#การสร้าง MCP ด้วย Python

Model Context Protocol หรือ MCP เป็นมาตรฐานสำหรับเชื่อมแอปพลิเคชันที่ใช้ Large Language Model (LLM) เข้ากับข้อมูลและความสามารถภายนอก เช่น API, Database, File System, Search Service หรือระบบภายในองค์กร

แนวคิดสำคัญคือ เราไม่จำเป็นต้องเขียนโค้ดเฉพาะสำหรับ LLM แต่ละตัวเพื่อให้เข้าถึงระบบของเรา เพียงสร้าง MCP Server ที่ประกาศความสามารถในรูปแบบมาตรฐาน จากนั้น MCP Host ที่รองรับก็สามารถเชื่อมต่อและเรียกใช้ความสามารถเหล่านั้นได้

บทความนี้ใช้ MCP Python SDK v2 ซึ่งเป็น stable release line ปัจจุบัน ณ เดือนกันยายน 2026 และต้องการ Python 3.10+

#1. MCP คืออะไร

MCP แบ่งองค์ประกอบหลักออกเป็น 3 ส่วน

User
  |
  v
+-----------------------+
| MCP Host              |
| LLM App / IDE / Agent |
+-----------+-----------+
            |
            | MCP Client
            v
+-----------------------+
| MCP Server            |
| - Tools               |
| - Resources           |
| - Prompts             |
+-----------+-----------+
            |
            v
+-----------------------+
| API / DB / Files      |
| Internal Services     |
+-----------------------+

#Host

Host คือแอปพลิเคชันที่ผู้ใช้กำลังใช้งาน เช่น LLM Application, IDE หรือ Agent Runtime

#Client

MCP Client ทำหน้าที่สื่อสารกับ MCP Server ตาม MCP Protocol

โดยทั่วไป Host จะสร้าง Client สำหรับแต่ละ MCP Server ที่เชื่อมต่อ

#Server

MCP Server คือส่วนที่เราพัฒนาด้วย Python เพื่อเปิดความสามารถให้ Client เรียกใช้งาน

#2. ความสามารถหลักของ MCP Server

MCP Server เปิดความสามารถหลัก 3 แบบ ได้แก่ Tools, Resources และ Prompts

Primitive ใครเป็นผู้เลือกใช้ หน้าที่
Tool Model เรียกฟังก์ชันเพื่อทำงานหรือเปลี่ยนแปลงข้อมูล
Resource Application โหลดข้อมูลเข้าสู่ Context
Prompt User เรียก Prompt Template ที่เตรียมไว้

อธิบายแบบใกล้เคียง Web API ได้ว่า

  • Resource คล้าย GET เพราะใช้ดึงข้อมูล
  • Tool คล้าย POST เพราะเป็นการเรียกให้ระบบทำงาน และอาจมี Side Effect
  • Prompt คือ Prompt Template ที่นำกลับมาใช้ซ้ำได้

#3. เตรียมเครื่องมือ

ตรวจสอบ Python

python --version

ควรเป็น Python 3.10 ขึ้นไป

แนะนำให้ใช้ uv สำหรับจัดการ Python Project และ Dependency

ตรวจสอบว่าเครื่องมี uv หรือไม่

uv --version

หากยังไม่มี uv สามารถติดตั้งตามคู่มือของโครงการ uv ได้

#4. สร้าง Python Project

สร้าง Project ใหม่

uv init python-mcp-demo

เข้าไปใน Project

cd python-mcp-demo

เพิ่ม MCP Python SDK พร้อม CLI

uv add "mcp[cli]"

MCP SDK รุ่นปัจจุบันมี CLI สำหรับงานพัฒนา เช่น

mcp dev
mcp run
mcp install

เมื่อใช้ uv ให้เรียกผ่าน

uv run mcp

#5. โครงสร้าง Project

ตัวอย่าง

python-mcp-demo/
├── pyproject.toml
├── server.py
├── client.py
└── tests/
    └── test_server.py

#6. สร้าง MCP Server ตัวแรก

สร้างไฟล์

server.py

แล้วเขียนโค้ด

from mcp.server import MCPServer


mcp = MCPServer("Python MCP Demo")


@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two integer numbers."""
    return a + b

สิ่งที่น่าสนใจคือ MCP SDK ใช้ข้อมูลจาก Python Function โดยตรง ได้แก่

  • Function name
  • Type hints
  • Docstring

ตัวอย่าง

def add(a: int, b: int) -> int:

SDK สามารถสร้าง Input Schema สำหรับ Tool ได้โดยอัตโนมัติจาก

a: int
b: int

ดังนั้นเราไม่จำเป็นต้องเขียน JSON Schema เองสำหรับกรณีทั่วไป

#7. ทดลองด้วย MCP Inspector

รัน

uv run mcp dev server.py

MCP CLI จะเปิด Development Server และแสดง URL สำหรับ MCP Inspector

ใน Inspector สามารถตรวจสอบ

Tools
Resources
Prompts

เลือก Tool

add

ใส่ค่า

a = 10
b = 20

ผลลัพธ์

30

#8. สร้าง Tool

Tool คือ Function ที่ Model สามารถเลือกเรียกใช้งานได้

เพิ่ม Tool สำหรับคำนวณราคาหลังหักส่วนลด

@mcp.tool()
def calculate_discount(
    price: float,
    discount_percent: float,
) -> dict[str, float]:
    """Calculate discounted price."""

    discount = price * discount_percent / 100
    final_price = price - discount

    return {
        "price": price,
        "discount": discount,
        "final_price": final_price,
    }

ตัวอย่าง Input

{
  "price": 1000,
  "discount_percent": 10
}

ผลลัพธ์

{
  "price": 1000,
  "discount": 100,
  "final_price": 900
}

#9. เพิ่ม Validation

Tool ที่รับข้อมูลจาก Model ควรตรวจสอบ Input เสมอ

ตัวอย่าง

@mcp.tool()
def calculate_discount(
    price: float,
    discount_percent: float,
) -> dict[str, float]:
    """Calculate discounted price."""

    if price < 0:
        raise ValueError("price must be greater than or equal to 0")

    if discount_percent < 0 or discount_percent > 100:
        raise ValueError(
            "discount_percent must be between 0 and 100"
        )

    discount = price * discount_percent / 100
    final_price = price - discount

    return {
        "price": price,
        "discount": discount,
        "final_price": final_price,
    }

อย่าเชื่อ Input จาก LLM โดยอัตโนมัติ โดยเฉพาะ Tool ที่ทำงานกับ

  • Database
  • File System
  • Cloud Resource
  • Payment
  • Email
  • User Account
  • Production Infrastructure

#10. สร้าง Resource

Resource ใช้เปิดข้อมูลให้ Application โหลดไปเป็น Context

เพิ่มใน server.py

@mcp.resource("docs://guide")
def guide() -> str:
    """Return a short application guide."""

    return """
Python MCP Demo

Available capabilities:
- add numbers
- calculate discount
- read user greeting
"""

Client สามารถอ่าน Resource ผ่าน URI

docs://guide

#11. Resource Template

Resource สามารถมี Parameter ใน URI ได้

@mcp.resource("users://{name}/greeting")
def user_greeting(name: str) -> str:
    """Return greeting text for a user."""

    return f"Hello {name}, welcome to Python MCP Demo."

ตัวอย่าง URI

users://Alice/greeting

ผลลัพธ์

Hello Alice, welcome to Python MCP Demo.

#12. สร้าง Prompt

Prompt คือ Template ที่ผู้ใช้สามารถเรียกใช้ได้

@mcp.prompt()
def code_review(code: str) -> str:
    """Create a prompt for reviewing Python code."""

    return f"""
Review the following Python code.

Please check:
1. correctness
2. readability
3. security
4. performance
5. maintainability

Code:

{code}
"""

Client หรือ Host จะได้รับข้อความ Prompt ที่สร้างจาก Function นี้แล้วนำไปใช้กับ Model

#13. ตัวอย่าง MCP Server แบบครบ

ไฟล์ server.py

from mcp.server import MCPServer


mcp = MCPServer("Python MCP Demo")


@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two integer numbers."""
    return a + b


@mcp.tool()
def calculate_discount(
    price: float,
    discount_percent: float,
) -> dict[str, float]:
    """Calculate discounted price."""

    if price < 0:
        raise ValueError(
            "price must be greater than or equal to 0"
        )

    if discount_percent < 0 or discount_percent > 100:
        raise ValueError(
            "discount_percent must be between 0 and 100"
        )

    discount = price * discount_percent / 100
    final_price = price - discount

    return {
        "price": price,
        "discount": discount,
        "final_price": final_price,
    }


@mcp.resource("docs://guide")
def guide() -> str:
    """Return application guide."""

    return """
Python MCP Demo

Tools:
- add
- calculate_discount

Resources:
- docs://guide
- users://{name}/greeting

Prompts:
- code_review
"""


@mcp.resource("users://{name}/greeting")
def user_greeting(name: str) -> str:
    """Return greeting text for a user."""
    return f"Hello {name}, welcome to Python MCP Demo."


@mcp.prompt()
def code_review(code: str) -> str:
    """Create a Python code review prompt."""

    return f"""
Review the following Python code.

Check:
- correctness
- readability
- security
- performance
- maintainability

Code:

{code}
"""


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

เมื่อเรียก

mcp.run()

โดยไม่ระบุ Transport ค่าเริ่มต้นคือ

stdio

เหมาะกับ MCP Server แบบ Local ที่ Host เป็นผู้เปิด Process ให้

#14. รัน MCP Server แบบ stdio

สามารถรัน Python File โดยตรง

uv run python server.py

หรือ

uv run mcp run server.py

สำหรับ Local MCP Server การใช้ stdio เป็นวิธีที่เหมาะสม เพราะ Host สามารถเปิด MCP Server เป็น Subprocess แล้วสื่อสารผ่าน Standard Input/Output

#15. Streamable HTTP

ถ้าต้องการ Deploy MCP Server ให้ Client เชื่อมผ่าน Network ควรใช้ Streamable HTTP

MCP รุ่นใหม่ใช้ Streamable HTTP เป็น Transport หลักสำหรับ HTTP Deployment ส่วน SSE เป็น Transport รุ่นเก่าสำหรับ Compatibility

สามารถรันจาก CLI ได้

uv run mcp run server.py --transport streamable-http

โดยค่าเริ่มต้น Endpoint จะมีลักษณะ

http://localhost:8000/mcp

หรือกำหนด Transport ใน Python

if __name__ == "__main__":
    mcp.run(
        transport="streamable-http",
        host="0.0.0.0",
        port=8000,
        stateless_http=True,
        json_response=True,
    )

สำหรับการ Deploy จริงควรพิจารณา

HTTPS
Authentication
Authorization
Rate Limit
Audit Log
Secret Management
Network Policy

#16. สร้าง MCP Client ด้วย Python

MCP Python SDK สามารถสร้าง Client ได้เช่นกัน

สร้าง

client.py

ตัวอย่าง

import anyio

from mcp import Client


async def main() -> None:
    async with Client(
        "http://localhost:8000/mcp"
    ) as client:

        result = await client.call_tool(
            "add",
            {
                "a": 10,
                "b": 20,
            },
        )

        print(result.structured_content)


if __name__ == "__main__":
    anyio.run(main)

เปิด Terminal แรก

uv run mcp run server.py --transport streamable-http

เปิด Terminal ที่สอง

uv run python client.py

ตัวอย่างผลลัพธ์

{'result': 30}

#17. Testing MCP Server

จุดเด่นของ MCP Python SDK คือสามารถ Test Server โดยไม่ต้องเปิด Port หรือ Subprocess

สร้างไฟล์

tests/test_server.py

ตัวอย่าง

import pytest

from mcp import Client

from server import mcp


@pytest.mark.anyio
async def test_add() -> None:

    async with Client(mcp) as client:

        result = await client.call_tool(
            "add",
            {
                "a": 1,
                "b": 2,
            },
        )

        assert result.structured_content == {
            "result": 3
        }

เพิ่ม pytest

uv add --dev pytest

รัน

uv run pytest

แนวทางนี้เหมาะกับ CI/CD เพราะ Test MCP Server ได้โดยไม่ต้องเปิด HTTP Server

#18. MCP Server เชื่อมกับ REST API

Tool สามารถทำหน้าที่เป็น Adapter ระหว่าง Model กับ Existing API ได้

ตัวอย่างแนวคิด

LLM
 |
 v
MCP Tool
 |
 v
REST API
 |
 v
Database

ตัวอย่างด้วย httpx

ติดตั้ง

uv add httpx

ตัวอย่าง

import httpx

from mcp.server import MCPServer


mcp = MCPServer("Product MCP")


@mcp.tool()
async def get_product(product_id: int) -> dict:
    """Get a product from the Product API."""

    async with httpx.AsyncClient() as client:
        response = await client.get(
            f"https://api.example.com/products/{product_id}",
            timeout=10.0,
        )

        response.raise_for_status()

        return response.json()

#19. MCP Server เชื่อม Database

MCP Tool ไม่จำเป็นต้องเปิด Database ให้ LLM เข้าถึงโดยตรง

ควรสร้าง Function ที่จำกัดขอบเขตการทำงาน เช่น

@mcp.tool()
def find_customer_by_id(customer_id: int) -> dict:
    ...

แทน Tool แบบ

@mcp.tool()
def execute_sql(sql: str):
    ...

เพราะการเปิดให้ Model ส่ง SQL Arbitrary Query มีความเสี่ยง เช่น

SQL Injection
DELETE
DROP TABLE
Data Leakage
Privilege Escalation

หลักการที่แนะนำคือ

LLM
 |
 v
MCP Tool
 |
 v
Validated Business Function
 |
 v
Repository / Service
 |
 v
Database

#20. Tool Design ที่ดี

Tool ที่ดีควรมีชื่อชัดเจน

ดี

get_customer
create_order
cancel_order
search_products

ควรหลีกเลี่ยง

do_task
run
execute
process

Docstring ควรบอกว่า Tool ทำอะไร

@mcp.tool()
def get_customer(customer_id: int) -> dict:
    """Get a customer by numeric customer ID."""

และควรใช้ Type Hint ที่ชัดเจน

customer_id: int

ดีกว่า

customer_id

เพราะ Type Hint จะถูกใช้สร้าง Schema ให้ MCP Client และ Model เข้าใจ Input

#21. Tool ที่มี Side Effect

ถ้า Tool ทำงานที่เปลี่ยน State เช่น

send_email
delete_file
create_server
restart_service
cancel_order
transfer_money

ควรเพิ่ม Guardrail

เช่น

@mcp.tool()
def delete_document(document_id: int) -> dict:
    """Delete a document by ID."""

    if document_id <= 0:
        raise ValueError("invalid document_id")

    # authorization
    # ownership validation
    # audit log
    # perform deletion

    return {
        "deleted": True,
        "document_id": document_id,
    }

ควรตรวจสอบทั้ง

Authentication
Authorization
Validation
Ownership
Audit Logging
Idempotency
Rate Limit

#22. ห้ามใส่ Secret ไว้ใน Source Code

ไม่ควรเขียน

API_KEY = "123456789"

ควรใช้ Environment Variable

import os


API_KEY = os.environ["API_KEY"]

ตัวอย่าง

export API_KEY="..."

Production อาจใช้ Secret Manager เช่น

AWS Secrets Manager
Google Secret Manager
Azure Key Vault
HashiCorp Vault
Kubernetes Secret

#23. MCP กับ Function Calling ต่างกันอย่างไร

Function Calling มักผูกกับ SDK หรือ API ของ Model Provider

Application
   |
   +--> OpenAI Tools
   +--> Gemini Function Calling
   +--> Provider-specific API

MCP เพิ่ม Protocol กลางระหว่าง LLM Application กับ External Capability

                    +--> MCP Server A
MCP Host -> Client -+--> MCP Server B
                    +--> MCP Server C

ข้อดีคือ Tool และ Data Source สามารถถูกนำไปใช้ซ้ำกับ Host ที่รองรับ MCP ได้ง่ายขึ้น

#24. MCP ไม่ใช่ AI Agent

MCP ทำหน้าที่เป็น Protocol สำหรับเปิด

Tools
Resources
Prompts

แต่ Agent จะมี Logic เพิ่ม เช่น

Planning
Reasoning
Tool Selection
Memory
Iteration
Workflow

ภาพรวมจึงอาจเป็น

User
 |
 v
AI Agent
 |
 v
MCP Client
 |
 v
MCP Server
 |
 +--> API
 +--> Database
 +--> Files
 +--> Cloud

MCP ทำให้ Agent มีช่องทางมาตรฐานในการเข้าถึงระบบภายนอก

#25. Architecture สำหรับ Production

ตัวอย่าง

                +-------------------+
                |     LLM / Agent   |
                +---------+---------+
                          |
                    MCP Client
                          |
                          v
                +-------------------+
                |    MCP Server     |
                +---------+---------+
                          |
          +---------------+----------------+
          |               |                |
          v               v                v
      REST API         Database        Internal API
          |               |                |
          +---------------+----------------+
                          |
                       Services

Production MCP Server ควรแยก Business Logic ออกจาก MCP Adapter

ตัวอย่าง

app/
├── server.py
├── tools/
│   ├── customer.py
│   ├── product.py
│   └── order.py
├── services/
│   ├── customer_service.py
│   └── order_service.py
├── repositories/
│   └── order_repository.py
└── tests/

ข้อดีคือ

MCP Layer
    ↓
Service Layer
    ↓
Repository / API Layer

ทำให้ Test และ Maintenance ง่ายขึ้น

#26. Workflow ที่แนะนำ

ขั้นตอนพัฒนาสามารถทำตามลำดับนี้

1. Define Use Case
        |
        v
2. Design Tools / Resources / Prompts
        |
        v
3. Implement MCP Server
        |
        v
4. Test with MCP Inspector
        |
        v
5. Add Automated Tests
        |
        v
6. Connect MCP Host
        |
        v
7. Add Security Controls
        |
        v
8. Deploy with Streamable HTTP
        |
        v
9. Observability + Audit

#27. ตัวอย่าง Use Case

MCP สามารถใช้กับงานหลายรูปแบบ

#Software Engineering

Git Repository
CI/CD
Issue Tracker
Code Review
SonarQube
Testing

#Data Engineering

Database
Data Warehouse
ETL Pipeline
Data Catalog
Object Storage

#DevOps

Docker
Kubernetes
Terraform
Cloud API
Prometheus
Grafana

#Enterprise Application

ERP
CRM
Document Management
HR
Inventory
Customer Service

#AI Agent

RAG
Search
Database Agent
Coding Agent
DevOps Agent
Research Agent

#28. สรุป

การสร้าง MCP Server ด้วย Python SDK สามารถเริ่มต้นได้ด้วยโค้ดเพียงไม่กี่บรรทัด

from mcp.server import MCPServer


mcp = MCPServer("Demo")


@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers."""
    return a + b

จากนั้นทดสอบด้วย

uv run mcp dev server.py

MCP Server สามารถเปิดความสามารถ 3 กลุ่มหลัก

Tools
Resources
Prompts

และรองรับการสื่อสารหลัก เช่น

stdio
Streamable HTTP

สำหรับ Local Integration ใช้ stdio ได้สะดวก ส่วนการ Deploy ผ่าน Network ควรใช้ Streamable HTTP

หัวใจของการนำ MCP ไปใช้งานจริงไม่ใช่แค่การทำให้ Tool เรียกได้ แต่ต้องออกแบบ Tool ให้มีขอบเขตชัดเจน ตรวจสอบ Input จำกัดสิทธิ์ และจัดการ Secret/Authentication/Audit ให้เหมาะสม โดยเฉพาะ Tool ที่มี Side Effect

#29. Quick Start

uv init python-mcp-demo

cd python-mcp-demo

uv add "mcp[cli]"

สร้าง

server.py

from mcp.server import MCPServer


mcp = MCPServer("Demo")


@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers."""
    return a + b


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

รัน

uv run mcp dev server.py

ถ้าต้องการเปิดผ่าน HTTP

uv run mcp run server.py --transport streamable-http

Endpoint โดยทั่วไป

http://localhost:8000/mcp

เพียงเท่านี้ก็ได้ MCP Server ด้วย Python สำหรับเริ่มเชื่อมต่อกับ MCP Host หรือ AI Agent แล้ว

#References