MCP และ LLM: Tools

Model Context Protocol (MCP) เบื้องต้น

James Chapman

AI Curriculum Manager, DataCamp

จาก MCP Tools สู่ LLM Tools

การผสาน Tool กับ LLM ขึ้นอยู่กับ LLM แต่ละตัว

LLM แต่ละตัวรับ tool ในรูปแบบและ syntax ที่แตกต่างกัน
ใช้ Claude ผ่าน Anthropic's Messages API
จุดเน้น: กระบวนการและการแปลงข้อมูล

ขั้นตอนการเรียกใช้ Tool

MCP Server: timezone_server.py

from mcp.server.fastmcp import FastMCP
import requests

mcp = FastMCP("Timezone Converter")

@mcp.tool()
def convert_timezone(date_time: str, from_timezone: str, to_timezone: str) -> str:
    ...

if __name__ == "__main__":
    mcp.run(transport="stdio")

ขยาย Client Code

async def get_tools_from_mcp():
            # ... 
            return response.tools

async def call_mcp_tool(tool_name: str, arguments: dict) -> str:        
            # ...
            result = await session.call_tool(tool_name, arguments)
            return str(result.content[0].text)


async def call_anthropic_llm(user_query: str):

ตั้งค่า: จัดรูปแบบ Tools สำหรับ LLM

async def call_anthropic_llm(user_query: str):
    """Call Claude with MCP tools."""


    mcp_tools = await get_tools_from_mcp()


    anthropic_tools = []
    for tool in mcp_tools:

        anthropic_tool = {
            "name": tool.name,
            "description": tool.description or "",
            "input_schema": tool.inputSchema,  # MCP uses JSON Schema format
        }

        anthropic_tools.append(anthropic_tool)

1. ส่ง Query และ Tools ไปยัง LLM

from anthropic import AsyncAnthropic

async def call_anthropic_llm(user_query: str):
    # ...


    client = AsyncAnthropic(api_key="<ANTHROPIC_API_TOKEN>")


    response = await client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=1024,
        messages=[{"role": "user", "content": user_query}],
        tools=anthropic_tools,
    )

2. ตรวจสอบการเรียกใช้ Tool

async def call_anthropic_llm(user_query: str):
    # ...

    if response.stop_reason == "tool_use":

        tool_use = next(b for b in response.content if b.type == "tool_use")
        name = tool_use.name
        args = tool_use.input

        print(f"Model decided to call: {name}")
        print(f"Arguments: {args}\n")

3. เรียกใช้ Tool | 4. ส่ง Follow-Up Message

async def call_anthropic_llm(user_query: str):
    # ...

    if response.stop_reason == "tool_use":
        # ...


        result = await call_mcp_tool(name, args)

        tool_result = {"type": "tool_result",
            "tool_use_id": tool_use.id, "content": result}
        followup = await client.messages.create(
            model="claude-sonnet-4-6", max_tokens=1024,
            messages=[
                {"role": "user", "content": user_query},
                {"role": "assistant", "content": response.content},
                {"role": "user", "content": [tool_result]},
            ],
            tools=anthropic_tools,
        )

5. การตอบกลับขั้นสุดท้าย

async def call_anthropic_llm(user_query: str):
    # ...

    if response.stop_reason == "tool_use":
        # ...

        final = next((b.text for b in followup.content if b.type == "text"), None)
        if final:
            print(f"\nAssistant: {final}")
        else:
            print("No follow-up message from model.")


    else:
        text = next((b.text for b in response.content if b.type == "text"), "")
        print(f"\nAssistant: {text}")
        return str(text)

ทดสอบฟังก์ชัน

if __name__ == "__main__":
    asyncio.run(call_anthropic_llm("It is 9:50 AM in the UK in January. What time 
    is it in Lisbon, Portugal?"))

Assistant: It's 9:50 AM in Lisbon as well.

ขั้นตอนการเรียกใช้ Tool

มาฝึกกันเถอะ!

Model Context Protocol (MCP) เบื้องต้น