เครื่องมือ CLI สำหรับ LLM ของฉันสามารถรันเครื่องมือจากโค้ด Python หรือปลั๊กอินได้แล้ว

(simonwillison.net)

3 คะแนน โดย GN⁺ 2025-05-28 | 1 ความคิดเห็น | แชร์ทาง WhatsApp

ใน LLM 0.26 มีการเพิ่มความสามารถด้าน การเรียกใช้เครื่องมือ อย่างหลากหลาย ทำให้โมเดล LLM หลายค่าย เช่น OpenAI, Anthropic, Gemini และ Ollama สามารถใช้เครื่องมือที่พัฒนาเป็นฟังก์ชัน Python หรือปลั๊กอินได้
สามารถ ติดตั้งเครื่องมือโดยตรงหรือส่งเป็นฟังก์ชัน ผ่าน command line หรือ Python API ได้ จึงเพิ่มทั้งความสามารถในการขยายและความยืดหยุ่นอย่างมาก
ด้วยปลั๊กอินเครื่องมือ สามารถเพิ่มความสามารถต่าง ๆ ให้โมเดลได้ง่าย เช่น การคำนวณทางคณิตศาสตร์ การรัน JavaScript การสืบค้น SQL และการเชื่อมต่อบริการภายนอก
ผู้ให้บริการ LLM รายใหญ่ทั้งหมดและโมเดลแบบโลคัล ต่างเริ่มใช้รูปแบบการเรียกเครื่องมือกันอย่างแพร่หลาย และ LLM 0.26 ก็รวมสิ่งนี้เข้าด้วยกันในรูปแบบที่เป็นมาตรฐาน
สำหรับ แผนในอนาคตและทิศทางการพัฒนา มีการพูดถึงการรองรับมาตรฐาน MCP การขยายระบบนิเวศการพัฒนาปลั๊กอิน และการปรับปรุงบันทึกการรันเครื่องมือ

LLM 0.26: รองรับการเรียกใช้เครื่องมือกับโมเดลภาษาขนาดใหญ่จากเทอร์มินัล

ณ วันที่ 27 พฤษภาคม 2025 มีการเปิดตัว LLM 0.26 แล้ว เวอร์ชันนี้เป็นการเปลี่ยนแปลงครั้งใหญ่ที่สุดนับตั้งแต่เริ่มโครงการ LLM โดยมีการเพิ่มการรองรับเครื่องมือ (tool) เข้ามา ตอนนี้โมเดล LLM หลากหลายค่าย เช่น OpenAI, Anthropic, Gemini และ Ollama สามารถเชื่อมเข้ากับเครื่องมือ CLI และไลบรารี Python ของ LLM เพื่อเข้าถึงเครื่องมือใด ๆ ก็ได้ที่สามารถนิยามเป็นฟังก์ชัน Python

ฟีเจอร์และการเปลี่ยนแปลงสำคัญ

ติดตั้งและโหลดเครื่องมือจากปลั๊กอิน: สามารถลงทะเบียนและใช้งานเครื่องมือผ่านปลั๊กอินที่ติดตั้งไว้ได้ด้วยออปชัน --tool/-T
ส่งโค้ด Python ผ่าน command line: ใช้ออปชัน --functions เพื่อส่งโค้ดฟังก์ชัน Python โดยตรงและนำมาใช้เป็นเครื่องมือได้
รองรับเครื่องมือใน Python API ด้วย: ส่ง tools=[ชื่อฟังก์ชัน] ให้เมธอด .chain เพื่อเชื่อมต่อเครื่องมือได้ง่าย
รองรับทั้ง context แบบ synchronous และ asynchronous: สามารถเรียกใช้เครื่องมือได้ทั้งในสถานการณ์ sync และ async

ตัวอย่างการใช้งานเครื่องมือ

การเตรียมใช้งาน

ต้องติดตั้งหรืออัปเกรด LLM เป็นเวอร์ชันล่าสุด
ลงทะเบียน API key เช่นของ OpenAI:
```
llm keys set openai
# ป้อน API key
```
ตัวอย่างการรันเครื่องมือตัวแรก:
```
llm --tool llm_version "What version?" --td
```
- llm_version เป็นเครื่องมือเดโมแบบง่ายที่มีมาให้
- --td คือออปชันสำหรับ แสดงดีบักของเครื่องมือ เพื่อดูขั้นตอนการเรียกใช้และเนื้อหาการตอบกลับ
เปลี่ยนโมเดล:
```
llm models default gpt-4.1-mini
```
- รองรับโมเดลได้หลากหลายผ่านออปชัน (เช่น -m o4-mini)
เรียกใช้เครื่องมือเวลาที่มีมาในตัว:
```
llm --tool llm_time "What time is it?" --td -m o4-mini
```
- จะแสดงข้อมูลเวลาและเขตเวลาอย่างละเอียด

รองรับหลายโมเดลและปลั๊กอิน

ทำงานด้วยอินเทอร์เฟซเครื่องมือเดียวกันได้ใน สภาพแวดล้อมของโมเดล LLM หลายแบบ เช่น Anthropic Claude 4, Google Gemini 2.5 Flash และ Ollama Qwen3:4b

ตัวอย่างคำสั่ง:

llm install llm-anthropic -U
llm keys set anthropic
llm --tool llm_version "What version?" --td -m claude-4-sonnet

การคำนวณทางคณิตศาสตร์และการรันโค้ด

สามารถใช้เครื่องมือ Python มาชดเชย ข้อจำกัดของ LLM ที่ไม่เก่งคณิตศาสตร์ ได้
ปลั๊กอิน llm-tools-simpleeval รองรับการคำนวณเลขคณิตอย่างปลอดภัย
```
llm install llm-tools-simpleeval
llm -T simpleeval
llm -T simple_eval 'Calculate 1234 * 4346 / 32414 and square root it' --td
```
- หากไม่มีการรองรับ sqrt() ก็สามารถแทนด้วย ** 0.5 ได้ ซึ่งช่วยให้ การรันโค้ดยืดหยุ่น มากขึ้น

แนะนำปลั๊กอินเครื่องมือ

[llm-tools-simpleeval]: คำนวณเลขคณิตและนิพจน์ง่าย ๆ
[llm-tools-quickjs]: เครื่องมืออินเทอร์พรีเตอร์ JavaScript sandbox ของ QuickJS
[llm-tools-sqlite]: สืบค้น SQL แบบ อ่านอย่างเดียว กับฐานข้อมูล SQLite ในเครื่อง
[llm-tools-datasette]: รองรับการรัน SQL query กับอินสแตนซ์ Datasette ระยะไกล

ตัวอย่าง:

llm install llm-tools-datasette
llm -T 'Datasette("https://datasette.io/content";)' --td "What has the most stars?"

เป็นปลั๊กอินแบบ toolbox ที่ตั้งค่าได้ผ่านอาร์กิวเมนต์ เช่น URL
หากระบุคอลัมน์ผิด จะสามารถ ตรวจจับ error จากเครื่องมือและลองใหม่ → ดู schema → สร้าง query ที่ถูกต้องได้ แสดงให้เห็นถึงความสามารถในการปรับตัวของ LLM

นิยามเครื่องมือด้วยโค้ด Python โดยตรง

สามารถส่ง ฟังก์ชัน Python แบบกำหนดเอง ผ่านออปชัน --functions บน command line แล้วเปลี่ยนเป็นเครื่องมือได้ทันที
ตัวอย่าง:
```
llm --functions '
import httpx

def search_blog(q):
    "Search Simon Willison blog"
    return httpx.get("https://simonwillison.net/search/";, params={"q": q}).content
' --td 'Three features of sqlite-utils' -s 'use Simon search'
```
- สามารถสร้างเครื่องมือค้นหาเว็บแบบง่ายได้
- การกำหนดทิศทางให้โมเดลใช้เครื่องมือผ่าน system prompt เป็นสิ่งสำคัญ

การใช้งานร่วมกับไลบรารี Python

LLM รองรับทั้ง CLI และ Python API
เมธอด .chain() จะตรวจจับคำขอเรียกใช้เครื่องมือ → รันเครื่องมือ → นำผลลัพธ์กลับมาใช้ต่อได้โดยอัตโนมัติ

ตัวอย่าง:

import llm

def count_char_in_text(char: str, text: str) -> int:
    "How many times does char appear in text?"
    return text.count(char)

model = llm.get_model("gpt-4.1-mini")
chain_response = model.chain(
    "Rs in strawberry?",
    tools=[count_char_in_text],
    after_call=print
)
for chunk in chain_response:
    print(chunk, end="", flush=True)

รองรับ ฟังก์ชันแบบ async (async def) ด้วย จึงใช้งานแบบทำงานพร้อมกันได้
ปลั๊กอินแบบ toolbox ก็เชื่อมต่อได้ตรง ๆ ในรูปแบบ tools=[Datasette(...)]

พัฒนาการของแนวคิดเรื่องเครื่องมือ

รูปแบบการเรียกใช้เครื่องมือ ถูกนำเสนอไว้ตั้งแต่บทความวิจัย ReAcT ปี 2022 เป็นต้นมา และหลังจากนั้นผู้ให้บริการ LLM รายใหญ่ทั้งหมดรวมถึงโมเดลโลคัลก็นำไปใช้
แต่ละ API ใช้ชื่อแตกต่างกัน เช่น "Function calling" หรือ "การใช้เครื่องมือ" แต่สุดท้ายก็อยู่ในรูปแบบเดียวกัน
Ollama และ llama.cpp ก็ได้เพิ่ม การรองรับเครื่องมือ และขยายความสามารถนี้ไปแล้วเช่นกัน

เบื้องหลังการพัฒนาและการใช้งานจริง

ทีมพัฒนา LLM ตระหนักมานานแล้วว่าจำเป็นต้องมีการเชื่อมต่อกับเครื่องมือ แต่การออกแบบ abstraction layer ให้ครอบคลุมหลายโมเดลเป็นเรื่องยาก
เมื่อรูปแบบการใช้เครื่องมือระหว่างผู้ให้บริการเริ่มเป็นมาตรฐานมากขึ้น LLM 0.26 จึงสามารถรวมการทำงานนี้ไว้ได้
มีการสาธิตการใช้งานจริงในเวิร์กช็อป PyCon US 2025 ด้วย

ความสัมพันธ์กับ “เอเจนต์”

แม้คำว่า "เอเจนต์" ยังเป็นคำที่มีข้อถกเถียง แต่ในระบบนิเวศ LLM ปัจจุบัน รูปแบบ "tool in the loop" ได้กลายเป็นมาตรฐานไปแล้ว
LLM 0.26 เป็นการใช้งานที่เหมาะกับการพัฒนาเอเจนต์เช่นกัน
ต่อจากนี้จะมีการผลักดันเทมเพลตสำหรับ สร้างปลั๊กอิน ประเด็นการปรับปรุง และเอกสารสำหรับปลั๊กอินขั้นสูงอย่างต่อเนื่อง

เตรียมรองรับ Model Context Protocol (MCP)

MCP กำลังกลายเป็นโปรโตคอลมาตรฐานใหม่อย่างรวดเร็วสำหรับให้ LLM เข้าถึงเครื่องมือ
ภายในช่วง 8 วันที่ผ่านมา API ของผู้ให้บริการรายใหญ่อย่าง OpenAI, Anthropic และ Mistral ก็เริ่มนำไปใช้อย่างรวดเร็ว
แผนต่อไปคือทำให้ LLM เป็น MCP client เพื่อเชื่อมต่อกับ MCP server ที่หลากหลายได้อย่างง่ายดาย

ชุมชนและการขยายระบบนิเวศ

มีชุมชน Discord สำหรับพูดคุยเรื่องปลั๊กอิน เครื่องมือ และการขยายระบบนิเวศของโครงการ LLM
มีการเน้นย้ำว่าความเป็นไปได้ของการใช้ LLM แบบอิงเครื่องมือในระบบนิเวศโอเพนซอร์สนั้น แทบไร้ขีดจำกัด

ด้วยแนวทางเหล่านี้ LLM 0.26 กำลังกลายเป็น แพลตฟอร์มเชื่อมต่อเครื่องมือ ที่ใช้งานได้ทั่วไปและขยายต่อได้ ซึ่งทำงานร่วมกับโมเดล LLM รายใหญ่ทั้งหมดได้อย่างมีประสิทธิภาพ เครื่องมือเหล่านี้ช่วยขยายขอบเขตการใช้งานของโมเดลภาษาอย่างมาก จึงเป็นเครื่องมือที่มีความหมายอย่างยิ่งสำหรับนักพัฒนาและผู้ปฏิบัติงานสายไอที

1 ความคิดเห็น

GN⁺ 2025-05-28

ความเห็นจาก Hacker News

ผมมีตัวเรนเดอร์ Markdown แบบสตรีมมิงที่ทำขึ้นมาเองสำหรับเครื่องมือนี้
ดูรายละเอียดเพิ่มเติมได้ที่ Streamdown
และยังมีสิ่งที่น่าสนใจอีกอัน ที่นี่
ผมยังทำเครื่องมือ tmux ชื่อ llmehelp เองด้วย ซึ่งสร้างอยู่บน llm ของ Simon
ตอนนี้กลายเป็นเครื่องมือที่ขาดไม่ได้และใช้ทุกวันไปแล้ว
- ไลบรารีนี้ดูเจ๋งมากจริงๆ
  ผมคิดว่าน่าจะดีถ้ามี hook ที่เปิดให้ปลั๊กอินควบคุมส่วนการแสดงผลเนื้อหาได้โดยตรง
  ผมเปิด issue เรื่องนี้ไว้ ที่นี่
  ใส่ตัวเลือกด้านดีไซน์ไว้หลายแบบ แต่ก็ยังไม่มั่นใจเต็ม 100%
  อยากได้ฟีดแบ็กมาก
- มีอีกอย่างที่ผมลืมพูดถึง
  คราวนี้เป็นปลั๊กอิน ZSH ที่สร้างบน llm
  ใช้ zle เพื่อแปลภาษาอังกฤษเป็นคำสั่งเชลล์ได้ในครั้งเดียว
  พระเอกก็คือ Zummoner
  เป็นเครื่องมือที่เปลี่ยนชีวิตผมไปเลย
  ตัวอย่างเช่นคำสั่งที่ผมเพิ่งสร้างวันนี้
```
  $ git find out if abcdefg is a descendent of hijklmnop 
```
  เป็นคำสั่งที่ผมใช้จริงในคอมเมนต์อันหนึ่งนี้
```
  $ for i in $(seq 1 6); do 
   printf "%${i}sh${i}\n\n-----\n" | tr " " "#"; 
  done | pv -bqL 30 
```
  เดิมทีคือ
```
  $ for i in $(seq 1 6); do 
   printf "(# $i times)\n\n-----\n"
  done | pv (30 bps and quietly)
```
  ผมส่งบัฟเฟอร์ไปที่ openrouter ด้วยคีย์ลัด ctrl-x x ที่ไว้ใจได้ แล้วไม่ถึง 1 วินาทีก็ได้ไวยากรณ์ที่ถูกต้องกลับมา
- เจ๋งมาก
  ผมเองก็เคยทำตัวเรนเดอร์ Markdown แบบสตรีมมิงในหลายภาษาเพื่อแสดงผลลัพธ์จาก LLM แบบเร็วๆ เหมือนกัน
  ดีใจที่รู้ว่าไม่ได้มีแค่ผมคนเดียว
- น่าสนใจ เดี๋ยวจะลองดูแน่นอน
  ตอนนี้ผมใช้ llm คู่กับ bat เพื่อทำ syntax highlighting อยู่
- นี่แหละฟีเจอร์ที่ผมอยากได้มาก
  ขอบคุณ
เครื่องมือแบบนี้เพิ่มความเสี่ยงที่จะเป็น footgun ได้สูงมาก
ในเอกสารก็มีคำเตือนเรื่อง prompt injection อยู่ แต่ในทางปฏิบัติผมคิดว่าความเสียหายจากการพลาดเองน่าจะเกิดบ่อยกว่า
เช่น ถ้าให้เครื่องมือเข้าถึงบัญชีนายหน้า ก็สามารถทำระบบเทรดอัตโนมัติได้
ต่อให้ไม่มี prompt injection ถ้าบอตดันเทรดโง่ๆ ก็ไม่มีทางหยุดได้
เอกสารอ้างอิง
- ความเสี่ยงที่จะเกิดเรื่องแบบนี้สูงมากจริงๆ
  พอเอาเครื่องมือไปต่อกับ LLM แล้ว มันสามารถลงมือทำอะไรแทนผมผ่านการเรียกที่มีสิทธิ์ยืนยันตัวตนได้ ทำให้เกิดสถานการณ์ไม่คาดคิดได้เยอะมาก
  เราเห็นปรากฏการณ์นี้ได้จากกรณี GitHub MCP ล่าสุด เป็นต้น บทความที่เกี่ยวข้อง
  ผมใส่คำเตือนเรื่องความเสี่ยงไว้เด่นมากในเอกสาร และยังไม่ได้ปล่อยปลั๊กอินเครื่องมือชุดแรกที่อาจทำให้เกิดความเสียหายจริง
  เพราะงั้น QuickJS sandbox กับปลั๊กอิน SQLite ของผมจึงเป็นแบบอ่านอย่างเดียวเท่านั้น
  แต่ถึงอย่างนั้น พื้นที่นี้ก็ยังทั้งน่าสนุกและน่าทึ่งมาก
- ถ้ามีใครเอา llm ไปต่อกับบัญชีนายหน้า แบบนั้นไม่ใช่บอตโง่ แต่แทบจะเป็นคนที่โง่เองมากกว่า
- เครื่องมืออะไรก็มีโอกาสถูกใช้งานผิดวิธีได้ทั้งนั้น
สำหรับคนที่ใช้ llm ผมขอแนะนำ Gtk-llm-chat
เป็นงานที่ทุ่มเทอย่างมาก
มีทั้งการเชื่อมรวมกับเครื่องมือบรรทัดคำสั่ง llm, เดสก์ท็อป, ไอคอนในถาดระบบ และหน้าต่างแชตที่เรียบร้อย
เพิ่งออกรุ่น 3.0.0 พร้อมแพ็กเกจสำหรับ 3 ระบบปฏิบัติการเดสก์ท็อปหลัก
- น่าสนใจ
  อยากรู้ว่าใช้งานอย่างอื่นนอกจากแชตทั่วไปกันยังไงบ้าง
นี่คือจังหวะเวลาที่ดีที่สุดจริงๆ
ช่วงนี้ผมกำลังลองอะไรหลายอย่างในเทอร์มินัล (Warp) และแม้จะชอบไอเดียเรื่อง agent แต่ก็ไม่ค่อยสบายใจกับแนวแบบ Cursor ที่เป็นสไตล์ "ฝากพรอมป์ต์/LLM call ไว้กับพวกเราได้เลยนะ (แล้วก็เก็บเงิน)"
เพราะงั้นสิ่งที่ผมต้องการจริงๆ คือ terminal agent แบบ CLI ง่ายๆ เพื่ออุดช่องว่างเรื่องทักษะเชลล์ของตัวเอง
ผมรู้ดีมากว่าเครื่องมือแบบนี้มีความเสี่ยงแบบ footgun สูง
แต่การจับคู่ระหว่างเครื่องมือเทอร์มินัลกับ llm ดูเป็นการผสมที่เบาและลงตัวในอุดมคติมาก จนผมคาดหวังอยู่
เลยสงสัยว่ามันรองรับแบบที่เวลา LLM เรียกใช้เครื่องมืออย่าง rm -rf ./* แล้วจะถามประมาณว่า "กด Y เพื่ออนุมัติ" ทุกครั้งไหม
ถ้ามีแบบนั้นก็น่าจะช่วยกันไม่ให้ LLM มาควบคุมเทอร์มินัลของผมเองตามใจชอบ และพอจะเป็นกลไกป้องกันได้ระดับหนึ่ง
- โหมดเริ่มต้นของ Codex CLI น่าจะเป็นแบบนั้น
  ถ้ารันโดยไม่ใส่แฟลก --full-auto มันจะถามอนุมัติทุกครั้ง
ผมดูแลปลั๊กอิน zsh/omz สำหรับ tab completion ของ LLM CLI อย่างจริงจังอยู่ แต่ความเร็วในการออกฟีเจอร์ใหม่ตามไม่ทันจริงๆ
โชคดีที่คำสั่งด้านล่างช่วยทำให้อัตโนมัติได้ประมาณ 90%
```
llm -f README.md -f llm.plugin.zsh -f completions/_llm -f https://simonwillison.net/2025/May/27/llm-tools/ "implement tab completions for the new tool plugins feature"
```
รีโพซิทอรีปลั๊กอินของผมอยู่ ที่นี่
ผมพยายามรองรับตัวเลือกต่างๆ ให้ได้มากที่สุด เลยทำให้โครงสร้างค่อนข้างซับซ้อน
ถ้าได้ฟีดแบ็กจะขอบคุณมาก
- มันน่าทึ่งจริงๆ ที่นี่คือความจริง ไม่ใช่ไซไฟ
  คนรุ่นหลังคงงงว่าเมื่อก่อนเราสร้างอะไรกันได้ยังไง
  ให้ความรู้สึกแบบเดียวกับที่พวกเราเองนึกภาพไม่ออกว่านักเขียนโปรแกรม assembly ทำงานกันยังไง
GPT-4.1 เป็นโมเดลที่ทรงพลังมากทั้งเรื่อง structured output และ tool calling
ตลอด 2 ปีที่ผ่านมา งานซ้ำๆ ในชีวิตประจำวันของผมแทบทั้งหมดถูก LLM จัดการให้
มันเป็นชุดโมเดลที่ทั้งถูกและเก่ง เลยเลือกใช้เป็นค่าเริ่มต้นตลอด
- พูดตามตรง ผมทึ่งกับ GPT-4.1 mini มาก
  จากที่ลองทุกอย่างผ่าน API มันถูกแบบเหลือเชื่อแต่ก็ทำงานส่วนใหญ่ได้ดีมากจริงๆ
  ถ้าเป็นงานโค้ดผมใช้ o4-mini ส่วนอย่างอื่น 4.1-mini ก็มักพอแล้ว
  นี่คือตัวอย่างที่ลองเล่นวันนี้
```
llm -f https://raw.githubusercontent.com/BenjaminAster/CSS-Minecraft/… \
  -s 'explain all the tricks used by this CSS'
```
  ผมส่งเดโมโค้ด CSS Minecraft ที่ยอดเยี่ยมและไม่มีคอมเมนต์แม้แต่บรรทัดเดียวให้ GPT-4.1 mini อธิบาย
  เดโมต้นฉบับที่เกี่ยวข้อง ซอร์ส
  คำตอบของ GPT-4.1 mini ออกมาดีมากจริงๆ
  มันชี้ได้แม้แต่ลูกเล่นยากๆ อย่างประโยคที่ว่า "CSS นี้ใช้เทคนิค CSS ระดับล้ำสมัยเพื่อสร้าง UI สไตล์ voxel แบบ 3D interactive โดยใช้ JavaScript ให้น้อยที่สุด"
  คำอธิบายทั้งหมด
  โทเค็นขาเข้า 3,813 โทเค็นขาออก 1,291
  ผลการคำนวณ ประมาณ 0.3591 เซนต์ หรือแค่ราวหนึ่งในสามของ 1 เซนต์เท่านั้น
เครื่องมือของ Simon สุดยอดมากจริงๆ
ผมใช้ทุกวัน
การต่อ pipe และการสลับโมเดลได้ง่ายมาก ทั้งแบบ local และ remote อย่าง ollama ทำให้งานสะดวกขึ้นมาก
เจ๋งมากจริงๆ
เท่าที่ผมรู้ llama.cpp ก็รองรับเครื่องมือเหมือนกัน แต่ยังหาวิธีเชื่อมกับ llm ไม่เจอ
สงสัยว่าอาจแก้ได้ด้วยการเพิ่มอะไรบางอย่างใน extra-openai-models.yaml
- อันนี้น่าจะต้องแก้ที่ llm-gguf หรือ llm-llama-server
  ... พอลองดูแล้ว วิธีที่สองใช้ได้
```
brew install llama.cpp
llama-server --jinja -hf unsloth/gemma-3-4b-it-GGUF:Q4_K_XL
```
  แล้วในอีกหน้าต่างหนึ่ง
```
llm install llm-llama-server
llm -m llama-server-tools -T llm_time 'what time is it?' --td
```
  ผมสรุปไว้ ที่นี่
ขอบคุณมากสำหรับรีลีสครั้งนี้
ผมคิดว่าไลบรารีนี้เป็นองค์ประกอบหลักที่จะเปิดศักยภาพของ LLM ได้อย่างแท้จริง โดยไม่ติดอยู่กับข้อจำกัดและกรอบของไคลเอนต์แบบเดิม
หลังจากเวอร์ชัน 0.26 alpha ออกมา ผมพยายามสร้างปลั๊กอินที่คุยกับ MCP server แต่รู้สึกว่าค่อนข้างยาก
ตอนนี้ผมทำให้มันเชื่อมต่อแล้วดึงเครื่องมือมาใช้งานแบบไดนามิกได้แล้ว แต่ยังส่งพารามิเตอร์เข้าไปไม่ได้
- เช้านี้ผมเองก็ลองเล่นกับ MCP อยู่นิดหน่อย
  พยายามทำเดโมปลั๊กอินง่ายๆ ให้ได้มากที่สุด แต่ก็ไม่ใช่เรื่องง่าย
  ไลบรารี mcp Python อย่างเป็นทางการต้องให้มีการรัน asyncio, การเชื่อมต่อกับเซิร์ฟเวอร์, และการ introspect เครื่องมือที่ใช้งานได้ เป็นต้น
เป็นฟีเจอร์ที่รอมานานมาก
เดิมคิดว่าน่าจะเป็นการทำบนฐาน mcp หรือ openapi แต่แนวทางตอนนี้อาจเรียบง่ายและยืดหยุ่นกว่ามาก
และก็ดูเหมือนจะทำเป็นปลั๊กอินได้ไม่ยากด้วย