วิธีใช้เซิร์ฟเวอร์ MCP กับ OpenRouter

```html

การพัฒนา AI กำลังพัฒนาอย่างรวดเร็ว และการผสานรวมเครื่องมือภายนอกกับแบบจำลองภาษาเป็นก้าวสำคัญไปข้างหน้า OpenRouter มอบ API แบบครบวงจรเพื่อเข้าถึงแบบจำลองภาษาจำนวนมาก ในขณะที่ MCP Servers (Model Context Protocol Servers) ช่วยให้แบบจำลองเหล่านี้สามารถเรียกใช้เครื่องมือภายนอกและเข้าถึงข้อมูลสดได้ การรวมเข้าด้วยกันจะสร้างระบบอันทรงพลังสำหรับการสร้างแอปพลิเคชัน AI ขั้นสูง

ในโพสต์นี้ ผมจะแนะนำคุณตลอดการผสานรวม MCP Servers กับ OpenRouter คุณจะได้เรียนรู้ฟังก์ชันการทำงานหลักของพวกเขา กระบวนการผสานรวม และตัวอย่างเชิงปฏิบัติ

💡

ก่อนเริ่มต้น ดาวน์โหลด Apidog ได้ฟรีที่นี่ เป็นเครื่องมือที่ยอดเยี่ยมสำหรับการทดสอบ APIs และแก้ไขการตั้งค่าของคุณ

button

ทำความเข้าใจเกี่ยวกับ MCP Servers และ OpenRouter

ในการผสานรวม MCP Servers กับ OpenRouter คุณต้องเข้าใจก่อนว่าแต่ละส่วนประกอบทำอะไร

OpenRouter: การเข้าถึงแบบรวมศูนย์สำหรับแบบจำลองภาษา

OpenRouter เป็นแพลตฟอร์มที่ช่วยลดความซับซ้อนในการโต้ตอบกับแบบจำลองภาษาขนาดใหญ่ (LLMs) จากผู้ให้บริการเช่น OpenAI, Anthropic และ xAI โดยมีจุดสิ้นสุด API เดียว https://openrouter.ai/api/v1/chat/completions ที่เข้ากันได้กับโครงสร้าง API ของ OpenAI คุณสมบัติหลัก ได้แก่:

Model Aggregation: เข้าถึง LLMs หลายร้อยรายการผ่านอินเทอร์เฟซเดียว
Cost Optimization: กำหนดเส้นทางคำขอไปยังแบบจำลองที่คุ้มค่าตามความพร้อมใช้งานและราคา
Load Balancing: กระจายคำขอเพื่อป้องกันการโอเวอร์โหลดบนผู้ให้บริการรายใดรายหนึ่ง
Fallbacks: สลับไปยังแบบจำลองอื่นหากแบบจำลองหนึ่งล้มเหลว

คุณจะต้องมีบัญชี OpenRouter และคีย์ API เพื่อดำเนินการต่อ รับของคุณได้ที่ openrouter.ai

MCP Servers: การขยายขีดความสามารถของแบบจำลอง

MCP Servers ใช้ Model Context Protocol ทำให้ LLMs สามารถเรียกใช้เครื่องมือภายนอกได้ ซึ่งแตกต่างจากแบบจำลองแบบสแตนด์อโลนที่จำกัดอยู่แค่ข้อมูลการฝึกอบรม MCP Servers ช่วยให้สามารถโต้ตอบกับระบบต่างๆ เช่น ไดเรกทอรีไฟล์ ฐานข้อมูล หรือ APIs ของบุคคลที่สามได้แบบเรียลไทม์ คำจำกัดความของเครื่องมือ MCP ทั่วไปประกอบด้วย:

Name: ระบุเครื่องมือ (เช่น list_files)
Description: อธิบายวัตถุประสงค์
Parameters: ระบุอินพุตในรูปแบบ JSON Schema

ตัวอย่างเช่น เครื่องมือ MCP สำหรับแสดงรายการไฟล์ไดเรกทอรีอาจมีลักษณะดังนี้:

{
  "name": "list_files",
  "description": "Lists files in a specified directory",
  "parameters": {
    "type": "object",
    "properties": {
      "path": {"type": "string", "description": "Directory path"}
    },
    "required": ["path"]
  }
}

เมื่อรวมกันแล้ว OpenRouter จะจัดเตรียมแบบจำลอง และ MCP Servers จะจัดหาเครื่องมือ ซึ่งก่อให้เกิดระบบนิเวศ AI ที่แข็งแกร่ง

เหตุใดจึงต้องผสานรวม MCP Servers กับ OpenRouter

การรวมเทคโนโลยีเหล่านี้เข้าด้วยกันมีข้อได้เปรียบทางเทคนิคหลายประการ:

Model Flexibility: ใช้ LLM ที่รองรับ OpenRouter พร้อมความสามารถในการเรียกใช้เครื่องมือ
Cost Reduction: จับคู่แบบจำลองที่ถูกกว่ากับเครื่องมือภายนอกเพื่อแบ่งเบาภาระงานที่ซับซ้อน
Enhanced Capabilities: เปิดใช้งานแบบจำลองเพื่อดึงข้อมูลสดหรือดำเนินการ (เช่น การดำเนินการไฟล์)
Scalability: สลับแบบจำลองหรือเครื่องมือโดยไม่ต้องเขียนตรรกะหลักของคุณใหม่
Future-Proofing: ปรับให้เข้ากับ LLMs และเครื่องมือใหม่ๆ เมื่อมีการพัฒนา

การผสานรวมนี้เหมาะสำหรับนักพัฒนาที่สร้างระบบ AI ที่ต้องการการโต้ตอบกับโลกแห่งความเป็นจริง

กระบวนการผสานรวมทีละขั้นตอน

ตอนนี้ มาดูด้านเทคนิคกันบ้าง นี่คือวิธีการผสานรวม MCP Servers กับ OpenRouter

ข้อกำหนดเบื้องต้น

ตรวจสอบให้แน่ใจว่าคุณมี:

OpenRouter Account and API Key: จาก openrouter.ai
MCP Server: กำลังทำงานในเครื่อง (เช่น ที่ http://localhost:8000) หรือจากระยะไกล สำหรับคำแนะนำนี้ ผมจะใช้เซิร์ฟเวอร์ MCP ระบบไฟล์
Python 3.8+: พร้อมไลบรารี requests (pip install requests)
Apidog: ไม่จำเป็น แต่แนะนำสำหรับการทดสอบ API ดาวน์โหลดฟรี

button

ขั้นตอนที่ 1: กำหนดและแปลงเครื่องมือ MCP

OpenRouter ใช้รูปแบบการเรียกใช้เครื่องมือของ OpenAI ดังนั้นคุณต้องแปลงคำจำกัดความของเครื่องมือ MCP เริ่มต้นด้วยคำจำกัดความ MCP:

{
  "name": "list_files",
  "description": "Lists files in a specified directory",
  "parameters": {
    "type": "object",
    "properties": {
      "path": {"type": "string", "description": "Directory path"}
    },
    "required": ["path"]
  }
}

แปลงเป็นรูปแบบ OpenAI โดยเพิ่มฟิลด์ type และซ้อนรายละเอียดฟังก์ชัน:

{
  "type": "function",
  "function": {
    "name": "list_files",
    "description": "Lists files in a specified directory",
    "parameters": {
      "type": "object",
      "properties": {
        "path": {"type": "string", "description": "Directory path"}
      },
      "required": ["path"]
    }
  }
}

โครงสร้าง JSON นี้คือสิ่งที่ OpenRouter คาดหวังในเพย์โหลด API

ขั้นตอนที่ 2: กำหนดค่าคำขอ API

เตรียมคำขอ API ไปยัง OpenRouter กำหนดส่วนหัวด้วยคีย์ API ของคุณและเพย์โหลดด้วยแบบจำลอง ข้อความ และเครื่องมือ นี่คือตัวอย่าง Python:

import requests
import json

# Headers
headers = {
    "Authorization": "Bearer your_openrouter_api_key",
    "Content-Type": "application/json"
}

# Payload
payload = {
    "model": "openai/gpt-4",  # Replace with your preferred model
    "messages": [
        {"role": "user", "content": "List files in the current directory."}
    ],
    "tools": [
        {
            "type": "function",
            "function": {
                "name": "list_files",
                "description": "Lists files in a specified directory",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "path": {"type": "string", "description": "Directory path"}
                    },
                    "required": ["path"]
                }
            }
        }
    ]
}

แทนที่ your_openrouter_api_key ด้วยคีย์จริงของคุณ

ขั้นตอนที่ 3: ส่งคำขอ API เริ่มต้น

ส่งคำขอ POST ไปยังจุดสิ้นสุดของ OpenRouter:

response = requests.post(
    "https://openrouter.ai/api/v1/chat/completions",
    headers=headers,
    json=payload
)

response_data = response.json()

ขั้นตอนที่ 4: ประมวลผลการเรียกใช้เครื่องมือ

ตรวจสอบว่าการตอบสนองมีรายการเรียกใช้เครื่องมือหรือไม่:

{
  "choices": [
    {
      "message": {
        "role": "assistant",
        "content": null,
        "tool_calls": [
          {
            "id": "call_123",
            "type": "function",
            "function": {
              "name": "list_files",
              "arguments": "{\"path\": \".\"}"
            }
          }
        ]
      }
    }
  ]
}

แยกรายละเอียดการเรียกใช้เครื่องมือ:

message = response_data["choices"][0]["message"]
if "tool_calls" in message:
    tool_call = message["tool_calls"][0]
    function_name = tool_call["function"]["name"]
    arguments = json.loads(tool_call["function"]["arguments"])

ขั้นตอนที่ 5: เรียกใช้ MCP Server

ส่งคำขอเครื่องมือไปยัง MCP Server ของคุณ:

mcp_response = requests.post(
    "http://localhost:8000/call",
    json={
        "name": function_name,
        "arguments": arguments
    }
)

tool_result = mcp_response.json()["result"]  # e.g., ["file1.txt", "file2.txt"]

ขั้นตอนที่ 6: ส่งคืนผลลัพธ์เครื่องมือไปยัง OpenRouter

ผนวกการเรียกใช้เครื่องมือของผู้ช่วยและผลลัพธ์ไปยังประวัติข้อความ:

messages = payload["messages"] + [
    {
        "role": "assistant",
        "content": null,
        "tool_calls": [tool_call]
    },
    {
        "role": "tool",
        "tool_call_id": tool_call["id"],
        "content": json.dumps(tool_result)
    }
]

# Update payload
payload["messages"] = messages

# Send follow-up request
final_response = requests.post(
    "https://openrouter.ai/api/v1/chat/completions",
    headers=headers,
    json=payload
)

final_output = final_response.json()["choices"][0]["message"]["content"]
print(final_output)  # e.g., "Files: file1.txt, file2.txt"

ขั้นตอนที่ 7: จัดการการเรียกใช้เครื่องมือหลายรายการ

หากแบบจำลองต้องการการเรียกใช้เครื่องมือหลายรายการ ให้วนซ้ำกระบวนการ:

messages = payload["messages"]

while True:
    response = requests.post(
        "https://openrouter.ai/api/v1/chat/completions",
        headers=headers,
        json={"model": "openai/gpt-4", "messages": messages}
    )
    message = response.json()["choices"][0]["message"]
    
    if "tool_calls" not in message:
        print(message["content"])
        break
    
    for tool_call in message["tool_calls"]:
        function_name = tool_call["function"]["name"]
        arguments = json.loads(tool_call["function"]["arguments"])
        
        mcp_response = requests.post(
            "http://localhost:8000/call",
            json={"name": function_name, "arguments": arguments}
        )
        tool_result = mcp_response.json()["result"]
        
        messages.extend([
            {"role": "assistant", "content": null, "tool_calls": [tool_call]},
            {"role": "tool", "tool_call_id": tool_call["id"], "content": json.dumps(tool_result)}
        ])

ซึ่งจะช่วยให้มั่นใจได้ว่าการเรียกใช้เครื่องมือทั้งหมดได้รับการประมวลผล

ตัวอย่างในโลกแห่งความเป็นจริง: การโต้ตอบกับระบบไฟล์

มาปรับใช้สิ่งนี้กับสถานการณ์จริงในการแสดงรายการไฟล์ด้วย MCP Server

Tool Definition: ใช้เครื่องมือ list_files จากก่อนหน้านี้
MCP Server: สมมติว่ากำลังทำงานที่ http://localhost:8000
API Call: ส่ง “List files in the current directory” ไปยัง OpenRouter
Response Handling: แบบจำลองเรียกใช้ list_files ด้วย {"path": "."}
MCP Execution: เซิร์ฟเวอร์ส่งคืน ["file1.txt", "file2.txt"]
Final Output: แบบจำลองตอบสนองว่า “Files found: file1.txt, file2.txt.”

นี่คือโค้ดทั้งหมด:

import requests
import json

headers = {"Authorization": "Bearer your_openrouter_api_key", "Content-Type": "application/json"}
payload = {
    "model": "openai/gpt-4",
    "messages": [{"role": "user", "content": "List files in the current directory."}],
    "tools": [{
        "type": "function",
        "function": {
            "name": "list_files",
            "description": "Lists files in a specified directory",
            "parameters": {
                "type": "object",
                "properties": {"path": {"type": "string", "description": "Directory path"}},
                "required": ["path"]
            }
        }
    }]
}

response = requests.post("https://openrouter.ai/api/v1/chat/completions", headers=headers, json=payload)
message = response.json()["choices"][0]["message"]

if "tool_calls" in message:
    tool_call = message["tool_calls"][0]
    function_name = tool_call["function"]["name"]
    arguments = json.loads(tool_call["function"]["arguments"])
    
    mcp_response = requests.post("http://localhost:8000/call", json={"name": function_name, "arguments": arguments})
    tool_result = mcp_response.json()["result"]
    
    messages = payload["messages"] + [
        {"role": "assistant", "content": null, "tool_calls": [tool_call]},
        {"role": "tool", "tool_call_id": tool_call["id"], "content": json.dumps(tool_result)}
    ]
    
    final_response = requests.post("https://openrouter.ai/api/v1/chat/completions", headers=headers, json={"model": "openai/gpt-4", "messages": messages})
    print(final_response.json()["choices"][0]["message"]["content"])

การแก้ไขปัญหาทั่วไป

นี่คือวิธีแก้ไขปัญหาที่พบบ่อย:

Tool Not Called: ตรวจสอบไวยากรณ์คำจำกัดความของเครื่องมือและความชัดเจนของพรอมต์
Invalid Arguments: ตรวจสอบให้แน่ใจว่าพารามิเตอร์ตรงกับ JSON Schema
MCP Server Failure: ตรวจสอบบันทึกเซิร์ฟเวอร์และจุดสิ้นสุด (http://localhost:8000/call)
API Authentication: ยืนยันว่าคีย์ OpenRouter ของคุณถูกต้อง

ใช้ Apidog เพื่อแก้ไขคำขอและคำตอบ API อย่างมีประสิทธิภาพ

การขยายการผสานรวม

หากต้องการเกิน 2000 คำและเพิ่มความลึก ให้พิจารณาการขยายเหล่านี้:

ตัวอย่างการสอบถามฐานข้อมูล

กำหนดเครื่องมือ MCP เพื่อสอบถามฐานข้อมูล:

{
  "type": "function",
  "function": {
    "name": "query_db",
    "description": "Queries a database with SQL",
    "parameters": {
      "type": "object",
      "properties": {"sql": {"type": "string", "description": "SQL query"}},
      "required": ["sql"]
    }
  }
}

ส่ง “Get all users from the database” ไปยัง OpenRouter ประมวลผลการเรียก query_db และส่งคืนผลลัพธ์เช่น [{"id": 1, "name": "Alice"}]

การจัดการข้อผิดพลาด

เพิ่มการจัดการข้อผิดพลาดที่แข็งแกร่ง:

try:
    mcp_response = requests.post("http://localhost:8000/call", json={"name": function_name, "arguments": arguments})
    mcp_response.raise_for_status()
except requests.RequestException as e:
    tool_result = f"Error: {str(e)}"

ซึ่งจะช่วยให้มั่นใจได้ว่าแอปพลิเคชันของคุณยังคงเสถียร

บทสรุป

การผสานรวม MCP Servers กับ OpenRouter ช่วยให้ AI ของคุณใช้ประโยชน์จากเครื่องมือภายนอกผ่าน API เดียว คำแนะนำนี้ครอบคลุมการตั้งค่า การแปลงเครื่องมือ การเรียก API และตัวอย่างเชิงปฏิบัติ เช่น การโต้ตอบกับระบบไฟล์ ด้วยประโยชน์ต่างๆ เช่น การประหยัดต้นทุนและฟังก์ชันการทำงานที่ได้รับการปรับปรุง แนวทางนี้เป็นสิ่งที่นักพัฒนาด้านเทคนิคต้องลอง

เริ่มทดลองเลย คว้า Apidog ได้ฟรี ที่นี่ เพื่อทดสอบ APIs ของคุณ แจ้งให้ผมทราบว่ามันเป็นอย่างไร!

button

```