┌─────────────┐         ┌─────────────┐         ┌─────────────┐
│   AI Agent  │◄───────►│  MCP Client │◄───────►│  MCP Server │
│  (Claude,   │   MCP   │  (built-in) │   MCP   │  (CRM ของ   │
│  OpenClaw)  │Protocol │             │Protocol │  คุณ, DB)   │
└─────────────┘         └─────────────┘         └─────────────┘

AI Agent → โค้ดกำหนดเอง → เอกสาร API → Auth Token → จัดการข้อผิดพลาด → การแปลงข้อมูล → ระบบธุรกิจ
   ↓
ทำซ้ำสำหรับทุกระบบและทุกเครื่องมือ AI

AI Agent → MCP Client → MCP Server → ระบบธุรกิจ
   ↓
กำหนดค่าครั้งเดียว ทำงานได้ข้ามแพลตฟอร์ม AI

{
  "name": "create_contact",
  "description": "สร้างรายชื่อใหม่ใน CRM",
  "parameters": {
    "type": "object",
    "properties": {
      "name": {"type": "string", "description": "ชื่อเต็มของรายชื่อ"},
      "email": {"type": "string", "description": "ที่อยู่อีเมล"},
      "company": {"type": "string", "description": "ชื่อบริษัท"},
      "tags": {"type": "array", "items": {"type": "string"}}
    },
    "required": ["name", "email"]
  }
}

AI: "ฉันจะสร้างรายชื่อนั้นให้คุณ"
→ เรียก create_contact(name="John Smith", email="[email protected]", company="Acme Corp")
→ รับการยืนยันพร้อม ID รายชื่อ
→ "เสร็จแล้ว! ฉันได้เพิ่ม John Smith เข้า CRM ของคุณแล้ว ID รายชื่อ: CRM-12345"

{
  "uri": "crm://pipeline/current",
  "name": "Sales Pipeline ปัจจุบัน",
  "description": "Deals ที่ใช้งานอยู่พร้อมขั้นตอน, มูลค่า และความน่าจะเป็นที่จะปิด"
}

ผู้ใช้: "Pipeline ของเราเป็นอย่างไรบ้าง?"
AI: [เข้าถึง crm://pipeline/current]
→ "คุณมี €450K ใน pipeline ที่ใช้งานอยู่ทั่ว 12 deals 
    3 deals (€180K) อยู่ในการเจรจาขั้นสุดท้าย คาดว่าจะปิดในไตรมาสนี้
    2 deals (€95K) ต้องการติดตามกลับ - ฉันร่างอีเมลเหล่านั้นให้ได้ไหม?"

{
  "name": "generate_follow_up_email",
  "description": "สร้างอีเมลติดตามผลแบบส่วนบุคคลจากข้อมูล CRM",
  "arguments": [
    {"name": "contact_id", "description": "ID รายชื่อ CRM", "required": true},
    {"name": "tone", "description": "โทนอีเมล: professional/friendly/urgent", "required": false}
  ]
}

AI: "ฉันต้องวิเคราะห์ข้อมูลการขาย Q1 เพื่อตอบคำถามของคุณ"
→ [ขอการเข้าถึงรายงานการขาย]
→ [ผู้ใช้อนุมัติหรือให้ข้อมูล]
→ AI ดำเนินการต่อด้วย context ที่สมบูรณ์

ได้รับคำถามจากลูกค้า
         ↓
MCP: ดึงประวัติ ticket สนับสนุน (Zendesk)
MCP: ดึงข้อมูลการสั่งซื้อ (Shopify)
MCP: ดึงสถานะบัญชี (Stripe)
MCP: ดึงการติดตามการจัดส่ง (ShipStation)
         ↓
AI วิเคราะห์ context ที่สมบูรณ์
         ↓
AI ร่างคำตอบเฉพาะบุคคลหรือส่งต่อไปยังผู้เชี่ยวชาญ

// node workflow n8n ที่เชื่อมต่อกับ MCP servers
const mcpServers = {
  zendesk: { command: "npx", args: ["@zendesk/mcp-server"] },
  shopify: { command: "npx", args: ["@shopify/mcp-server"] },
  stripe: { command: "npx", args: ["@stripe/mcp-server"] }
};

// AI agent ได้รับ context ทั้งหมดและสร้างคำตอบ
const aiResponse = await mcpClient.processWithContext({
  query: ticketContent,
  servers: mcpServers
});

Lead ใหม่เข้าสู่ระบบ (LinkedIn/Website)
         ↓
MCP: เพิ่มข้อมูล lead (Clearbit)
MCP: วิจัยบริษัท (Crunchbase)
MCP: ตรวจสอบการเชื่อมต่อร่วมกัน (LinkedIn)
MCP: วิเคราะห์เว็บไซต์ (Scraping + AI)
         ↓
AI สร้าง outreach แบบส่วนบุคคล
         ↓
MCP: เข้าคิวใน email sequencer (Apollo/Outreach)
MCP: สร้างงาน CRM (Salesforce/HubSpot)

กำหนดเวลา: วันแรกของเดือน, 6 โมงเช้า
         ↓
MCP: ดึงข้อมูลรายได้ (Stripe)
MCP: ดึงข้อมูลค่าใช้จ่าย (QuickBooks)
MCP: ดึงข้อมูลเงินเดือน (Gusto)
MCP: ดึงค่าใช้จ่าย marketing (Google Ads/Facebook)
MCP: ดึง MRR/ARR (ChartMogul)
         ↓
AI วิเคราะห์ trends และความผิดปกติ
         ↓
AI สร้างรายงาน narrative พร้อม insights
         ↓
MCP: บันทึกใน Google Drive
MCP: แจ้ง stakeholders (Slack)
MCP: กำหนดการประชุมคณะกรรมการหาก metrics กระตุ้น thresholds

{
  "mcpServers": {
    "stripe": {
      "command": "npx",
      "args": ["-y", "@stripe/mcp-server"],
      "env": { "STRIPE_SECRET_KEY": "{{$env.STRIPE_KEY}}" }
    },
    "quickbooks": {
      "command": "npx", 
      "args": ["-y", "@quickbooks/mcp-server"],
      "env": { "QB_ACCESS_TOKEN": "{{$env.QB_TOKEN}}" }
    }
  }
}

Content Brief สร้างขึ้น
         ↓
MCP: วิจัยหัวข้อ (Perplexity/Search APIs)
MCP: วิเคราะห์ content ของคู่แข่ง (SEO tools)
MCP: ตรวจสอบแนวทางแบรนด์ (Notion)
MCP: ตรวจสอบปฏิทิน content (Airtable)
         ↓
AI ร่างบทความที่ปรับให้เหมาะกับ SEO และเสียงแบรนด์
         ↓
MCP: สร้าง featured image (DALL-E/Stable Diffusion)
MCP: สร้าง social media variations (Buffer)
MCP: กำหนดเวลาใน CMS (WordPress/Contentful)
         ↓
MCP: แจ้งทีมเพื่อตรวจสอบ (Slack)

// กำหนดค่า MCP client ใน n8n
const client = new MCPClient({
  servers: {
    filesystem: { command: "npx", args: ["-y", "@modelcontextprotocol/server-filesystem", "/data"] },
    slack: { command: "npx", args: ["-y", "@slack/mcp-server"] },
    github: { command: "npx", args: ["-y", "@github/mcp-server"] }
  }
});

// AI สามารถเรียก workflows n8n ที่ใช้ tools เหล่านี้ได้แล้ว

// workflow n8n ที่เปิดเผยเป็น MCP server
const server = new MCPServer({
  name: "business-automation",
  tools: [
    {
      name: "process_invoice",
      handler: async (params) => {
        // เรียก workflow n8n
        return await n8n.triggerWorkflow('invoice-processing', params);
      }
    }
  ]
});

// ~/.openclaw/mcp.json
{
  "mcpServers": {
    "n8n": {
      "command": "npx",
      "args": ["-y", "n8n-as-code", "skills", "mcp"],
      "description": "การเข้าถึง 537 nodes n8n และ templates workflow 7,700+ รายการ"
    },
    "browser": {
      "command": "npx",
      "args": ["-y", "@browser/mcp-server"],
      "description": "การทำงานอัตโนมัติของเบราว์เซอร์และ web scraping"
    },
    "git": {
      "command": "uvx",
      "args": ["mcp-server-git", "--repository", "/path/to/repo"]
    }
  }
}

ผู้ใช้: "หา leads ทั้งหมดที่ไม่ได้รับการติดต่อใน 30 วันและร่างอีเมล re-engagement แบบส่วนบุคคล"

OpenClaw:
1. MCP → HubSpot: สอบถาม contacts (last_contact > 30 วัน)
2. MCP → Clearbit: เพิ่มข้อมูลบริษัท
3. MCP → LinkedIn: วิจัยข่าวบริษัทล่าสุด
4. AI: ร่างอีเมลแบบส่วนบุคคลสำหรับแต่ละ segment
5. MCP → n8n: เข้าคิวอีเมลในลำดับ Apollo
6. MCP → Slack: แจ้งทีมขายพร้อมสรุป

ผลลัพธ์: 47 อีเมลแบบส่วนบุคคลถูกร่างใน 4 นาที

// ~/.claude/mcp.json
{
  "mcpServers": {
    "postgres": {
      "command": "docker",
      "args": ["run", "-i", "--rm", "mcp/postgres", "postgresql://localhost/mydb"]
    },
    "redis": {
      "command": "uvx",
      "args": ["mcp-server-redis"]
    },
    "aws": {
      "command": "npx",
      "args": ["-y", "@aws/mcp-server"]
    }
  }
}

ผู้ใช้: "Check in ให้ฉันสำหรับเที่ยวบินไปโตเกียว"

Opera Neon MCP:
1. นำทางไปยังเว็บไซต์สายการบิน
2. เข้าถึงการจองผ่านหมายเลขยืนยัน
3. เสร็จสิ้นกระบวนการ check-in
4. ดาวน์โหลด boarding pass
5. เพิ่มในปฏิทิน
6. แจ้งผู้ใช้ด้วยการยืนยัน

Workflow: Sales Follow-up แบบอัตโนมัติ
├── CRM: HubSpot MCP
├── อีเมล: Gmail/Outlook MCP  
├── การวิจัย: Clearbit MCP
└── การนัดหมาย: Calendly MCP

{
  "mcpServers": {
    "hubspot": {
      "command": "npx",
      "args": ["-y", "@hubspot/mcp-server"],
      "env": { "HUBSPOT_API_KEY": "{{$env.HUBSPOT_KEY}}" }
    },
    "clearbit": {
      "command": "npx",
      "args": ["-y", "@clearbit/mcp-server"],
      "env": { "CLEARBIT_API_KEY": "{{$env.CLEARBIT_KEY}}" }
    }
  }
}

// Trigger: Lead ใหม่ใน HubSpot
const lead = $input.first().json;

// AI วิเคราะห์ด้วย tools MCP
const enrichedData = await mcpClient.useTools([
  { server: "clearbit", tool: "enrich_company", params: { domain: lead.company_domain } },
  { server: "hubspot", tool: "get_contact_history", params: { email: lead.email } }
]);

// AI สร้าง follow-up แบบส่วนบุคคล
const emailDraft = await ai.generateEmail({
  context: enrichedData,
  tone: "professional",
  purpose: "introduction"
});

// บันทึกใน HubSpot
await mcpClient.useTool("hubspot", "create_task", {
  contactId: lead.id,
  task: "ส่งอีเมล intro แบบส่วนบุคคล",
  notes: emailDraft
});

                    ┌─────────────────┐
                    │  Master Agent   │
                    └────────┬────────┘
                             │
        ┌────────────────────┼────────────────────┐
        │                    │                    │
   ┌────▼────┐         ┌─────▼─────┐         ┌────▼────┐
   │Research │         │  Writing  │         │ Review  │
   │  Agent  │         │   Agent   │         │  Agent  │
   └────┬────┘         └─────┬─────┘         └────┬────┘
        │                    │                    │
        └────────────────────┼────────────────────┘
                             │
                    ┌────────▼────────┐
                    │  MCP Tool Layer │
                    └─────────────────┘

// AI แนะนำการดำเนินการ
const suggestion = await ai.proposeAction(context);

// เข้าคิวเพื่อตรวจสอบโดยมนุษย์ผ่าน MCP
await mcpClient.useTool("slack", "send_approval_request", {
  channel: "#approvals",
  message: `AI เสนอ: ${suggestion.summary}`,
  actions: ["อนุมัติ", "ปฏิเสธ", "แก้ไข"]
});

// รอการตอบสนองจากมนุษย์
const approval = await waitForSlackResponse();

if (approval.action === "อนุมัติ") {
  await executeAction(suggestion);
}

// บันทึก context การสนทนา
await mcpClient.useTool("database", "save_context", {
  sessionId: currentSession,
  context: conversationSummary
});

// ต่อมา ดึงมาสำหรับ session ใหม่
const previousContext = await mcpClient.useTool("database", "get_context", {
  sessionId: currentSession
});

// สอบถาม MCP servers ที่มีอยู่
const availableServers = await discoverMCPServers();

// AI ตัดสินใจว่าจะใช้ tools ใด
const toolPlan = await ai.planToolUsage({
  goal: userRequest,
  availableTools: availableServers
});

// ดำเนินการตามการเรียก tool ที่วางแผนไว้
for (const step of toolPlan.steps) {
  await mcpClient.useTool(step.server, step.tool, step.params);
}

// ✅ ดี: ใช้ environment variables
{
  "mcpServers": {
    "stripe": {
      "env": { "STRIPE_KEY": "{{$env.STRIPE_SECRET_KEY}}" }
    }
  }
}

// ❌ ไม่ดี: ฝังข้อมูลรับรองความถูกต้อง
{
  "mcpServers": {
    "stripe": {
      "env": { "STRIPE_KEY": "sk_live_12345..." }
    }
  }
}

# ใช้ผู้ใช้ฐานข้อมูลแบบ read-only สำหรับ MCP
DATABASE_URL="postgres://readonly_user:pass@localhost/analytics"

const auditLogger = {
  logToolCall: (server, tool, params, result) => {
    // บันทึกไปยัง SIEM หรือระบบ audit
    securityLog.info({
      event: "mcp_tool_call",
      server,
      tool,
      timestamp: new Date(),
      user: currentUser
    });
  }
};

const rateLimiter = new RateLimiter({
  maxRequestsPerMinute: 60,
  maxTokensPerHour: 100000
});

// นำไปใช้กับการเรียก MCP
const result = await rateLimiter.limit(() =>
  mcpClient.useTool(server, tool, params)
);

const sensitivePatterns = [/\b\d{16}\b/, /\b\d{3}-\d{2}-\d{4}\b/]; // บัตรเครดิต, SSNs

const sanitizedResult = sanitize(result, sensitivePatterns);