ในช่วงไม่กี่ปีที่ผ่านมา สาขาปัญญาประดิษฐ์ (Artificial Intelligence) ได้เห็นถึงความก้าวหน้าทางเทคโนโลยีอย่างรวดเร็ว ก่อให้เกิดคำศัพท์ใหม่ ๆ มากมาย เช่น MoE, Reinforcement Learning, Agents, computer-use และ A2A สำหรับผู้ใช้ทั่วไปที่ขาดพื้นฐานทางเทคนิค คำศัพท์และแนวคิดทางเทคโนโลยีเหล่านี้อาจเป็นเรื่องที่ยากจะเข้าใจ ทำให้เกิดภาระทางปัญญาอย่างมาก ดังนั้น ปฏิสัมพันธ์ของพวกเขากับ AI จึงมักจะจำกัดอยู่แค่การแลกเปลี่ยนคำถามและคำตอบง่าย ๆ ภายในกล่องแชท
MCP หรือ Model Context Protocol เป็นหนึ่งในแนวคิดทางเทคนิคเหล่านี้ ในช่วงปีที่ผ่านมา AI agents ได้พัฒนาไปอย่างรวดเร็ว และ MCP protocols ได้กลายเป็นความสามารถพื้นฐานที่สำคัญที่สนับสนุนระบบอัตโนมัติของงานที่ซับซ้อน อย่างไรก็ตาม การปฏิวัติ MCP ในปัจจุบันดูเหมือนจะเป็นอาณาจักรของผู้พัฒนาเท่านั้น ด้วยเอกสารโปรโตคอลที่ไม่ชัดเจน การลงทะเบียนเครื่องมือที่ซับซ้อน และอุปสรรคสูงในการกำหนดค่าส่วนบุคคล ส่งผลให้ผู้ใช้ทั่วไปส่วนใหญ่มักจะทำได้เพียงสังเกตการณ์จากระยะไกลและพบว่าเป็นเรื่องยากที่จะได้รับประสบการณ์จริง
อย่างไรก็ตาม สถานการณ์นี้กำลังเปลี่ยนแปลงไป เมื่อวันที่ 23 เมษายน Nano AI ซึ่งเป็นบริษัทในเครือของ 360 ได้ประกาศเปิดตัว “MCP Toolbox“ ที่ออกแบบมาสำหรับผู้ใช้แต่ละราย ผลิตภัณฑ์นี้ได้รับการออกแบบมาสำหรับผู้ใช้ทั่วไปที่ไม่มีพื้นฐานทางเทคนิค ทำให้ทุกคนสามารถเชี่ยวชาญการใช้งาน AI ที่ทันสมัยได้ด้วยต้นทุนการเรียนรู้ที่น้อยที่สุด
ผลิตภัณฑ์นี้ไม่เพียงแต่รองรับ MCP protocol อย่างเต็มที่ แต่ยังสามารถรัน agent tasks โดยอิงตามโครงสร้างพื้นฐานของ large model ต่าง ๆ นอกจากนี้ ยังมีขีดความสามารถที่ทรงพลัง เช่น การเรียกใช้เครื่องมือภายนอกโดยอัตโนมัติ การเข้าถึง AI knowledge bases และการสนับสนุน user-defined task flows ที่สำคัญคือ เกณฑ์การดำเนินงานได้รับการลดลงอย่างมาก โดยไม่จำเป็นต้องมีทักษะการเขียนโค้ด และสามารถใช้งานได้ง่าย ๆ เพียงแค่เปิดกล่องแชท
ปัจจุบัน Super Agent ได้เปิดตัวการทดสอบสาธารณะแล้ว ตั้งแต่ models ไปจนถึง protocols, tool ecosystems และ personalized task orchestration Nano AI ดูเหมือนจะมุ่งเป้าไปที่นวัตกรรมระดับผลิตภัณฑ์ที่นำ AI agents เข้ามาในชีวิตประจำวันของทุกคนอย่างแท้จริง
แล้ว “MCP Toolbox” ของ Nano AI ดีแค่ไหน? เพื่อตอบคำถามนี้ ทีม Machine Heart ซึ่งได้รับคุณสมบัติในการทดสอบภายใน ได้ทำการทดสอบหลายชุด
สัมผัสประสบการณ์จริงกับ Toolbox: MCP ทำได้ง่าย
การใช้ Nano AI “MCP Toolbox” มีอุปสรรคในการเริ่มต้นที่ต่ำมาก ผู้ใช้เพียงแค่ต้องดาวน์โหลดและติดตั้งแอปพลิเคชัน Nano AI จากนั้นลงทะเบียนและเข้าสู่ระบบ โดยไม่ต้องมีการกำหนดค่าเพิ่มเติมใด ๆ
เมื่อเข้าสู่หน้า “Agent” ที่อัปเดตแล้ว เราจะเห็นว่า Nano AI ได้จัดหมวดหมู่ agents ที่มีอยู่เป็นหลายประเภท ได้แก่ การวิจัยเชิงลึก งานและประสิทธิภาพ และผู้ช่วยในชีวิตประจำวัน ในขณะเดียวกัน ก็ยังมีการเข้าถึง Toolbox และ case study square
เมื่อเข้าสู่ Toolbox เราจะเห็นว่า Nano AI ได้กำหนดค่า MCP Servers มากกว่า 100 รายการแล้ว (จำนวนนี้เพิ่มขึ้นจาก 120 เป็น 132 รายการในระหว่างการเขียนบทความนี้) ซึ่งรวมถึง MCP tools นับสิบรายการที่พัฒนาโดย Nano AI เอง และ MCP tools ของบุคคลที่สามอีกหลายร้อยรายการ ซึ่งครอบคลุมสถานการณ์ต่าง ๆ เช่น office collaboration, academics, life services, search engines, finance, media entertainment และ data crawling ทำให้เป็น MCP ecosystem ที่ใหญ่ที่สุดในประเทศจีน นอกจากนี้ Nano AI ยังสนับสนุนให้ผู้ใช้กำหนดค่า MCP Servers ของตนเอง ในต่อไปนี้ เราจะใช้คำว่า “Tool“ แทน “MCP Server” และเหตุผลสำหรับสิ่งนี้จะอธิบายโดยละเอียดในภายหลัง
ก่อนอื่น มาทดสอบแอปพลิเคชันที่ผู้อ่าน Machine Heart จะพบว่าน่าสนใจที่สุด นั่นคือ การค้นหาและจัดระเบียบผลการวิจัยล่าสุดบน arXiv ที่เกี่ยวข้องกับหัวข้อการวิจัยเฉพาะ
ก่อนอื่น มาค้นหา Toolbox และพบว่าเครื่องมือที่ตั้งไว้ล่วงหน้าของ Nano AI มี “arXiv Search” อยู่แล้ว ดังนั้นเราจึงไม่จำเป็นต้องกำหนดค่าเอง เมื่อมองย้อนกลับไป เรายังสามารถเห็นได้ว่า Nano AI มี agents มากมายที่รองรับการดึงข้อมูล paper ของ arXiv เราจะเลือก “Professional Paper Search” เป็นขั้นตอนแรกของเรา เราจะเห็นว่า agent นี้ได้รับการกำหนดค่าด้วย tools สี่รายการ ได้แก่ Nano AI Super Search, arXiv Search, Google Scholar และ Academic Search ซึ่งตอบสนองความต้องการของเราได้อย่างสมบูรณ์ เขียน prompt และดำเนินการ:
ดึงผลการวิจัยที่เกี่ยวข้องกับการเรียนรู้แบบเสริมกำลังบน arXiv ในช่วงเดือนที่ผ่านมา จัดประเภทตามการวิจัยเชิงทฤษฎี การปรับปรุงทางเทคโนโลยี และการใช้งาน และให้การตีความอย่างง่ายเกี่ยวกับความคืบหน้าที่สำคัญ
กระบวนการทำงานของ “Professional Paper Search” เป็นดังนี้:
งานนี้ง่ายมาก agent เรียกใช้ tool “arXiv Search” เพียงครั้งเดียว ดังนั้นจึงทำงานเสร็จภายในเวลาไม่ถึงครึ่งนาที โดยเลือกผลการวิจัยที่เป็นตัวแทนสองรายการในแต่ละสามประเภท
ต่อไป ลองใช้ cycling planner agent โดยใช้คำสั่ง: “มีเส้นทางปั่นจักรยานที่ดีใกล้กับ Guanyin Bridge ใน Chongqing หรือไม่”
เราจะเห็นว่า agent นี้ใช้ tools สามรายการ ได้แก่ maps_weather (สำหรับ querying weather) และ maps_direction_bicycling (สำหรับ setting routes) ของ amapmcpserver-cloud และ gen_html (สำหรับ generating webpages) ดำเนินการเป็นเวลาทั้งหมด 362 วินาที และในที่สุดก็ได้หน้าเว็บแบบไดนามิกที่แสดงไว้ข้างต้น คุณยังสามารถเข้าถึงได้ผ่านลิงก์นี้: ใช่ คุณสามารถแชร์หน้าเว็บที่สร้างขึ้นต่อสาธารณะได้!
ต่อไป มาเพิ่มความยากลำบากกัน คราวนี้ความต้องการของเราคือ “ค้นหาเครือข่าย วิเคราะห์เทรนด์แฟชั่นของผู้หญิงในปัจจุบัน และออกรายงานการวิเคราะห์องค์ประกอบแฟชั่นของผู้หญิง” คราวนี้เราจะใช้ “In-Depth Research Agent” ของ Nano AI โดยตรง ซึ่งสามารถเลือกใช้ tools ที่เหมาะสมตามความต้องการเฉพาะของผู้ใช้ รวมถึง MCP Servers และ built-in browser เพื่อทำงาน computer-use ต่าง ๆ แน่นอนว่า ดังนั้น In-Depth Research Agent มักจะใช้เวลานานกว่ามากในการทำงานให้เสร็จ โดยอาจใช้เวลาถึงสิบนาที
เมื่อดำเนินการ task นั้น In-Depth Research Agent จะวางแผนขั้นตอนที่จะดำเนินการก่อนตามข้อกำหนดของ task จากนั้นจึงดำเนินการตามขั้นตอนทีละขั้นตอนตามแผน
ขั้นตอนการดำเนินการที่สร้างโดย In-Depth Research Agent สำหรับ task เฉพาะนี้แสดงไว้ในรูปด้านล่าง
ก่อนอื่น ค้นหาเนื้อหาที่เกี่ยวข้องกับเทรนด์แฟชั่นของผู้หญิงในปัจจุบันบนเว็บไซต์หลายแห่ง จากนั้นวิเคราะห์เนื้อหาที่ค้นหา และแสดงภาพผลลัพธ์ สุดท้าย ให้รายงานฉบับสุดท้าย
ในกระบวนการนี้ เรียกใช้ tool ค้นหาในเครื่อง aiso_do_search สามครั้ง tool data crawling 360_crawl หนึ่งครั้ง tool cloud code sandbox cloud-sandbox เก้าครั้ง tool สรุป summary หนึ่งครั้ง และ tool สร้างหน้าเว็บ gen_html หนึ่งครั้ง
ในท้ายที่สุด เราได้รับรายงานเชิงลึก 30 หน้า ซึ่งครอบคลุมหกส่วนหลัก ๆ ได้แก่ การวิเคราะห์ธีมสไตล์ยอดนิยม แนวโน้มสีที่ได้รับความนิยม สไตล์และการวิเคราะห์องค์ประกอบที่ได้รับความนิยม การประเมินองค์ประกอบยอดนิยมอย่างครอบคลุม แนวโน้มผ้าและเทคโนโลยี และคำแนะนำและการใช้งานที่ตรงกัน ซึ่งเกิน task หนึ่งประโยคเริ่มต้นของเรามาก
เนื้อหาหลายหน้าที่ดึงมาจากรายงาน
วิดีโอต่อไปนี้แสดงกระบวนการทั้งหมดของ Nano AI’s In-Depth Research Agent ที่ทำงานให้เสร็จ:
เล่นด้วยความเร็ว 4x
ไม่เพียงเท่านั้น Nano AI ยังสร้างหน้าเว็บแบบไดนามิกที่สามารถแสดงผลการวิเคราะห์ที่ได้รับอย่างชัดเจนยิ่งขึ้น:
นอกจากนี้ เมื่อพิจารณาว่า Google เพิ่งเปิดเผยรายงานทางการเงินประจำไตรมาสแรก เรายังสามารถให้ agent “Chief Industry Insight Officer” ของ Nano AI ช่วยเราตีความได้อีกด้วย
สามารถเข้าถึงเวอร์ชันหน้าเว็บได้ที่ และสามารถดูขั้นตอนการทำงานทั้งหมดได้ในวิดีโอต่อไปนี้:
ลองใช้ Nano AI เพื่อเขียนรีวิวภาพยนตร์ที่เหมาะสำหรับโพสต์บน Xiaohongshu สำหรับซีรีส์ทางทีวียอดนิยมเมื่อเร็ว ๆ นี้ “The Good Life” และหุ่นยนต์เรียกดู Xiaohongshu ที่ตั้งไว้ล่วงหน้าสามารถทำงานได้ดี
ระวัง! เนื้อหาจะมีสปอยเลอร์
วิดีโอต่อไปนี้แสดงกระบวนการทั้งหมดของ Nano AI ที่ทำงาน
เราสามารถเห็นได้ว่าในกระบวนการนี้ Nano AI ใช้ tools สองรายการที่เกี่ยวข้องกับ Xiaohongshu รวมถึง collect_relate_info_redbook สำหรับการรวบรวมข้อมูลบน Xiaohongshu และ red_book_generate สำหรับการสร้างเนื้อหา Xiaohongshu นอกจากนี้ ยังใช้ browser_automation_task - tool นี้สามารถเปิด built-in browser ในแอปพลิเคชัน Nano AI เพื่อทำงานได้ ด้วยคำแนะนำที่เหมาะสม คุณยังสามารถใช้ tool นี้เพื่อทำงานต่าง ๆ เช่น การจองตั๋วรถไฟ การโพสต์บน Weibo และการจดบันทึกในประโยคเดียว
สุดท้าย ใน Nano AI ผู้ใช้ยังสามารถกำหนดค่า MCP ของตนเองได้อย่างง่ายดาย ตัวอย่างเช่น ที่นี่ เรากำหนดค่า tool สำหรับการ querying และ analyzing Obsidian notes ได้สำเร็จด้วยการตั้งค่าพารามิเตอร์เพียงไม่กี่รายการ
จากนั้น เพียงแค่กำหนดค่า agent ที่เรียกใช้ tool และเราสามารถดึงและวิเคราะห์โน้ตที่เรารวบรวมไว้อย่างชาญฉลาดใน Nano AI วิดีโอต่อไปนี้แสดงตัวอย่าง:
กรณีข้างต้นเป็นเพียงส่วนน้อยของความสามารถของ Nano AI ด้วย MCP Toolbox มีสิ่งอื่น ๆ อีกมากมายที่ผู้ใช้สามารถทำได้ เช่น การ crawling และ searching information การ generating images และ video content การให้ AI organize your flomo fragment notes และใส่ผลลัพธ์ลงใน Notion workspace การ analyzing stocks การ finding the most cost-effective flight route to travel to Portugal การ specifying travel หรือ fitness plans การ creating company reports การ managing cloud storage repositories หรือ local files… ข้อจำกัดเพียงอย่างเดียวคือจินตนาการของคุณ!
การซ่อน MCP ใน Toolbox: Nano AI ทำได้อย่างไร
MCP หรือ Model Context Protocol เปิดตัวครั้งแรกโดย Anthropic ในเดือนพฤศจิกายน 2024 อาจกล่าวได้ว่าเป็น “สะพาน” สำคัญที่เชื่อมต่อ large models กับโลกแห่งความเป็นจริง ซึ่งช่วยให้ models ไม่เพียงแต่ตอบคำถาม แต่ยังเรียกใช้ tools, obtain data และ execute tasks เหมือนมนุษย์ ปีนี้ เมื่อบริษัทจำนวนมากขึ้นเรื่อย ๆ นำ protocol มาใช้ มันได้กลายเป็นมาตรฐานโดยพฤตินัยในการใช้ tools ของ LLM ซึ่งเป็นการปลดปล่อยศักยภาพของ AI agents เพิ่มเติม
อย่างไรก็ตาม สำหรับผู้ใช้ส่วนใหญ่ ป้ายกำกับทั่วไปของ MCP protocol คือ “complexity”, “high technical threshold” และ “developer exclusive” จะส่งมอบความสามารถนี้ ซึ่งเดิมเป็นของผู้เชี่ยวชาญด้านวิศวกรรม ให้กับทุกคนธรรมดาได้อย่างไร
เพื่อตอบสนองต่อปัญหาที่แท้จริงนี้ คำตอบของ 360 คือ: ไม่สอนให้คุณเข้าใจ MCP อีกต่อไป แต่ encapsulate โดยตรงลงในชุดของ toolbox ที่ “visible, clickable และ result-predictable”
1. จากการลดความซับซ้อนของแนวคิดสู่การลดมิติปฏิสัมพันธ์
ทีม Nano AI ทำการแปลแนวคิดก่อน: ผู้ใช้ไม่จำเป็นต้องเข้าใจว่า MCP Server หรือ API Key คืออะไร พวกเขาเพียงแค่ต้องรู้ว่านี่คือ “tool“ หรือ “skill“ ที่ใช้ได้ - ซึ่งเป็นเหตุผลว่าทำไมเราจึงใช้คำว่า “tool” ก่อนหน้านี้ การ packaging interface protocol ที่เดิมคลุมเครือให้เป็นป้ายกำกับ tool ที่เข้าใจง่าย เช่น “search”, “writing” และ “data analysis” ช่วยลดเกณฑ์การรับรู้ของผู้ใช้อย่างมาก และช่วยให้ผู้ใช้เข้าใจความหมายของสิ่งที่เรียกว่า MCP Server to AI large models ได้อย่างสังหรณ์ใจมากขึ้น นี่คือปรัชญาการออกแบบของ Nano AI Toolbox เบื้องหลังสิ่งนี้คือการ re-encapsulation MCP protocol และการ reconstruction ทางวิศวกรรมของ interface layer ของ Nano AI
สิ่งที่ผู้ใช้เห็นใน interface คือการเลือกและการลากที่เรียบง่าย แต่ในความเป็นจริงคือการ scheduling MCP Servers มากกว่า 100 รายการที่พัฒนาโดย Nano AI เองหรือการ integration ที่เลือกอย่างระมัดระวัง Tools เหล่านี้ครอบคลุมสถานการณ์ต่าง ๆ เช่น office, academics, finance, search engines, web crawling และ image processing ผู้ใช้สามารถให้ large models เรียก “external brains” เหล่านี้โดยอัตโนมัติเพื่อทำงาน complex task chains โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว
Nano AI ยังมี built-in API Keys สำหรับ MCP tools หลายรายการ เช่น Firecrawl, Brava Search และ AutoNavi Maps
2. ทะลุ “Last Mile” ระหว่าง Models และ Tools
ในอดีต แม้ว่า large models จะมีความสามารถในการทำความเข้าใจภาษาที่ทรงพลัง แต่ก็ยังติดอยู่ใน “tool calling” island effect วิธีการของ Nano AI คือการใช้ MCP protocol เป็นภาษาตัวกลาง ซึ่งเป็นการทะลุกลไกการทำงานร่วมกันของ “large model + tool” อย่างสิ้นเชิง
สิ่งนี้ไม่เพียงแต่แก้ปัญหาการเรียกเท่านั้น แต่ยังขยายขอบเขตความสามารถที่แท้จริงของ model อย่างมาก ตัวอย่างเช่น ผู้ใช้เพียงแค่ต้องบอก agent ว่า “ช่วยฉันสร้างรายงานการวิเคราะห์ราคาหุ้น NVIDIA” และ agent สามารถ break down ขั้นตอนของ task โดยอัตโนมัติ ระดม search engines, crawl page content, generate analysis charts และส่งออกรายงานที่มีโครงสร้างชัดเจน ในช่วงเวลานี้ อาจมีการเรียกใช้ tools 5 ถึง 7 รายการ แต่ผู้ใช้เห็นเพียงหน้าผลลัพธ์เดียว
นี่คือการ embodiment ความสามารถ “tool combination” ของ MCP อย่างแม่นยำ: ช่วยให้ agents scheduling ทรัพยากร วางแผนกระบวนการ และดำเนินการ trial-and-error feedback และ self-optimization ในระหว่างการดำเนินการได้อย่างอิสระ ซึ่งเป็นการสร้างเส้นทางการแก้ปัญหา task ที่มีลักษณะเหมือนมนุษย์อย่างมาก
3. Local Operation, Safe and Reliable: In-Depth Polishing of Technology Stack
แตกต่างจาก “cloud intelligent bodies” จำนวนมาก Nano AI เลือกเส้นทางที่ยากกว่าแต่มีแนวโน้มมากกว่า: การ deploying MCP clients ในเครื่อง ทำให้ผู้ใช้สามารถควบคุมได้มากขึ้น
สิ่งนี้นำมาซึ่งข้อดีที่สำคัญอย่างน้อยสามประการ:
- Call freedom: Local intelligent bodies สามารถเข้าถึง file system ของผู้ใช้ เรียก browser และ retrieve database เพื่อให้ได้ task processing ที่เป็นส่วนตัวอย่างแท้จริง
- Breaking through barriers: เพื่อตอบสนองต่อความต้องการเฉพาะของ AI, 360 ได้สร้าง AI browser เฉพาะสำหรับ Nano AI และปรับให้เข้ากับแพลตฟอร์มกระแสหลักในประเทศจีน สามารถ break through login walls, man-machine verification และ information flow interference และดำเนินการต่าง ๆ เช่น login และ sliding verification โดยอัตโนมัติ
- Sandbox guarantee: จากการสะสมเทคโนโลยีความปลอดภัยของ 360 Nano AI จะเปิดตัว local runtime sandbox ในอนาคต ซึ่งสามารถ monitor, early warn และ restrict large model จากการ misoperating local files ที่อาจเกิดขึ้นในเวลาจริง เพื่อให้มั่นใจใน data security
ระบบทั้งหมดนี้ไม่เพียงแต่ช่วยให้ผู้ใช้ “ใช้” มัน แต่ยัง “ใช้มันอย่างปลอดภัย มีประสิทธิภาพ และปรับขนาดได้”
4. Facing Massive Users: Building a Truly Open MCP Ecosystem
Nano AI ไม่เพียงแต่ encapsulate MCP tools แต่ยังเป็นผู้นำในการเปิด skill ecosystem แบบเปิด ปัจจุบัน แพลตฟอร์มนี้มีปริมาณการเข้าชมรายเดือนมากกว่า 400 ล้านครั้ง มี MCP tools คุณภาพสูงมากกว่า 100 รายการออนไลน์ และ MCP Servers ของบุคคลที่สามจำนวนมากขึ้นกำลังเข้าสู่ ผู้ใช้สามารถ upload, reuse และ combine tool skills ได้อย่างอิสระ เพื่อสร้าง AI agent ของตนเอง
สำหรับผู้ใช้ทั่วไป นี่หมายความว่าไม่ใช่ “การใช้ AI ที่ผู้อื่นตั้งค่าไว้” อีกต่อไป แต่สามารถสร้าง AI assistant ที่เป็นส่วนตัวตามความต้องการของตนเอง Paper analysis, data generation, trend monitoring, webpage construction, stock prediction… ตราบใดที่มีความต้องการ ก็มี tools ที่สามารถใช้ร่วมกันได้ และมี tasks ที่สามารถ execute โดยอัตโนมัติ
สำหรับทั้งอุตสาหกรรม นี่หมายความว่าเทคโนโลยี agent กำลังเคลื่อนจาก “closed system” ไปสู่ขั้นตอน “ecological network” Tools, models และ tasks จะไม่ถูกแยกจากกันอีกต่อไป แต่จะเชื่อมโยงกันโดย MCP เป็นภาษาทั่วไป สร้างรูปแบบการทำงานร่วมกันที่ชาญฉลาดอย่างที่ไม่เคยมีมาก่อน
อุปสรรคทางเทคนิคถูกทำลาย: Intelligent Bodies จมลงสู่ C End
กาลครั้งหนึ่ง เกณฑ์ในการใช้ intelligent bodies ยังคงสูงอยู่บนกรอบประตูของผู้พัฒนา ตอนนี้ ด้วยการเปิดตัว Nano AI “MCP Toolbox” MCP ซึ่งเป็น protocol ที่รู้จักกันในชื่อ AI automation infrastructure ได้เข้าสู่สายตาของผู้ใช้ทั่วไปเป็นครั้งแรกในรูปแบบ “fool-style” เกือบทั้งหมด ดังที่ Zhou Hongyi ประธานของ 360 Group กล่าวในการประชุมแบ่งปันก่อนการเปิดตัว: “ผู้ใช้ไม่จำเป็นต้องรู้ว่า MCP Server ถูกเรียกโดยอัตโนมัติใน agent คืออะไร” ด้วย toolbox Nano AI กำลังทำลายอุปสรรคทางเทคนิคของ MCP และอนุญาตให้ intelligent bodies จมลงสู่ C end มากยิ่งขึ้น
การทำ MCP ให้เป็น “toolbox” ฟังดูง่าย แต่ทำได้ยาก สิ่งนี้ไม่เพียงแต่ทดสอบความสามารถในการ integrate เทคโนโลยีเท่านั้น แต่ยังทดสอบ “empathy” ของ product thinking และ user understanding สิ่งที่ Nano AI กำลังทำคือการ encapsulate ความซับซ้อนใน core และให้ freedom แก่ผู้ใช้ เพื่อให้ทุกคนธรรมดาสามารถมี permission ในการ “เรียกโลก AI” ได้เหมือนนักพัฒนา
กระบวนการนี้ไม่ใช่การสร้าง visual interface ที่เรียบง่าย แต่เป็นการเปลี่ยนกระบวนทัศน์การใช้ AI อย่างลึกซึ้ง: intelligent bodies ไม่ได้เป็นเพียง models ที่สามารถพูดและตอบได้อีกต่อไป แต่เป็น partners ที่แท้จริงที่มีความสามารถในการ scheduling ความสามารถ เรียกใช้ tools และทำงานให้เสร็จ
ตั้งแต่นั้นเป็นต้นมา MCP ก็เริ่มเคลื่อนไปสู่ C-end users อย่างแท้จริง ซึ่งอาจเป็นจุดเริ่มต้นทางประวัติศาสตร์ที่ควรจดจำ