร?

API (Application Programming Interface) คือ interface ที่ให้โปรแกรมหนึ่งสื่อสารกับอีกโปรแกรมหนึ่ง

┌─────────────┐     HTTP Request     ┌─────────────┐
│   Client    │─────────────────────▶│   Server    │
│  (App/Bot)  │◀─────────────────────│   (API)     │
└─────────────┘     HTTP Response    └─────────────┘

API ทำงานแบบ Request-Response:

• Client ส่ง request พร้อม parameters
• Server ประมวลผลและส่ง response กลับ

---

เปรียบเทียบ MCP vs API

คุณสมบัติ	API	MCP
วัตถุประสงค์	เชื่อมต่อระหว่าง applications	เชื่อมต่อ AI กับ data/tools
ผู้เรียกใช้	Developer เขียน code	AI ตัดสินใจเอง
Standardization	หลากหลาย (REST, GraphQL, etc.)	มาตรฐานเดียวกัน
Discovery	ต้องอ่าน documentation	AI เข้าใจ capabilities เอง
Context	ไม่มี context ข้ามการเรียก	มี context ต่อเนื่อง
Security	API Key, OAuth	Capability-based access

ความแตกต่างสำคัญ

API = Developer-Centric

Developer → เขียน Code → เรียก API → ได้ผลลัพธ์

MCP = AI-Centric

User → พูดกับ AI → AI เลือกและเรียก MCP → ได้ผลลัพธ์

---

Use Cases เปรียบเทียบ

🔍 Use Case 1: ค้นหาข้อมูลลูกค้า

แบบ API — สิ่งที่ Developer ต้องทำ:

1. อ่าน API Documentation — ศึกษาว่า endpoint ไหนใช้ดึงข้อมูลลูกค้า, format response เป็นอย่างไร
2. จัดการ Authentication — ขอ API Key หรือ setup OAuth
3. เขียน Code เรียก API หลายครั้ง — เพราะข้อมูลอาจกระจายหลาย endpoint

// 1. Setup authentication
const headers = { 'Authorization': `Bearer ${API_KEY}` };

// 2. เรียก API ดึงข้อมูลลูกค้า
const customerRes = await fetch('https://api.crm.com/v1/customers/12345', { headers });
const customer = await customerRes.json();

// 3. เรียก API อีกตัวเพื่อดึงคำสั่งซื้อ
const ordersRes = await fetch(`https://api.crm.com/v1/orders?customer_id=12345`, { headers });
const orders = await ordersRes.json();

// 4. เขียน logic รวมข้อมูลเอง
const summary = {
  name: customer.name,
  totalOrders: orders.length,
  totalSpent: orders.reduce((sum, o) => sum + o.amount, 0)
};

แบบ MCP — ผู้ใช้แค่พิมพ์:

User: "ช่วยสรุปประวัติการสั่งซื้อของลูกค้า ID 12345 หน่อย"
AI: [เข้าถึง CRM → ดึงข้อมูลลูกค้า → ดึงคำสั่งซื้อ → วิเคราะห์ → สรุปให้อัตโนมัติ]

---

📊 Use Case 2: สร้าง Report ยอดขาย

แบบ API — สิ่งที่ Developer ต้องทำ:

1. เชื่อมต่อ Database — setup connection string, credentials
2. เขียน Query — ต้องรู้ schema ของ database
3. Process Data — แปลงข้อมูลให้เป็นรูปแบบที่ต้องการ
4. Generate PDF — ใช้ library เพิ่มเติม

import psycopg2
import pandas as pd
from reportlab.lib.pagesizes import A4
from reportlab.pdfgen import canvas

# 1. เชื่อมต่อ Database
# ⚠️ Never hardcode credentials in production! Use environment variables.
conn = psycopg2.connect(
    host=os.getenv("DB_HOST", "db.company.com"),
    database=os.getenv("DB_NAME", "sales_db"),
    user=os.getenv("DB_USER"),
    password=os.getenv("DB_PASSWORD")
)

# 2. Query ข้อมูล
query = """
    SELECT product_name, SUM(amount) as total
    FROM sales
    WHERE sale_date BETWEEN '2024-01-01' AND '2024-12-31'
    GROUP BY product_name
    ORDER BY total DESC
"""
df = pd.read_sql(query, conn)

# 3. สร้าง PDF
c = canvas.Canvas("sales_report.pdf", pagesize=A4)
c.drawString(100, 800, "Sales Report 2024")
# ... เขียน logic วาดตารางเพิ่มเติม
c.save()

แบบ MCP — ผู้ใช้แค่พิมพ์:

User: "สร้าง report ยอดขายปี 2024 เป็น PDF"
AI: [เข้าถึง database → query ข้อมูล → วิเคราะห์ → สร้าง PDF → ส่งไฟล์ให้]

---

📧 Use Case 3: ส่งอีเมลอัตโนมัติ

แบบ API — สิ่งที่ Developer ต้องทำ:

1. เลือก Email Provider — Mailgun, SendGrid, AWS SES, etc.
2. สมัครและ Setup — verify domain, ตั้งค่า DNS records
3. ติดตั้ง SDK — ติดตั้ง library ของ provider
4. สร้าง Email Template — เขียน HTML template
5. Handle Errors — จัดการกรณีส่งไม่สำเร็จ

import Mailgun from 'mailgun.js';
import formData from 'form-data';

// 1. Setup client
const mailgun = new Mailgun(formData);
const mg = mailgun.client({
  username: 'api',
  key: process.env.MAILGUN_API_KEY
});

// 2. ดึงข้อมูล order (ต้องเรียก API อื่นอีก)
const order = await getOrderDetails(orderId);

// 3. สร้าง HTML template
const emailHtml = `
  <h1>Order Confirmation #${order.id}</h1>
  <p>Thank you for your order, ${order.customerName}!</p>
  <table>
    ${order.items.map(item => `<tr><td>${item.name}</td><td>${item.price}</td></tr>`).join('')}
  </table>
  <p>Total: ${order.total}</p>
`;

// 4. ส่งอีเมล
try {
  await mg.messages.create('yourdomain.com', {
    from: '[email protected]',
    to: order.customerEmail,
    subject: `Order Confirmation #${order.id}`,
    html: emailHtml,
    attachment: await generateInvoicePDF(order) // ต้องเขียนอีก function
  });
} catch (error) {
  console.error('Email failed:', error);
  // Handle retry logic...
}

แบบ MCP — ผู้ใช้แค่พิมพ์:

User: "ส่งอีเมลยืนยันคำสั่งซื้อ #1234 ให้ลูกค้า พร้อมแนบใบเสร็จ"
AI: [ดึงข้อมูล order → สร้างเนื้อหาอีเมล → สร้างใบเสร็จ PDF → ส่งอีเมล → แจ้งผล]

---

🗂️ Use Case 4: จัดการไฟล์ใน Cloud Storage

แบบ API — สิ่งที่ Developer ต้องทำ:

1. เลือก Provider — AWS S3, Google Cloud Storage, Azure Blob, Google Drive
2. Setup Credentials — สร้าง service account, download key file
3. เรียนรู้ SDK แต่ละตัว — แต่ละ provider มี API ต่างกัน!
4. Handle Permissions — ตั้งค่า IAM, sharing settings

# ถ้าเป็น AWS S3
import boto3

s3 = boto3.client(
    's3',
    aws_access_key_id='AKIA...',
    aws_secret_access_key='secret...'
)

s3.upload_file(
    'report.pdf',
    'my-company-bucket',
    'reports/2024/january/report.pdf'
)

# =====================================================
# ถ้าเป็น Google Drive — ต้องเขียนใหม่หมด!
from google.oauth2 import service_account
from googleapiclient.discovery import build
from googleapiclient.http import MediaFileUpload

credentials = service_account.Credentials.from_service_account_file('credentials.json')
drive_service = build('drive', 'v3', credentials=credentials)

file_metadata = {
    'name': 'report.pdf',
    'parents': ['folder_id_here']
}
media = MediaFileUpload('report.pdf', mimetype='application/pdf')

file = drive_service.files().create(
    body=file_metadata,
    media_body=media,
    fields='id'
).execute()

แบบ MCP — ผู้ใช้แค่พิมพ์:

User: "อัปโหลด report.pdf ไปที่ Google Drive โฟลเดอร์ Reports"
AI: [เลือก Google Drive MCP → หา folder → อัปโหลด → แชร์ลิงก์กลับมา]

---

📅 Use Case 5: นัดประชุมอัตโนมัติ

แบบ API — สิ่งที่ Developer ต้องทำ:

1. OAuth Flow — ขอ permission เข้าถึงปฏิทินของทุกคน
2. ดึง Free/Busy — เรียก API เช็คเวลาว่างของแต่ละคน
3. เขียน Algorithm — หาช่วงเวลาที่ทุกคนว่างตรงกัน
4. สร้าง Event — เรียก API สร้างนัดหมาย
5. ส่ง Invites — ส่ง email invite ให้ผู้เข้าร่วม

import { google } from 'googleapis';

// 1. Setup OAuth (ต้อง handle token refresh ด้วย)
const oauth2Client = new google.auth.OAuth2(CLIENT_ID, CLIENT_SECRET, REDIRECT_URL);
oauth2Client.setCredentials(tokens);
const calendar = google.calendar({ version: 'v3', auth: oauth2Client });

// 2. ดึงเวลาว่างของแต่ละคน
const attendees = ['[email protected]', '[email protected]', '[email protected]'];
const freeBusyRequests = await Promise.all(
  attendees.map(async (email) => {
    const busy = await calendar.freebusy.query({
      requestBody: {
        timeMin: new Date().toISOString(),
        timeMax: new Date(Date.now() + 7 * 24 * 60 * 60 * 1000).toISOString(),
        items: [{ id: email }]
      }
    });
    return { id: email, busy };
  })
);

// 3. หาช่วงเวลาที่ว่างตรงกัน (ต้องเขียน algorithm เอง!)
const commonSlots = findCommonAvailability(freeBusyRequests);
const selectedSlot = commonSlots[0];

// 4. สร้าง event
await calendar.events.insert({
  calendarId: 'primary',
  requestBody: {
    summary: 'Sprint Planning',
    start: { dateTime: selectedSlot.start },
    end: { dateTime: selectedSlot.end },
    attendees: attendees.map(email => ({ email }))
  },
  sendUpdates: 'all'
});

แบบ MCP — ผู้ใช้แค่พิมพ์:

User: "นัดประชุมกับทีม Dev วันพรุ่งนี้ช่วงบ่าย เรื่อง Sprint Planning"
AI: [เช็คปฏิทินทุกคน → หาเวลาว่างร่วม → เสนอเวลา → สร้างนัดหมาย → ส่ง invite]

---

🔧 Use Case 6: Debug และตรวจสอบ Logs

แบบ API — สิ่งที่ Developer ต้องทำ:

1. รู้จัก Tools — kubectl, aws cli, gcloud, หรือ API ของ logging service
2. เข้าใจ Query Syntax — แต่ละระบบมี syntax ต่างกัน
3. Handle Large Data — logs อาจมีเป็นล้าน entries
4. Parse และ Analyze — ต้องเขียน script วิเคราะห์เอง

# Kubernetes - ต้องรู้ namespace, deployment name, container name
kubectl logs -n production deployment/api-server --since=1h | grep -E "ERROR|FATAL"

# AWS CloudWatch - ต้องรู้ log group, filter syntax
aws logs filter-log-events \
  --log-group-name /ecs/production/api-server \
  --filter-pattern "ERROR" \
  --start-time $(date -d '1 hour ago' +%s000) \
  --query 'events[*].message' \
  --output text

# หรือถ้าใช้ Datadog API
curl -X POST "https://api.datadoghq.com/api/v2/logs/events/search" \
  -H "DD-API-KEY: ${DD_API_KEY}" \
  -H "DD-APPLICATION-KEY: ${DD_APP_KEY}" \
  -d '{
    "filter": {
      "query": "status:error service:api-server",
      "from": "now-1h",
      "to": "now"
    }
  }'

แบบ MCP — ผู้ใช้แค่พิมพ์:

User: "ช่วยหา error ที่เกิดขึ้นใน production ชั่วโมงที่แล้ว แล้ววิเคราะห์สาเหตุให้หน่อย"
AI: [เข้าถึง logs → filter errors → จัดกลุ่มตามประเภท → วิเคราะห์ stack trace → แนะนำวิธีแก้]

---

💬 Use Case 7: ตอบคำถามลูกค้าจาก Knowledge Base

แบบ API — สิ่งที่ Developer ต้องทำ:

1. Setup Search Engine — Elasticsearch, Algolia, หรือ Vector DB
2. Index เอกสาร — แปลงเอกสารเป็น format ที่ search ได้
3. เขียน Search Query — optimize relevance scoring
4. Build Response — เลือกคำตอบที่ดีที่สุด, format response

import { Client } from '@elastic/elasticsearch';

// 1. Setup client
const client = new Client({ node: 'https://elasticsearch.company.com' });

// 2. Search query (ต้อง tune relevance ให้ดี)
const result = await client.search({
  index: 'knowledge_base',
  body: {
    query: {
      multi_match: {
        query: 'return policy refund',
        fields: ['title^2', 'content', 'tags'],
        fuzziness: 'AUTO'
      }
    },
    highlight: {
      fields: { content: {} }
    }
  }
});

// 3. เลือก top result
const topHit = result.hits.hits[0];
const answer = topHit._source.content;

// 4. อาจต้องใช้ NLP เพิ่มเพื่อสรุปคำตอบ
// ... ต้อง integrate กับ LLM API อีกที

แบบ MCP — ผู้ใช้แค่พิมพ์:

User: "ลูกค้าถามว่า policy การคืนสินค้าเป็นยังไง ช่วยร่างคำตอบให้หน่อย"
AI: [ค้นหาใน Knowledge Base → อ่านเอกสารที่เกี่ยวข้อง → สรุปเป็นภาษาที่เข้าใจง่าย → ร่างข้อความตอบกลับ]

---

📈 Use Case 8: วิเคราะห์ข้อมูลแบบ Ad-hoc

แบบ API — สิ่งที่ Developer ต้องทำ:

1. รู้ Database Schema — ต้องเข้าใจว่าตารางไหนเก็บข้อมูลอะไร, relationship เป็นอย่างไร
2. เขียน SQL — ต้องมีความรู้ SQL ระดับ intermediate ขึ้นไป
3. Optimize Query — ถ้าข้อมูลเยอะ ต้อง tune performance
4. Visualize — ต้องใช้ tool เพิ่มเติมเพื่อทำกราฟ

-- ต้องรู้ว่าตาราง orders มี column อะไร, join กับอะไรได้
-- ต้องรู้ว่า product_category อยู่ตาราง products

SELECT 
  p.category_name,
  SUM(oi.quantity * oi.unit_price) as total_revenue,
  COUNT(DISTINCT o.order_id) as order_count,
  AVG(oi.quantity * oi.unit_price) as avg_order_value
FROM orders o
JOIN order_items oi ON o.order_id = oi.order_id
JOIN products p ON oi.product_id = p.product_id
WHERE o.order_date >= '2024-01-01'
  AND o.order_date < '2025-01-01'
  AND o.status = 'completed'
GROUP BY p.category_name
ORDER BY total_revenue DESC
LIMIT 10;

-- แล้วต้อง export ไป Excel หรือใช้ Python plot graph อีก

แบบ MCP — ผู้ใช้แค่พิมพ์:

User: "สินค้าประเภทไหนทำยอดขายสูงสุดปีนี้? ช่วยทำเป็นกราฟให้ด้วย"
AI: [เข้าใจคำถาม → ดู schema → สร้าง query ที่เหมาะสม → รัน → สร้างกราฟ → อธิบาย insight]

---

เมื่อไหร่ควรใช้อะไร?

✅ ใช้ API เมื่อ:

• ต้องการ ควบคุมแบบละเอียด ว่าจะเรียกอะไร อย่างไร
• เป็น integration แบบ fixed ที่ไม่เปลี่ยนแปลงบ่อย
• ต้องการ performance สูงสุด และ latency ต่ำ
• ระบบ ไม่มี AI เป็นส่วนประกอบ

✅ ใช้ MCP เมื่อ:

• ต้องการให้ AI ตัดสินใจ ว่าจะใช้เครื่องมือไหน
• ผู้ใช้ต้องการ interact ด้วยภาษาธรรมชาติ
• งานมี ความหลากหลาย และเปลี่ยนแปลงตาม context
• ต้องการ ลด development time สำหรับ AI integration

---

ตัวอย่าง MCP Servers ที่น่าสนใจ

MCP Server	ทำอะไรได้
filesystem	อ่าน/เขียนไฟล์ในเครื่อง
github	จัดการ repos, issues, PRs
postgres	Query database
slack	ส่งข้อความ, อ่าน channels
google-drive	จัดการไฟล์ใน Drive
brave-search	ค้นหาข้อมูลจากเว็บ

---

สรุป

	API	MCP
สำหรับใคร	Developer	AI + End User
วิธีใช้	เขียน Code	พูด/พิมพ์ภาษาธรรมชาติ
ความยืดหยุ่น	Fix ตาม code	Dynamic ตาม context
Learning Curve	ต้องเรียนรู้แต่ละ API	AI เรียนรู้เอง

MCP ไม่ได้มาแทนที่ API — แต่เป็น layer ใหม่ ที่ทำให้ AI สามารถใช้งาน API และเครื่องมือต่างๆ ได้อย่างอัจฉริยะ

หากองค์กรของคุณกำลังพัฒนา AI Solutions หรือต้องการ integrate LLM เข้ากับระบบภายใน MCP คือตัวเลือกที่ควรพิจารณาอย่างยิ่ง

📚 อ่านเพิ่มเติม: MCP Official Documentation

---

ติดต่อเรา

สนใจพัฒนา AI Integration หรือต้องการคำปรึกษาเกี่ยวกับ MCP และ API Design?

Cloudsoft พร้อมให้บริการออกแบบและพัฒนาระบบซอฟต์แวร์ ด้วยทีมผู้เชี่ยวชาญที่มีประสบการณ์

📞 ติดต่อขอคำปรึกษา หรือสอบถามข้อมูลเพิ่มเติมได้เลยครับ