Tool calling

Tool Calling: เมื่อ AI ไม่ได้แค่ “ตอบ” แต่สามารถ “ลงมือทำ”

AI ยุคแรก ๆ มีหน้าที่หลัก คือ Generate Text — เราถาม และ AI ตอบ

แต่ AI Agent ต้องมีประสิทธิภาพมากกว่านั้น

สามารถ เรียกใช้เครื่องมือ (Tools) เพื่อทำงานจริง เช่น ค้นข้อมูลจาก Database, เรียก API, เช็ก Stock, สร้าง Order หรือส่ง Email

เรียกสิ่งนี้ว่า Tool Calling

จาก “Answer” ไปสู่ “Action”

หากถาม AI ว่า

“เที่ยวบินกรุงเทพฯ ไป โตเกียวพรุ่งนี้ มีไฟลต์ไหนราคาถูกที่สุด?”

Chatbot ทั่วไปอาจตอบจากความรู้ที่มีอยู่

แต่ AI Agent สามารถทำงานเป็นขั้นตอน

User → AI → Tool → API → Result → AI → Answer

เช่น

User → LLM → Flight Search Tool → Airline API → Flight Data → LLM → Recommendation

AI ไม่จำเป็นต้องรู้ราคาตั๋วล่วงหน้า

เพียงรู้ว่า “ถ้าต้องการข้อมูลนี้ ต้องเรียก Tool ไหน”

Tool Calling ทำงานอย่างไร?

โดยทั่วไป LLM จะไม่ได้เรียก API โดยตรง แต่จะสร้าง structured request เช่น

{

"tool": "search_flight",

"arguments": {

"from": "BKK",

"to": "TYO",

"date": "2026-08-11"

}

ระบบ Agent หรือ Orchestrator จะนำคำสั่งนี้ไป execute

จากนั้นผลลัพธ์จะถูกส่งกลับเข้า Context ของ AI

LLM → Tool Call → Execute → Tool Result → LLM

เป็นวงจรสำคัญของ Agentic AI

Reason → Act → Observe → Reason

Tool Calling ต่างจาก MCP อย่างไร?

สองอย่างนี้ไม่ใช่สิ่งเดียวกัน

Tool Calling คือ ความสามารถของ AI ในการบอกว่า

“ต้องการใช้ Tool นี้ พร้อม Parameters เหล่านี้”

ส่วน MCP (Model Context Protocol) เป็นมาตรฐานสำหรับทำให้ AI สามารถค้นพบและเชื่อมต่อกับ Tools และ Data Sources ได้อย่างเป็นระบบ

ทำไม Tool Calling ถึงสำคัญ?

เพราะ AI จะเปลี่ยนจาก

AI ที่ “รู้” เป็น AI ที่ “ลงมือทำ”

เมื่อเชื่อมต่อกับ Database, CRM, ERP, Payment, Cloud และ Internal Systems แล้ว AI จะไม่ได้เป็นเพียง Chat Interface อีกต่อไป

แต่เป็น Interface ใหม่ของ Software

ในอนาคต ผู้ใช้อาจไม่ต้องเปิด 10 Apps เพื่อทำงานหนึ่งงานแต่อาจบอก AI เพียงครั้งเดียว แล้วให้ Agent เรียก Tools ที่จำเป็นทั้งหมดแทน