MCP ต่างจาก API อย่างไร และควรใช้ตอนไหน

MCP ไม่ได้มาแทน API แต่เป็นชั้นที่ทำให้ AI ใช้ API ได้ เข้าใจความต่าง กลไก และวิธีเลือกใช้ให้ถูกงาน

ในประชุมทีมไอที มีคนถามขึ้นมาว่า "ระบบเรามี API ครบอยู่แล้ว ทำไมต้องทำ MCP อีก" คำถามนี้ดีมาก เพราะถ้าตอบไม่ชัด ทีมอาจลงแรงซ้ำซ้อน หรือกลับกันคือมองข้ามสิ่งที่ทำให้ AI ใช้ระบบของคุณได้จริง

API กับ MCP คืออะไร

API (Application Programming Interface) คือข้อตกลงที่ให้โปรแกรมหนึ่งเรียกใช้อีกโปรแกรมหนึ่ง ออกแบบมาให้ นักพัฒนา อ่านเอกสาร แล้วเขียนโค้ดเรียกตามรูปแบบที่กำหนด

MCP (Model Context Protocol) คือมาตรฐานเปิดสำหรับเชื่อม แอป AI เข้ากับระบบภายนอก ผู้ที่เลือกว่าจะเรียกอะไรคือโมเดล AI ระหว่างที่คุยกับผู้ใช้ ไม่ใช่โค้ดที่เขียนตายตัวไว้ล่วงหน้า

ความต่างที่สำคัญ 4 ข้อ

1. ใครเป็นคนใช้

API ถูกเรียกโดยโค้ดที่นักพัฒนาเขียนไว้ ส่วน MCP ถูกเรียกโดยโมเดลที่ตัดสินใจเองว่าจะใช้เครื่องมือไหน ตามบริบทของคำสั่ง

2. การค้นหาความสามารถ (discovery)

API ส่วนใหญ่ต้องมีคนอ่านเอกสารก่อนใช้ แต่ เอกสาร Architecture ของ MCP อธิบายว่า Client ขอรายการเครื่องมือจาก Server ได้ตอนทำงานจริง แต่ละเครื่องมือมีชื่อ คำอธิบายว่าใช้เมื่อไหร่ และ JSON Schema ของ input ทำให้โมเดลอ่านแล้วรู้ว่าต้องส่งค่าอะไร

3. รูปแบบที่เป็นมาตรฐานเดียว

API แต่ละเจ้ามีรูปแบบ URL การยืนยันตัวตน และโครงสร้างข้อมูลไม่เหมือนกัน MCP กำหนดให้ทุก Server คุยด้วยข้อความ JSON-RPC 2.0 แบบเดียวกัน แอป AI จึงต่อ Server ใหม่ได้โดยไม่ต้องเขียนตัวเชื่อมใหม่

4. การรายงานข้อผิดพลาดให้ AI แก้เองได้

สเปกของ MCP แยก error ออกเป็น 2 แบบ คือ error ระดับโปรโตคอล และ error จากการทำงานของเครื่องมือ แบบหลังส่งกลับเป็นข้อความที่อธิบายปัญหา เช่น "วันที่ต้องเป็นวันในอนาคต" เพื่อให้โมเดลปรับค่าแล้วลองใหม่ได้เอง

MCP ไม่ได้มาแทน API

จุดที่คนเข้าใจผิดบ่อยที่สุดคือคิดว่าต้องเลือกอย่างใดอย่างหนึ่ง ความจริงคือ MCP Server จำนวนมากเป็น "ตัวห่อ" API เดิม ตัวอย่างในคู่มือสร้าง Server ของ modelcontextprotocol.io เองก็เป็น Server พยากรณ์อากาศที่เรียก API ของ National Weather Service อยู่ข้างใน API ยังเป็นท่อส่งข้อมูล ส่วน MCP คือหน้าตาที่ทำให้ AI เข้าใจและใช้ท่อนั้นได้

ตัวอย่าง: ระบบวันลาของบริษัทไทย

บริษัทแห่งหนึ่งมีระบบ HR ที่มี API ดึงยอดวันลาคงเหลือ

• ใช้ API ตรง: ระบบเงินเดือนดึงข้อมูลวันลาทุกคืนเพื่อคำนวณ งานนี้ต้องแม่นยำ ทำซ้ำได้ และไม่ต้องมี AI มาตัดสินใจ
• ใช้ MCP: พนักงานถามผู้ช่วย AI ว่า "เดือนหน้าลาพักร้อน 3 วันได้ไหม" AI เรียกเครื่องมือเช็กวันลาคงเหลือผ่าน MCP Server ที่ห่อ API เดียวกัน แล้วตอบเป็นภาษาคน

ควรใช้อะไรตอนไหน

• เลือก API เมื่อเป็นงานระบบคุยกับระบบ ขั้นตอนตายตัว ปริมาณสูง หรือเกี่ยวกับเงินที่ต้องการผลลัพธ์เหมือนเดิมทุกครั้ง
• เลือก MCP เมื่ออยากให้ผู้ใช้สั่งงานด้วยภาษาธรรมชาติ และให้ AI เลือกลำดับการทำงานเองตามสถานการณ์
• ใช้ทั้งคู่ ซึ่งเป็นกรณีที่พบบ่อยที่สุด คือ API อยู่ข้างล่าง MCP อยู่ข้างบน

ข้อควรระวัง

• อย่าแปลง API ทุก endpoint เป็น tool แบบหนึ่งต่อหนึ่ง เครื่องมือที่เยอะและชื่อคล้ายกันทำให้โมเดลเลือกผิดง่าย ออกแบบเครื่องมือตามงานที่ผู้ใช้ทำจริง
• ห้ามส่ง token ผ่านต่อ เอกสาร Security Best Practices ของ MCP ระบุว่า Server ต้องไม่รับ token ที่ไม่ได้ออกให้ตัวเอง แล้วส่งต่อไปยัง API ปลายทาง (token passthrough)
• AI ไม่ได้ทำงานแบบเดิมทุกครั้ง งานที่ผิดไม่ได้เลยควรมีการยืนยันจากคน หรือให้ระบบทำผ่าน API ตรง
• ทุกการเรียกผ่านโมเดลมีต้นทุน ทั้งค่า token และเวลา งานจำนวนมากที่ไม่ต้องคิดควรวิ่งผ่าน API

API คือท่อส่งข้อมูล MCP คือคู่มือที่ทำให้ AI รู้ว่าท่อไหนต้องเปิดตอนไหน

เริ่มต้นยังไง

1. ลิสต์ API ที่ทีมมีอยู่ แล้ววงงานที่ผู้ใช้อยากถามหรือสั่งด้วยภาษาคน
2. เลือกงานแบบอ่านอย่างเดียวที่ความเสี่ยงต่ำเป็นจุดเริ่ม เช่น เช็กสถานะหรือค้นข้อมูล
3. ออกแบบ tool 2 ถึง 3 ตัว เขียนคำอธิบายให้ชัดว่าใช้เมื่อไหร่ และ input ต้องหน้าตาแบบไหน
4. ห่อ API เดิมด้วย MCP Server แล้วทดสอบกับแอป AI ที่รองรับ MCP
5. เก็บ log ว่า AI เลือกเครื่องมือถูกไหม แล้วปรับคำอธิบายจนแม่น

ถ้ายังใหม่กับ MCP เริ่มจาก MCP คืออะไร ก่อน แล้วต่อด้วยคอร์ส MCP คืออะไร ต่างจาก API อย่างไร บน Plants.work Learn