DJAI Tools MCP เพิ่มความสามารถอะไรให้ AI Agent
AI Agent สามารถวิเคราะห์และวางแผนงานได้ดี แต่เมื่อต้องทำงานกับไฟล์ในเครื่อง นับ token อย่างแม่นยำ จัดข้อมูลให้เป็นโครงสร้าง หรือสร้างไฟล์อย่าง QR Code ตัว Agent ยังต้องมีเครื่องมือที่เชื่อถือได้ DJAI Tools MCP คือ Model Context Protocol Server แบบฟรีและโอเพนซอร์ส ซึ่งช่วยให้ AI Agent และ Coding Agent ที่รองรับ MCP เรียกใช้เครื่องมือจริงบนคอมพิวเตอร์ของผู้ใช้ได้
แทนที่จะอัปโหลดเอกสารไปยัง DJAI ผู้ใช้เป็นคนกำหนดว่า MCP อ่านโฟลเดอร์ใดและเขียนผลลัพธ์ไว้ที่ใด Agent จะเลือก Tool ที่เปิดไว้ กระบวนการในเครื่องจะตรวจสอบคำสั่ง และไฟล์ผลลัพธ์จะถูกบันทึกในโฟลเดอร์ที่อนุญาต DJAI ไม่ได้เป็นผู้ประมวลผลและไม่ได้รับไฟล์ต้นฉบับของผู้ใช้
คู่มือนี้ครอบคลุมขั้นตอนทั้งหมดของ v0.1.0 ตั้งแต่ดาวน์โหลด source code, build, เชื่อมต่อกับ Agent, เลือก profile หรือ Tool แบบเจาะจง, ใช้เครื่องมือทั้ง 8 รายการ, ป้องกันไฟล์ในเครื่อง, แก้ปัญหาที่พบบ่อย และทำความเข้าใจ roadmap อย่างไม่สับสนกับความสามารถที่ใช้งานได้ในปัจจุบัน
MCP ในโปรเจกต์นี้หมายถึงอะไร
Model Context Protocol หรือ MCP เป็นมาตรฐานที่ช่วยให้แอป AI ค้นพบและเรียกใช้เครื่องมือได้ Tool แต่ละตัวมีชื่อ คำอธิบาย รูปแบบ input และผลลัพธ์แบบมีโครงสร้าง ทำให้ Agent เลือกความสามารถให้ตรงกับเป้าหมายของผู้ใช้ โดยไม่ต้องให้ผู้ใช้เปิดหน้าเว็บและกดทุกขั้นตอนด้วยตัวเอง
เครื่องมือฟรีบนเว็บของ DJAI ยังเหมาะกับกรณีที่คนต้องการเปิดหน้าเว็บ เลือกไฟล์ และดาวน์โหลดผลลัพธ์ ส่วน DJAI Tools MCP รองรับ workflow อีกแบบหนึ่ง คือผู้ใช้สั่งให้ Agent เตรียม context, ทำความสะอาดข้อมูล, สร้างไฟล์ หรือทำกระบวนการหลายขั้นตอน แล้ว Agent เรียก Local Tool ที่อธิบายหน้าที่ไว้อย่างชัดเจน
Server รุ่นปัจจุบันสื่อสารผ่าน local stdio Agent จะเปิด Node.js process และแลกเปลี่ยน MCP message กับ process นั้น โปรเจกต์นี้ไม่ใช่ public web API ไม่มีระบบรับอัปโหลดไฟล์ และไม่ควรเปิด process นี้ให้เข้าถึงโดยตรงจากอินเทอร์เน็ต
สิ่งที่ใช้งานได้จริงใน v0.1.0
Release ปัจจุบันมี MCP Tool ที่ผ่านการทดสอบ 8 รายการ แบ่งเป็นเครื่องมือเตรียมข้อมูลสำหรับ AI 4 รายการ เครื่องมือ CSV/JSON 3 รายการ และเครื่องมือสร้าง QR Code แบบ SVG 1 รายการ
เครื่องมือที่ใช้งานได้มีดังนี้:
- djai_ai_count_tokens นับ token, คำ, grapheme, UTF-8 byte, บรรทัด และย่อหน้า
- djai_ai_optimize_context ลบ header หรือข้อความซ้ำ แก้การตัดบรรทัดของ prose และลด whitespace ที่ไม่จำเป็น
- djai_ai_chunk_for_rag สร้าง JSONL chunk แบบกำหนดด้วย token และตั้งค่า overlap ได้
- djai_ai_package_prompt รวมไฟล์ข้อความในเครื่อง 1–20 ไฟล์ด้วยขอบเขต Markdown หรือ XML
- djai_data_csv_to_json แปลง UTF-8 CSV ที่มี header เป็น JSON array
- djai_data_json_to_csv แปลง top-level array ของ flat JSON object เป็น CSV
- djai_data_clean_csv ตัดช่องว่าง ลบแถวว่าง และลบแถวซ้ำแบบตรงกันทุกค่า
- djai_qr_generate สร้าง QR Code แบบ SVG จากข้อความ URL Wi-Fi payload หรือ identifier
การแปลง PDF, DOCX, OCR ภาษาไทยและอังกฤษ, การประมวลผล PNG/JPG/WebP และ XLSX อยู่ใน roadmap แบบแบ่งระยะ ความสามารถเหล่านี้มีให้ใช้แล้วในชุด browser tools แยกต่างหาก แต่ยังไม่ใช่ MCP command ที่ใช้งานได้ใน v0.1.0 การแยกสองส่วนนี้ให้ชัดเจนช่วยป้องกันการตั้งค่าหรือคาดหวังเกินขอบเขตของ release ปัจจุบัน
สิ่งที่ต้องเตรียมก่อนติดตั้ง
ผู้ใช้ต้องมี Node.js 22.13 ขึ้นไป, npm, Git และ AI Agent หรือ Coding Agent ที่รองรับ MCP ใน repository มีตัวอย่างสำหรับ Claude Desktop, Codex, Cursor และ VS Code ส่วน client อื่นสามารถใช้งานได้หากรองรับ local stdio MCP server และกำหนด command พร้อม arguments ได้
ตรวจเวอร์ชัน Node ด้วยคำสั่ง node --version หาก major version ต่ำกว่า 22 ควรอัปเดตก่อน จากนั้นกำหนดโฟลเดอร์ input และ output แยกกัน การอนุญาตเฉพาะโฟลเดอร์เล็กที่จำเป็นปลอดภัยกว่าการอนุญาต home directory ทั้งหมด
ตัวอย่างเช่นสร้างโฟลเดอร์ djai-mcp-input สำหรับไฟล์ต้นฉบับ และ djai-mcp-output สำหรับไฟล์ที่สร้างใหม่ ใน configuration ของ Agent ให้ใช้ absolute path เพราะ desktop application อาจเริ่ม MCP จาก working directory ที่ไม่ตรงกับ terminal ของผู้ใช้
ดาวน์โหลดและ Build จาก GitHub
เปิด terminal แล้ว clone repository ด้วยคำสั่ง:
git clone https://github.com/lovecatisgood-sudo/AI_Agent_MCP_Tool_for_Multi_Docu_PDF_PNG_QR_File_Conversion_Processing_Capability.git
เข้าไปยังโฟลเดอร์ที่ดาวน์โหลด:
cd AI_Agent_MCP_Tool_for_Multi_Docu_PDF_PNG_QR_File_Conversion_Processing_Capability
ติดตั้ง dependency ตามเวอร์ชันที่โปรเจกต์กำหนด:
npm ci
รันชุดตรวจสอบทั้งหมด:
npm run verify
Build TypeScript source:
npm run build
สุดท้ายตรวจว่า compiled server เริ่มทำงานและแสดงเวอร์ชันได้:
node dist/index.js --version
ชื่อ package คือ @djai/tools-mcp และคำสั่งแบบสะดวกที่วางแผนไว้หลัง publish npm คือ npx -y @djai/tools-mcp แต่จนกว่าจะมี npm package ให้ติดตั้งจริง วิธีที่เชื่อถือได้ตามเอกสารปัจจุบันคือ source checkout และการใช้ node dist/index.js
เริ่ม MCP ด้วยขอบเขตโฟลเดอร์ที่ปลอดภัย
ตัวอย่างคำสั่งที่กำหนดสิทธิ์อย่างชัดเจน:
node dist/index.js --profile core --allow-read /absolute/path/to/djai-mcp-input --allow-write /absolute/path/to/djai-mcp-output
เปลี่ยน path ตัวอย่างทั้งสองเป็น absolute path จริงในเครื่อง Read root กำหนดว่า Tool เปิดไฟล์ต้นฉบับจากที่ใดได้ ส่วน write root กำหนดตำแหน่งสร้างไฟล์ผลลัพธ์ หากไฟล์ผลลัพธ์มีอยู่แล้ว ระบบจะไม่เขียนทับ เว้นแต่ผู้ใช้เปิด overwrite อย่างตั้งใจ
ค่าเริ่มต้นจำกัดไฟล์ไว้ที่ 25 MB การ package prompt รองรับสูงสุด 20 ไฟล์และรวมไม่เกิน 50 MB ข้อความ inline จำกัด 100,000 ตัวอักษร และ CSV/JSON จำกัด 100,000 แถว Limit เหล่านี้ช่วยลดความเสี่ยงจากการใช้ทรัพยากรมากเกินไปและทำให้พฤติกรรมของ Agent คาดเดาได้มากขึ้น
เชื่อมต่อ MCP กับ AI Agent หรือ Coding Agent
MCP client ส่วนใหญ่ต้องกำหนดชื่อ server, command และ arguments สำหรับ source checkout command คือ node และ argument แรกคือ absolute path ของ dist/index.js ที่ build แล้ว
Configuration โดยแนวคิดประกอบด้วย:
- ชื่อ server: djai-tools
- Command: node
- Argument แรก: absolute path ไปยัง dist/index.js
- Profile: --profile ตามด้วย core, ai-documents, data, qr หรือ full
- Read permission: --allow-read ตามด้วยโฟลเดอร์ input
- Write permission: --allow-write ตามด้วยโฟลเดอร์ output
ใช้ไฟล์ที่ผ่านการเตรียมไว้ใน examples directory เพื่อดู syntax ของแต่ละ client
Claude Desktop
เริ่มจากไฟล์ claude-desktop.json ใน repository เปลี่ยน placeholder ทุกจุดเป็น absolute path บันทึกในตำแหน่ง configuration ของ Claude Desktop แล้ว restart application หลังเปิดใหม่ให้ตรวจว่าชื่อ DJAI Tools ปรากฏในรายการ Tool ก่อนสั่งประมวลผลไฟล์
Codex
ทำตามตัวอย่าง codex.md และจำกัด read/write root ให้อยู่ใน project หรือ working directory ที่จำเป็น เมื่อเชื่อมต่อแล้วสามารถขอให้ Codex แสดง DJAI Tools ที่เปิดใช้งานและยืนยัน profile ก่อนเริ่ม workflow หลายขั้นตอน
Cursor
ใช้ตัวอย่าง cursor.md และชี้ configuration ไปยัง dist/index.js ที่ build แล้ว Restart หรือ reload Cursor หลังเปลี่ยน MCP setting หาก Tool หาย ให้ตรวจ profile ก่อน rebuild package
VS Code Agent
ใช้ vscode.md เป็นแนวทางสำหรับ extension หรือ agent surface ที่รองรับ MCP ตำแหน่ง setting อาจต่างกันตาม extension แต่ command, arguments และสิทธิ์โฟลเดอร์ยังใช้หลักเดียวกัน
เลือก Profile ที่เล็กแต่เพียงพอ
Profile เป็นตัวกำหนดว่า Agent จะได้รับคำอธิบาย Tool ใดบ้าง Profile ที่เล็กช่วยประหยัด context และลดความสับสนระหว่าง Tool ที่ไม่เกี่ยวข้อง
core เป็นค่าเริ่มต้นและมี Tool ที่ใช้บ่อย 7 รายการ ได้แก่ token counter, context optimizer, RAG chunks, prompt packager, CSV-to-JSON, CSV cleaner และ QR generator โดยไม่รวม JSON-to-CSV เพื่อให้เมนู Tool เริ่มต้นกระชับ
ai-documents มีเครื่องมือ AI 4 รายการ data มี CSV-to-JSON, JSON-to-CSV และ CSV cleaner ส่วน qr เปิดเฉพาะ QR generator และ full เปิดทั้ง 8 Tool ของ v0.1.0
ผู้ใช้สามารถ override profile ด้วย selector แบบเจาะจง เช่น --tools ai.count_tokens,ai.chunk_for_rag เพื่อเปิดเฉพาะ token counter และ RAG chunker วิธีนี้เหมาะกับ automation ที่ต้องการ capability set เล็กและคงที่
Tool 1: นับ Token และโครงสร้างเอกสาร
ใช้ djai_ai_count_tokens เมื่อต้องการประเมิน context ก่อนส่งเนื้อหาให้ AI เปรียบเทียบเอกสารก่อนและหลัง cleanup หรือดูโครงสร้างพื้นฐานของ prompt และ source file
ต้องส่ง text หรือ input_path อย่างใดอย่างหนึ่ง ค่า encoding เริ่มต้นคือ o200k_base และยังรองรับ cl100k_base กับ p50k_base Tool นี้ไม่สร้างไฟล์และไม่แก้ไข input
ตัวอย่างคำสั่งสำหรับ Agent:
นับ token ใน requirements.md ด้วย o200k_base พร้อมรายงานจำนวนคำ grapheme UTF-8 byte บรรทัดและย่อหน้า โดยห้ามแก้ไขไฟล์
นำผลไปประเมินว่าเนื้อหาเหมาะกับ context window ที่ต้องการหรือไม่ Token count เป็นค่าที่ขึ้นกับ tokenizer จึงควรระบุ encoding ทุกครั้งเมื่อส่งต่อผลลัพธ์
Tool 2: ทำความสะอาด Prose สำหรับ AI Context
ใช้ djai_ai_optimize_context กับข้อความจากเอกสารที่มี header ซ้ำ เลขหน้า การตัดคำภาษาอังกฤษ การขึ้นบรรทัดใหม่กลางประโยค หรือช่องว่างเกินจำเป็น Tool รับได้ทั้ง inline text และ local input path ผลลัพธ์ขนาดเล็กอาจส่งกลับโดยตรง ส่วนผลลัพธ์ขนาดใหญ่จะถูกเขียนเป็นไฟล์
ตัวอย่างคำสั่ง:
ทำความสะอาด prose ใน extracted-report.txt สำหรับใช้เป็น AI context บันทึกไฟล์ใหม่ใน output folder และรายงานว่าขนาดลดลงเท่าไร
ไม่ควรใช้กับ source code, configuration ที่ขึ้นกับ whitespace, บทกวี, รูปแบบกฎหมายที่ต้องรักษาตำแหน่ง หรือข้อความที่ line break มีความหมาย Tool นี้ทำความสะอาดรูปแบบ ไม่ได้ตรวจข้อเท็จจริงของเนื้อหา
Tool 3: สร้าง RAG Chunk ตาม Token
ใช้ djai_ai_chunk_for_rag หลังจากมี source text ที่สะอาด Tool จะสร้าง JSONL ด้วย o200k_base tokenizer ค่า chunk_size อยู่ระหว่าง 100–8,000 token ส่วน overlap อยู่ระหว่าง 0–4,000 และต้องน้อยกว่า chunk size
ตัวอย่างคำสั่ง:
แบ่ง clean-handbook.md เป็น RAG chunk ขนาด 700 token และ overlap 100 token เขียน JSONL ใน output folder และรายงานจำนวน chunk
Chunk เล็กช่วยเพิ่มความแม่นยำในการค้นหาแต่มีโอกาสขาดบริบท Chunk ใหญ่รักษาบริบทได้มากขึ้นแต่ดึงข้อมูลส่วนเกินมาด้วย ควรเริ่มจากค่าที่วัดได้ ตรวจ chunk ช่วงต้น กลาง และท้าย แล้วปรับตามเนื้อหาจริง
Tool 4: รวมหลายไฟล์เป็น Prompt Package
ใช้ djai_ai_package_prompt เมื่อ requirement, reference, source snippet และ instruction อยู่คนละไฟล์ Tool จะรวม UTF-8 file จำนวน 1–20 ไฟล์เป็น package เดียวด้วย Markdown หรือ XML boundary พร้อม instruction และ output path ที่กำหนดได้
ตัวอย่างคำสั่ง:
รวม requirements.md, api-notes.md และ schema.sql เป็น context file เดียวด้วย XML boundary วาง task instruction ไว้ด้านบน รักษาชื่อ source และบันทึกใน output directory
Tool ไม่ได้ตัดสินว่าไฟล์ใดเกี่ยวข้องแทนผู้ใช้ ก่อน package ควรขอให้ Agent เลือกเฉพาะเนื้อหาที่จำเป็น เพื่อลด context ซ้ำและข้อมูลที่ไม่ช่วยงาน
Tool 5: แปลง CSV เป็น JSON
ใช้ djai_data_csv_to_json กับ UTF-8 CSV ที่มี header row ผลลัพธ์เป็น JSON array ที่จัดรูปแบบแล้ว ค่าใน CSV ยังคงเป็น string เพื่อหลีกเลี่ยงการเดาชนิดข้อมูลผิดโดยอัตโนมัติ
ตัวอย่างคำสั่ง:
แปลง cleaned-customers.csv เป็น JSON รักษาทุก field เป็น string บันทึกในเครื่อง และรายงาน parser warning กับจำนวนแถว
ตรวจ warning ก่อนนำข้อมูลเข้า API หรือ database จำนวน column ที่ไม่สม่ำเสมอ quote ที่ผิด หรือแถวเสียหายอาจต้องกลับไปแก้ต้นทาง
Tool 6: แปลง JSON เป็น CSV
ใช้ djai_data_json_to_csv เมื่อ source เป็น top-level JSON array ที่มี flat object Tool จะปฏิเสธ input ที่ไม่ใช่ array หรือมี row ที่ไม่ใช่ object และไม่ flatten nested object หรือ array ให้เอง
ตัวอย่างคำสั่ง:
แปลง contacts.json เป็น CSV และรายงาน column ที่สร้าง หากพบ nested value ให้หยุดและอธิบาย field ที่ต้อง normalize ก่อน
ข้อจำกัดที่ชัดเจนนี้ปลอดภัยกว่าการ serialize โครงสร้างซับซ้อนลง spreadsheet cell แบบคาดเดาไม่ได้
Tool 7: ทำความสะอาด CSV
ใช้ djai_data_clean_csv เพื่อตัดช่องว่างใน header และ value ลบแถวว่าง และลบแถวซ้ำที่ตรงกันทุกค่า Tool ไม่ทำ fuzzy matching ไม่เดาชนิดข้อมูล และไม่ตัดสินว่าชื่อคล้ายกันสองชื่อคือคนเดียวกัน
ตัวอย่างคำสั่ง:
ทำความสะอาด registrations.csv ลบแถวว่างและแถวซ้ำแบบตรงกัน เก็บไฟล์ต้นฉบับไว้ และรายงานจำนวนแถวก่อนกับหลัง
ควรใช้ก่อน CSV-to-JSON เมื่อข้อมูล export มี whitespace หรือแถวซ้ำ สำหรับการ deduplicate ข้อมูลธุรกิจที่สำคัญ ควรกำหนด identifier และ matching rule ตามโดเมนแยกต่างหาก
Tool 8: สร้าง QR Code แบบ SVG ในเครื่อง
ใช้ djai_qr_generate เพื่อ encode ข้อความสูงสุด 4,096 ตัวอักษรเป็นไฟล์ SVG QR Code รองรับ error correction L, M, Q และ H ตั้ง margin ได้ 0–16 ความกว้าง 64–4,096 และกำหนดสีมืดหรือสว่างด้วยค่า hex 6 หลัก
ตัวอย่างคำสั่ง:
สร้าง QR Code SVG ขนาด 1,024 pixel สำหรับ https://www.djai.academy/tools/ ใช้ error correction H สี foreground เป็น navy และ background สีขาว แล้วบันทึกใน output folder
Tool จะ encode ข้อมูลตามที่ได้รับ แต่ไม่เปิดหรือตรวจสอบ URL ผู้ใช้ควรตรวจ destination และสแกน QR Code ด้วยอุปกรณ์มากกว่าหนึ่งเครื่องก่อนเผยแพร่หรือพิมพ์
Workflow: เตรียม Context สำหรับ Coding Agent
เริ่มจากนับ token ของ source หากเนื้อหาเป็น prose ที่มี page artifact หรือบรรทัดแตก ให้ optimize และบันทึกเป็นไฟล์ใหม่ จากนั้นนับ cleaned version อีกครั้งเพื่อวัดผล ตรวจเนื้อหา เลือกเฉพาะไฟล์ที่เกี่ยวข้อง และ package ด้วย boundary ที่ชัดเจนพร้อม instruction สั้นและตรงเป้าหมาย
ตัวอย่างคำสั่งที่ดี:
วัดขนาดไฟล์ใน input folder ระบุ prose ที่ทำความสะอาดได้อย่างปลอดภัย เก็บต้นฉบับทั้งหมดไว้ รวมเฉพาะ requirement และ reference ที่เกี่ยวข้องสำหรับ Codex แล้วรายงาน output path และ token count ทุกไฟล์
Workflow นี้แยก measurement, cleanup และ packaging ออกจากกัน ทำให้มี checkpoint แทนการสั่งให้ Agent เปลี่ยนทุกอย่างโดยไม่ตรวจสอบ
Workflow: เตรียม RAG Knowledge Base
เริ่มจาก source text ที่อ่านได้สะอาด ใช้ context optimizer เฉพาะเมื่อ prose มีข้อความซ้ำหรือ page noise นับ token เลือก chunk size เริ่มต้น สร้าง JSONL แล้วตรวจ output ช่วงต้น กลาง และท้าย
คำสั่งเริ่มต้นที่ใช้งานได้จริง:
ทำความสะอาด handbook.txt นับ token หลัง cleanup สร้าง JSONL chunk ขนาด 700 token overlap 100 token เก็บต้นฉบับไว้ และรายงานจำนวน chunk พร้อม output path
อย่าสับสนระหว่าง chunk generation กับ embedding หรือ vector database ingestion MCP ปัจจุบันเตรียม JSONL chunk ที่สร้างซ้ำได้ ส่วน RAG platform ที่เลือกจะทำ embedding, indexing, retrieval evaluation และ access control
Workflow: ทำความสะอาดและแปลงข้อมูล Export
สั่งให้ Agent ทำความสะอาด CSV ก่อน รายงานแถวที่ลบ แล้วค่อยแปลง cleaned result เป็น JSON เก็บ original CSV, cleaned CSV และ JSON แยกกัน หากต้องแปลง JSON กลับเป็น CSV ในภายหลัง ต้องรักษาโครงสร้างให้เป็น flat array of objects
ตัวอย่างคำสั่ง:
ทำความสะอาด leads.csv ลบเฉพาะแถวว่างและแถวซ้ำแบบตรงกัน แปลง cleaned data เป็น JSON แล้วรายงานจำนวนแถว input/output, warning และ path ของไฟล์ที่สร้าง
Structured result ของ MCP ทำให้ตรวจสอบย้อนหลังได้ เพราะ operation ที่สำเร็จจะรายงาน output path, ขนาด, processing time, warning และ modifiedInput false
Security Checklist ก่อนใช้กับไฟล์จริง
- อนุญาตเฉพาะโฟลเดอร์ที่ต้องใช้
- ห้ามอนุญาต filesystem root, home directory ทั้งหมด, secrets folder หรือชุด repository ที่ไม่เกี่ยวข้อง
- แยก source directory และ output directory
- ปิด overwrite ไว้จนกว่าต้องการแทนที่ไฟล์จริง
- ทดสอบ configuration ใหม่ด้วย synthetic file
- ตรวจทุก path ที่ Agent รายงาน
- มอง model-generated argument และไฟล์ที่ดาวน์โหลดมาเป็น untrusted input
- ใช้ least-privilege account, container หรือ virtual machine กับไฟล์ที่ไม่น่าเชื่อถือ
- ห้ามเปิด local stdio server เป็น network service
- อัปเดต dependency และรัน npm run verify หลัง upgrade
MCP process ได้รับ permission ของ user account ที่ใช้เปิด process การตรวจ path เป็น boundary ที่สำคัญ แต่ไม่สามารถแทน operating-system permission และการอนุมัติอย่างระมัดระวังของผู้ใช้ได้
วิธีแก้ปัญหาที่พบบ่อย
Server Build ไม่ผ่าน
ตรวจว่า Node.js เป็น 22.13 ขึ้นไป รัน npm ci จาก repository root แล้วรัน npm run verify อ่าน command แรกที่ fail แทนการข้าม verification
Agent หา DJAI Tools MCP ไม่เจอ
ใช้ absolute path ไปยัง dist/index.js ตรวจว่า npm run build สำเร็จ ตรวจ client configuration และ restart agent application เพราะ desktop client มักไม่ reload MCP setting อัตโนมัติ
Tool หายจากรายการ
ตรวจ profile ที่เลือก core จงใจไม่รวม JSON-to-CSV ให้ใช้ data หรือ full หรือเลือกแบบเจาะจงด้วย --tools data.json_to_csv
MCP ปฏิเสธ Input Path
Canonical path ของไฟล์ต้องอยู่ภายใน allowed read root ย้าย source เข้า input folder ที่อนุญาต หรือ restart MCP พร้อม root เพิ่มเติมที่แคบ ห้ามแก้ปัญหาด้วยการอนุญาต home directory ทั้งหมด
MCP ไม่ยอมเขียนผลลัพธ์
Parent ของ destination ต้องมีอยู่จริงภายใน allowed write root หรือ output เดิมอาจมีอยู่แล้วขณะที่ overwrite protection ทำงาน เลือกชื่อไฟล์ใหม่หากไม่ได้ตั้งใจแทนที่
แปลง CSV หรือ JSON ไม่ได้
ตรวจว่า input เป็น UTF-8 และมีโครงสร้างตามที่ Tool ต้องการ CSV ต้องมี header row ส่วน JSON-to-CSV ต้องเป็น top-level array ของ flat object Nested structure ต้อง normalize ก่อน
QR Code เปิดปลายทางผิด
MCP encode ข้อมูลตามที่ได้รับ ตรวจ payload ใส่ URL scheme ให้ครบหากจำเป็น สร้างใหม่ และทดสอบหลายอุปกรณ์
ความสามารถที่อยู่ใน Roadmap
Roadmap วางแผน PDF merge, split, rotate และ watermark; การดึง PDF text และ AI Markdown; OCR ภาษาไทยและอังกฤษในเครื่อง; DOCX conversion; การประมวลผล PNG, JPG และ WebP; PDF-to-image, image-to-PDF และ CSV/XLSX
ก่อน MCP phase เหล่านี้ release สามารถใช้ DJAI PDF Tools, Image Tools, Document และ OCR Tools และ Spreadsheet Tools บน browser ได้ เครื่องมือบนเว็บประมวลผลในอุปกรณ์ของผู้ใช้และเป็นคนละส่วนกับ MCP command ปัจจุบัน
ฟรีและโอเพนซอร์สภายใต้ MIT License
DJAI Tools MCP เผยแพร่ภายใต้ MIT License ผู้ใช้สามารถใช้ คัดลอก แก้ไข รวม เผยแพร่ แจกจ่าย sublicense และขายสำเนา รวมถึงใช้ในงานเชิงพาณิชย์ได้ โดยต้องเก็บ copyright notice และ permission notice ไว้ในสำเนาหรือส่วนสำคัญของซอฟต์แวร์
การแสดงเครดิตเป็นสิ่งที่ผู้พัฒนายินดีและขอบคุณ แต่ MIT License ไม่ได้บังคับให้แสดงเครดิตบนหน้าใช้งาน License ไม่ได้ให้สิทธิ์ trademark หรืออนุญาตให้นำ fork ที่แก้ไขแล้วไปอ้างว่าเป็นผลิตภัณฑ์ทางการของ DJAI Academy
เริ่มใช้งานและร่วมพัฒนา
เปิด DJAI Tools MCP บน GitHub อ่าน security documentation, build release ปัจจุบัน และเริ่มด้วย profile ขนาดเล็กพร้อม synthetic test file
หากโปรเจกต์ช่วย workflow ของคุณ สามารถกด star, รายงานปัญหาที่ทำซ้ำได้, เสนอ capability ที่มีขอบเขตชัดเจน, ปรับปรุง example หรือส่ง pull request ที่มี test รวมถึงทดลอง DJAI Tools ฟรี และติดตามผลงานของ Siamese Cat Dev
งานแรกที่ดีที่สุดควรเล็กและวัดผลได้ เช่นนับเอกสาร ทำความสะอาด CSV เตรียม RAG chunk ไม่กี่ชุด หรือสร้าง QR Code หนึ่งไฟล์ ตรวจผลลัพธ์ ทำความเข้าใจ permission แล้วค่อยเพิ่มความสามารถให้ Agent อย่างมีจุดประสงค์