สร้าง Agentic AI ด้วย FastMCP & A2A

รายละเอียดหลักสูตร

Section 1: ปูพื้นฐาน Agentic AI + รู้จักโปรโตคอล MCP/A2A

• ทำความรู้จัก Agentic AI และตัวอย่างงานจริง
• สถาปัตยกรรมของ Agentic AI (Perception → Reasoning → Action)
• ทำไม “Protocol” จึงสำคัญในยุคของ Multi-Agent
• ภาพรวม MCP (Model Context Protocol)
• ภาพรวม A2A (Agent-to-Agent Protocol)
• เปรียบเทียบ MCP vs A2A — ใช้ต่างบริบทกันอย่างไร
• เตรียมเครื่องมือ Python, UV, VS Code, Google Gemini API Key, OpenAI API Key

Section 2: สร้าง MCP ของตัวเองแบบง่าย ๆ ด้วย FastMCP

• โครงสร้าง MCP Server + MCP Client
• STDIO vs SSE vs Streamable HTTP
• ติดตั้ง FastMCP และสร้าง MCP Server อย่างง่าย
• เริ่มต้นสร้าง MCP Server ตัวแรกด้วย FastMCP โดยใช้การสื่อสารแบบ STDIO (Standard Input/Output)
• สร้าง MCP Tool แบบง่าย ๆ (เช่น เครื่องคิดเลข, เว็บสกรีปเปอร์, อ่านไฟล์)
• ทดสอบการเชื่อม Claude Desktop เข้ากับ MCP ของเรา

Section 3: สร้าง MCP Client + MCP แบบ SSE และ HTTP

• สร้าง MCP Client ใน Python เชื่อม Gemini API หรือ OpenAI API
• ออกแบบ config.json รองรับหลาย MCP Servers
• ทำ MCP Server แบบ SSE (รองรับ streaming)
• ทำ MCP Server แบบ Streamable HTTP (รองรับ streaming)
• สร้าง Client ที่มีการเชื่อมต่อกับ AI Model เช่น ChatGPT หรือ Claude

Section 4: สื่อสาร Agent หลายตัวด้วย A2A Protocol

• ทำไม Agent ต้องคุยกัน ?
• รู้จัก A2A Protocol แบบเจาะลึก
• องค์ประกอบของ A2A Message: Header, Body, Metadata
• Agent Discovery, Initiation, Task, Streaming
• ติดตั้ง A2A Python SDK
• สร้าง A2A Agent ตัวแรกที่คุยกับ Agent ตัวอื่นได้
• สร้าง A2A Agent ที่เชื่อมต่อกับ MCP Server
• ทดสอบการสื่อสารระหว่าง Agent หลายตัว

Section 5: รวมพลัง MCP + A2A สร้างระบบ Multi-Agent

• สถาปัตยกรรมของระบบ Multi-Agent
• ออกแบบ Workflow ของ Multi-Agent System
• บทบาทของ "Orchestrator Agent" หรือ Agent ผู้จัดการ
• สร้าง Multi-Agent System ที่ Agent หลายตัวทำงานร่วมกัน
• เชื่อมต่อ MCP Tools กับ A2A Agents
• Workshop Trip Planner ที่แบ่งหน้าที่ให้ AI หลายตัวทำงานร่วมกัน

Section 6: การ Deplopy MCP Server ด้วย FastMCP Cloud

• เตรียม Deploy MCP Server ขึ้น Cloud
• สร้างบัญชี FastMCP Cloud
• ตั้งค่า MCP Server ให้พร้อมสำหรับการ Deploy
• Deploy MCP Server ขึ้น FastMCP Cloud
• ทดสอบการเชื่อมต่อ MCP Client กับ MCP Server บน Cloud

สรุปภาพรวม Workshop Agentic AI with MCP and A2A

• Basic: สร้าง Server/Client ง่ายๆ
• Files: จัดการ CSV, PDF, OCR
• Apps: เชื่อม Google Sheets
• Database: เชื่อม MySQL, PostgreSQL + Visualization
• Tools: ใช้ผ่าน VSCode Copilot, n8n
• Deploy: ขึ้น Cloud จริง

ตัวอย่าง Workshop ในหลักสูตรนี้

พื้นฐาน MCP แบบ STDIO
เริ่มต้นสร้าง MCP Server ตัวแรกด้วย FastMCP โดยใช้การสื่อสารแบบ STDIO (Standard Input/Output) ซึ่งเป็นการเชื่อมต่อแบบ Local process ที่ง่ายที่สุด เหมาะสำหรับการเริ่ม Dev และ Test ระบบบนเครื่องตัวเอง โดย Server จะรอรับคำสั่งและส่งผลลัพธ์ผ่าน Terminal โดยตรง

การสื่อสารผ่าน HTTP/SSE
ขยับมาสู่การใช้งานจริงด้วย SSE (Server-Sent Events) ซึ่งจำลอง Server ให้ทำงานบน HTTP Port (เช่น 8000) ทำให้ MCP Server ของเราสามารถรองรับการเชื่อมต่อจาก Client ภายนอก หรือทำงานแยก Process กันได้อย่างอิสระเหมือน Web Service ทั่วไป

การสร้าง Client เพื่อเรียกใช้งาน
ฝั่ง Client (ผู้เรียกใช้) เขียน Python เพื่อเชื่อมต่อเข้าหา Server (ผ่าน URL SSE) โดย Client จะสามารถมองเห็น 'Tools' หรือเครื่องมือต่างๆ ที่ Server เตรียมไว้ (เช่น calculator_plus, say_hello) และเรียกใช้งานได้ทันทีเสมือนเป็นฟังก์ชันในเครื่องตัวเอง

เชื่อมต่อสมอง AI (OpenAI) เข้ากับ MCP
หัวใจของ Agentic AI คือการนำ LLM (เช่น GPT-4o) เข้ามาเป็น 'สมอง' ตัดสินใจ โดยตัว AI จะเป็นผู้เลือกเองว่าจะหยิบ Tool ตัวไหนใน MCP Server มาใช้แก้ปัญหาตามที่ User สั่ง (Tool Calling) ทำให้ระบบมีความฉลาดและยืดหยุ่นกว่าการเขียน Code แบบ Hard-code

MCP จัดการไฟล์ CSV
เปลี่ยนไฟล์ข้อมูลธรรมดาอย่าง CSV ให้กลายเป็น Knowledge Base ที่ AI เข้าถึงได้ โดยสร้าง Tools สำหรับอ่าน (Read), กรอง (Filter), หรือสรุปข้อมูล (Summarize) ทำให้ AI สามารถตอบคำถามเชิงวิเคราะห์จากข้อมูลดิบในไฟล์ Excel/CSV ได้ทันที

MCP อ่านเอกสาร PDF ด้วย Typhoon OCR
การจัดการข้อมูล Unstructured Data อย่างไฟล์เอกสารราชการ (PDF) โดยใช้โมเดลภาษาไทย Typhoon OCR 1.5 มาช่วยแปลงภาพเอกสารให้เป็นข้อความ (Text Extraction) ผ่าน MCP Server ทำให้ AI สามารถ 'อ่าน' และทำความเข้าใจเนื้อหาในเอกสารสแกนได้

การเตรียม Google Sheets API
ขั้นตอนการตั้งค่า Authentication เพื่อเชื่อมต่อกับ Google Cloud Platform (GCP) การเตรียม Service Account และสิทธิ์การเข้าถึง เป็นขั้นตอนสำคัญเพื่อให้ MCP Server สามารถเจาะเข้าไปจัดการข้อมูลใน Google Sheets ได้อย่างปลอดภัย

จัดการข้อมูล Google Sheets
การใช้งานจริงกับ Google Sheets โดย MCP จะมี Tools ให้ AI เลือกใช้ เช่น read_sheet (อ่านข้อมูล), append_row (บันทึกข้อมูลใหม่) หรือ list_worksheets ทำให้เราสามารถสั่ง AI ให้ดึงข้อมูลลูกค้าหรือลงบันทึกรายงานผ่านแชทได้เลย

ระบบวางแผนเที่ยวแบบ Multi-Agent
ขั้นสูงของการพัฒนา AI คือระบบ A2A (Agent-to-Agent) ตัวอย่างระบบ Trip Planner ที่แบ่งหน้าที่ให้ AI หลายตัวทำงานร่วมกัน เช่น 'Agent หาข้อมูล' ส่งต่อให้ 'Agent วางแผน' และ 'Agent คำนวณงบ' ทำงานประสานกันเพื่อผลลัพธ์ที่ซับซ้อนและแม่นยำที่สุด

เชื่อมต่อฐานข้อมูล MySQL กับ Claude Desktop
การนำ MCP Server ที่เชื่อมต่อฐานข้อมูล MySQL ไปติดตั้งลงใน Claude Desktop App โดยตรง ทำให้เราสามารถแชทถาม Claude เกี่ยวกับข้อมูลใน Database องค์กรได้ทันที โดยไม่ต้องเขียนหน้าเว็บหรือ SQL Query เอง (Text-to-SQL)

วิเคราะห์ข้อมูล MySQL และสร้างกราฟด้วย Claude
โชว์ศักยภาพขั้นสูงเมื่อเชื่อม MySQL เข้ากับ Claude Desktop นอกจากจะดึงข้อมูลตารางหลักสูตรหรือยอดขายออกมาเป็นตารางได้แล้ว Claude ยังสามารถสร้าง Interactive Artifacts (เช่น Pie Chart) เพื่อสรุปยอดขายแยกตามภูมิภาคให้ดูได้ทันที ช่วยลดเวลาการทำ Dashboard รายงานผู้บริหาร

เจาะลึกข้อมูล PostgreSQL และสรุปยอดขาย
ขยายขอบเขตสู่ฐานข้อมูลระดับ Enterprise อย่าง PostgreSQL ตัวอย่างนี้แสดงให้เห็นว่า AI สามารถเขียน SQL Query ซับซ้อนเพื่อดึงข้อมูล 'ยอดขายตามหมวดหมู่สินค้า' และสรุปสถิติสำคัญ (เช่น ยอดรวม, ค่าเฉลี่ย) ออกมาเป็นรายงานที่สวยงามและเข้าใจง่ายได้ในคำสั่งเดียว

เรียกใช้ MCP ผ่าน GitHub Copilot ใน VSCode
เปลี่ยน VSCode ให้เป็นมากกว่า Editor โดยการเชื่อม MCP Server เข้ากับ GitHub Copilot Chat ทำให้ Developer สามารถทดสอบ Tool ที่เขียนขึ้น (เช่น ฟังก์ชันคำนวณ หรือดึงข้อมูล) ได้โดยตรงในหน้าต่างแชทของ Editor ไม่ต้องสลับหน้าต่างไปมา สะดวกต่อการ Debug และพัฒนา

สร้าง AI Agent Workflow ด้วย n8n
การนำ MCP ไปใช้งานร่วมกับ n8n (Low-code Automation Tool) ช่วยให้เราสร้าง AI Agent Workflow ที่ซับซ้อนได้โดยไม่ต้องเขียนโค้ดเยอะ ตัวอย่างในภาพคือการสร้าง Flow ให้ AI รับข้อความ แล้วเรียกใช้ MCP Client Node เพื่อไปดึงข้อมูลหรือคำนวณ ก่อนส่งคำตอบกลับหา User

Deploy ขึ้น Cloud ด้วย FastMCP Cloud
จาก Localhost สู่ Production ง่ายๆ ด้วย FastMCP Cloud ภาพนี้แสดงหน้า Dashboard การ Deploy ที่เราสามารถนำ Code ที่เขียนในเครื่อง ขึ้นไปรันบน Cloud Server จริง เพื่อให้ Client จากที่ไหนก็ได้ (เช่น n8n บน Cloud หรือ Chatbot ปลายทาง) สามารถเรียกใช้งาน MCP Server ของเราได้ตลอด 24 ชม.

Monitoring และ Logs บน Cloud
การบริหารจัดการหลังบ้านบน Cloud หน้าจอนี้แสดงการทดสอบ Chat กับ Server ที่ออนไลน์แล้ว พร้อมกับส่วน Logs ที่แสดงสถานะการเรียกใช้งาน Tool แบบ Real-time (HTTP Status 200 OK) ทำให้มั่นใจได้ว่าระบบทำงานถูกต้องและสามารถตรวจสอบย้อนหลังได้เมื่อเกิดปัญหา