ภาพเปรียบเทียบ “ก่อน” และ “หลัง” การใช้ MCP ครับ และเหตุผลว่าทำไม AI Agent ยุคใหม่ควรมีมาตรฐานกลาง
จาก Diagram สถาปัตยกรรมตามภาพ จะเห็นความแตกต่างเชิงโครงสร้างของการออกแบบระบบ AI Agent ได้อย่างชัดเจนระหว่างแนวคิดแบบเดิมและแนวคิดแบบใหม่ที่ใช้ MCP (Model Context Protocol) ครับ
.
ก่อนใช้ MCP: สถาปัตยกรรมแบบรวมศูนย์ (Tightly Coupled)
ในแนวทางเดิม การพัฒนา AI Agent มักฝัง Logic ของเครื่องมือต่าง ๆ เช่น Database, API Client และ Business Logic ไว้ภายในตัว Agent โดยตรง แน่นอนก็มีจำกัด ดังนี้
– โค้ดมีความซับซ้อนสูง
– การแก้ไขจุดหนึ่งส่งผลกระทบเป็นลูกโซ่ต่อส่วนอื่น
– การเปลี่ยนแปลงโครงสร้างพื้นฐาน เช่น Database ทำได้ยาก
– การนำ Tools ไปใช้ซ้ำในหลายโปรเจกต์ทำได้จำกัด
.
หลังใช้ MCP: สถาปัตยกรรมแบบแยกส่วนและเชื่อมต่อด้วยมาตรฐาน (Decoupled & Standardized)
เมื่อมี MCP เข้ามา MCP จะทำหน้าที่เสมือน “Universal Adapter” คั่นกลางระหว่าง AI Agent และ Tools ต่าง ๆ
ข้อได้เปรียบที่สำคัญ คือ
– Modular: แยก Tools ออกเป็น MCP Server ตามหน้าที่ เช่น Database, API, Utility
– Standardized: เชื่อมต่อผ่าน Protocol กลาง (HTTP/STDIO) ทำให้ AI หลายแพลตฟอร์มสามารถใช้ Tools ชุดเดียวกันได้
– Scalable: รองรับการเพิ่ม Tools ใหม่ได้โดยไม่กระทบโค้ดหลักของ Agent
– Clean Architecture: Agent โฟกัสเฉพาะการวางแผนและการตัดสินใจ ส่วนการปฏิบัติงานจริงย้ายไปอยู่ที่ MCP Server
.
สุดท้าย แนวทางของการใช้ MCP ได้เปลี่ยนแนวคิดจากการเชื่อมต่อแบบ Hardcode เฉพาะทาง ไปสู่โมเดล Plug & Play ที่ยืดหยุ่น ดูแลรักษาง่าย และรองรับการขยายระบบในระยะยาวได้อย่างแท้จริง
