MCP Academy · บทเรียน

กำหนดเส้นทางการเรียกเครื่องมือผ่าน LLM

ให้โมเดลตัดสินใจว่าจะเรียกใช้เครื่องมือใด

บทเรียน 4 จาก 413 ขั้นตอน

กำหนดเส้นทางการเรียกเครื่องมือผ่าน LLM เป็นบทเรียน MCP Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน MCP Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส MCP Academy มีบทเรียนทั้งหมด 4 บทเรียน

ให้โมเดลเป็นผู้ตัดสินใจ

ที่ผ่านมา คุณเป็นผู้เลือกเครื่องมือที่จะเรียกใช้ พลังที่แท้จริงจะเกิดขึ้นเมื่อคุณมอบการตัดสินใจให้ LLM เพื่อให้โมเดลเลือกเครื่องมือที่เหมาะสมกับคำขอ

รูปแบบสะพานเชื่อม

ไคลเอนต์ของคุณจะกลายเป็น สะพานเชื่อม โดยค้นหาเครื่องมือ MCP อธิบายเครื่องมือเหล่านั้นให้โมเดล และเรียกใช้เครื่องมือใดก็ตามที่โมเดลร้องขอ

แปลงสคีมา

คุณแปลงชื่อเครื่องมือ MCP คำอธิบาย และ inputSchema ให้เป็นรูปแบบเครื่องมือที่ส่วนติดต่อโมเดลต้องการ เพื่อให้โมเดลเห็นตัวเลือกต่าง ๆ

tools = [
  {"name": t.name, "description": t.description,
   "input_schema": t.inputSchema}
  for t in listed.tools
]

ส่งเครื่องมือไปพร้อมกับพรอมป์

เมื่อเรียกใช้โมเดล คุณจะส่งรายการเครื่องมือไปพร้อมกับข้อความของผู้ใช้ ตอนนี้โมเดลจะทราบอย่างชัดเจนว่ามีการดำเนินการใดให้เลือกบ้าง

msg = client.messages.create(
    model="claude-opus-4-8",
    max_tokens=1024,
    tools=tools,
    messages=messages,
)

โมเดลร้องขอเครื่องมือ

เมื่อโมเดลต้องการดำเนินการ คำตอบของโมเดลจะมีบล็อก tool_use ซึ่งประกอบด้วยชื่อเครื่องมือและอาร์กิวเมนต์ที่โมเดลเลือก

for block in msg.content:
    if block.type == "tool_use":
        ...

เรียกใช้ผ่าน MCP

คุณนำชื่อและอินพุตที่ร้องขอนั้นส่งต่อไปยังเซิร์ฟเวอร์ด้วย call_tool ซึ่งเป็นการเรียกใช้แบบเดียวกับที่คุณเรียนรู้มาแล้ว

result = await session.call_tool(
    block.name, block.input)

ส่งคืนผลลัพธ์

ส่งเอาต์พุตของเครื่องมือกลับไปยังโมเดลในรูปแบบ tool_result เพื่อให้โมเดลอ่านสิ่งที่เกิดขึ้นและดำเนินการให้เหตุผลต่อ

tool_result = {"type": "tool_result",
  "tool_use_id": block.id,
  "content": result.content[0].text}

วนซ้ำจนเสร็จ

โมเดลอาจเรียกใช้เครื่องมือหลายตัวต่อเนื่องกัน คุณต้องให้ ลูป ทำงานต่อไปจนกว่าโมเดลจะหยุดร้องขอเครื่องมือและให้คำตอบสุดท้าย

สองโพรโทคอลมาพบกัน

สะพานเชื่อมของคุณสื่อสารด้วยสองภาษา ได้แก่ ส่วนติดต่อโมเดลสำหรับการให้เหตุผล และ MCP สำหรับเครื่องมือ ไคลเอนต์จะแปลงข้อมูลระหว่างสองส่วนนี้อย่างเงียบ ๆ

เหตุใดจึงไม่เขียนตายตัว

การกำหนดตัวเลือกเครื่องมือแบบตายตัวขยายระบบได้ยาก การให้โมเดลเป็นผู้กำหนดเส้นทางทำให้เซิร์ฟเวอร์ MCP ใหม่เพิ่มความสามารถได้โดย ไม่ต้องเปลี่ยนตรรกะของคุณ

ให้มนุษย์อยู่ในกระบวนการ

สำหรับการดำเนินการที่มีความเสี่ยง ให้หยุดก่อนเรียกใช้เครื่องมือที่โมเดลเลือก และขอให้ผู้ใช้ อนุมัติก่อน การกำหนดเส้นทางไม่ควรหมายถึงการเชื่อโดยไม่ตรวจสอบ

ตรวจสอบความเข้าใจ

โมเดลจะส่งอะไรเมื่อโมเดลต้องการให้ไคลเอนต์ของคุณเรียกใช้เครื่องมือ

ตอบคำถามในบทเรียนแบบโต้ตอบ

สรุป: โมเดลเป็นผู้ควบคุม

คุณเชื่อมกระบวนการทั้งหมดแล้ว ได้แก่ อธิบายเครื่องมือ MCP ให้ LLM เรียกใช้เครื่องมือที่โมเดลเลือกผ่าน call_tool ส่งคืนผลลัพธ์ และทำซ้ำจนกว่าจะได้คำตอบพร้อมใช้

เริ่มต้นได้ฟรี

เรียนรู้ Python ด้วย AI tutor — ฟรี

เขียนและเรียกใช้โค้ดจริงในเบราว์เซอร์ของคุณ รับความช่วยเหลือทันทีจาก AI tutor 24/7 และเรียนรู้ต่อจากที่คุณหยุดบนเว็บหรือในแอป

คอร์ส: 30
บทเรียน: 120

เริ่มเรียนฟรี ดูหลักสูตรเต็ม

คำถามที่พบบ่อย

บทเรียน “กำหนดเส้นทางการเรียกเครื่องมือผ่าน LLM” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “กำหนดเส้นทางการเรียกเครื่องมือผ่าน LLM” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส MCP Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส MCP Academy มีบทเรียนทั้งหมด 4 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “กำหนดเส้นทางการเรียกเครื่องมือผ่าน LLM”

ให้โมเดลตัดสินใจว่าจะเรียกใช้เครื่องมือใด คุณปฏิบัติ MCP Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน MCP Academy หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน MCP Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 4 จากทั้งหมด 4 บทเรียน

บทเรียน “กำหนดเส้นทางการเรียกเครื่องมือผ่าน LLM” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน MCP Academy นี้ได้ไหม

ได้ บทเรียน MCP Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

← กลับไปที่ MCP Academy