เริ่มต้นใช้งาน MCP-ChatBridge

MCP-ChatBridge คือ MCP server ขนาดเล็กที่ต่อ agent ของคุณ (Claude Code, Codex หรือ MCP client อื่น) เข้ากับเว็บแชต Gemini, ChatGPT และ Claude ที่คุณลงชื่อเข้าใช้ไว้แล้ว เพื่อทำสองอย่างที่ agent ตัวเดียวทำเองได้ไม่ดีหรือทำไม่ได้เลย:
- ความเห็นที่ 2: ส่งแผน โค้ด หรือข้อสรุปไปให้โมเดลอีกตัวที่ไม่มีบริบทเดียวกันช่วยตรวจ แล้วอ่านคำตอบกลับมา
- สร้างภาพด้วย Gemini หรือ ChatGPT: Claude สร้างภาพเองไม่ได้ แต่สั่ง Gemini หรือ ChatGPT ให้วาดแล้วเก็บไฟล์ลงเครื่องผ่าน bridge ได้
ทั้งสองอย่างใช้บัญชีเว็บที่คุณมีอยู่ ไม่ต้องใส่ API key และไม่ต้องรันโมเดลตัวที่สองในเครื่อง
โปรเจกต์นี้เป็น Infrastructure / Supporting ของ HALOENDEAVOR: มันไม่ใช่ Local AI agent แต่เป็นเครื่องมือเสริมที่ให้ agent ของคุณทำสิ่งที่ทำเองไม่ได้ และไม่ให้เว็บแชตอ่านไฟล์ แก้ไฟล์ หรือควบคุม Mac แทนคุณ
ทำไมต้องมีสองอย่างนี้
ความเห็นที่ 2: คนเขียนตรวจงานตัวเองได้ไม่ครบ
เมื่อ agent เขียนแผนหรือโค้ดเสร็จแล้วตรวจเอง มันใช้สมมติฐานชุดเดียวกับตอนเขียน จึงมักมองข้ามจุดเดิม โมเดลอีกตัวที่เริ่มจากแชตเปล่าไม่ติดสมมติฐานนั้น จึงช่วยชี้สิ่งที่ถูกมองข้ามได้ (นี่คือเหตุผลของการออกแบบ ผู้เขียนยังไม่ได้วัดว่าจับบั๊กได้กี่เปอร์เซ็นต์)
ความเห็นที่ 2 คือ คำแนะนำ ไม่ใช่ผู้ตัดสิน agent ที่เรียกใช้ยังต้องเอาข้อสังเกตไปตรวจกับ source code หรือเอกสารจริงก่อนลงมือแก้
สร้างภาพ: จุดอ่อนที่ Claude เติมไม่ได้เอง
Claude ผลิตข้อความและโค้ด แต่สร้างไฟล์ภาพเองไม่ได้ ถ้างานของคุณต้องมีภาพปก ภาพประกอบ หรือแก้ภาพที่มีอยู่ bridge นี้ให้ทางเลือก: agent สั่ง ask_gemini หรือ ask_chatgpt ด้วย action="generate_image" แล้วเว็บแชตของเจ้านั้นวาดให้ bridge เก็บไฟล์ลงดิสก์ และ agent เปิดไฟล์ดูว่าตรงกับที่สั่งก่อนรายงานว่าเสร็จ รูปปกของบทความนี้และของคู่มือสั่งสร้างภาพสร้างด้วย Gemini ผ่านวิธีนี้
เครื่องมือที่มีให้
มี tool หนึ่งตัวต่อหนึ่งผู้ให้บริการ และสั่งงานผ่านพารามิเตอร์ action:
| Tool | ใช้ทำอะไร |
|---|---|
ask_gemini |
ขอความเห็นที่ 2 และ สร้างภาพ |
ask_chatgpt |
ขอความเห็นที่ 2 และ สร้างภาพ |
ask_claude |
ขอความเห็นที่ 2 จาก Claude Web |
action |
หน้าที่ |
|---|---|
status |
ตรวจว่า browser profile และเซสชันพร้อมใช้งาน |
ask |
ส่ง prompt แล้วรอคำตอบ |
generate_image |
สั่งสร้างภาพ แล้วเก็บไฟล์ลงเครื่อง (ใช้กับ ask_gemini และ ask_chatgpt) |
last_response |
อ่านบทสนทนาล่าสุด ใช้กู้คืนหลังหมดเวลา โดยไม่ส่งซ้ำ |
new_chat |
เปิดบทสนทนาใหม่ |
close |
ปิด browser ของผู้ให้บริการนั้น |
ความต้องการของเครื่อง
- macOS
- Google Chrome
- Python 3.11
- บัญชีของผู้ให้บริการที่ต้องการใช้ (Gemini, ChatGPT หรือ Claude) ถ้าต้องการสร้างภาพ ใช้ได้กับบัญชี Gemini หรือ ChatGPT
ติดตั้ง
git clone https://github.com/halochamp/MCP-ChatBridge.git
cd MCP-ChatBridge
python3.11 -m venv .venv
source .venv/bin/activate
python3.11 -m pip install -r requirements.txt
Dependency หลักคือ browser-use และ mcp ตามเวอร์ชันใน requirements.txt ติดตั้งใน virtual environment ของโปรเจกต์ ไม่ปะปนกับ Python อื่นในเครื่อง
เชื่อมต่อกับ agent
ชี้ command ไปยัง server.py ใน checkout นี้ path ด้านล่างเป็นตัวอย่าง ต้องแทนด้วย path จริงของเครื่องคุณ:
# Claude Code
claude mcp add mcp-chatbridge -- /path/to/python3 /path/to/MCP-ChatBridge/server.py
# Codex
codex mcp add mcp-chatbridge -- /path/to/python3 /path/to/MCP-ChatBridge/server.py
อย่าให้หลาย MCP client เปิด profile เดียวกันพร้อมกัน เพราะ server ออกแบบให้มี process เดียวเป็นเจ้าของ browser profile ในแต่ละครั้ง
ลงชื่อเข้าใช้ครั้งแรก
- เรียก
statusของ tool ที่จะใช้ก่อน (เช่นask_gemini) bridge จะเปิด Chrome profile เฉพาะของเจ้านั้นให้ ลงชื่อเข้าใช้ด้วยตัวเอง หากมี CAPTCHA หรือ human verification ให้ทำตามขั้นตอนบนหน้าจอ ระบบไม่พยายามข้ามการตรวจสอบ - เรียก
statusอีกครั้งให้ได้readyก่อนเริ่มใช้งาน - ถ้าจะใช้เจ้าอื่นด้วย ทำซ้ำกับ tool ของเจ้านั้น แต่ละเจ้ามี Chrome profile แยกกัน
ขอความเห็นที่ 2
สั่ง agent ให้ระบุผู้ให้บริการให้ชัด เช่น “ขอความเห็นที่ 2 จาก Gemini ว่าแผน migration นี้มีจุดเสี่ยงอะไร” bridge จะถูกเรียกเมื่อคุณสั่งเท่านั้น ไม่ได้ส่งงานออกไปเองเบื้องหลัง
ข้อควรทำเพื่อให้ได้ความเห็นที่มีประโยชน์:
- ส่งหลักฐานไปใน prompt เอง เว็บแชตอ่านไฟล์ในเครื่องคุณไม่ได้ ต้องแปะโค้ด diff หรือข้อความที่ต้องการให้ตรวจลงไปตรงๆ
- บอกให้ชัดว่าให้ตรวจอะไร เช่น “ชี้จุดที่ผิดพร้อมเหตุผล” ได้ผลดีกว่า “ช่วยดูหน่อย”
- เปิดแชตใหม่ (
new_chat) ทุกครั้งที่เริ่มรีวิวงานใหม่ เพื่อไม่ให้บริบทเก่าปน - ตรวจคำตอบก่อนเชื่อ นำข้อสังเกตไปเทียบกับ source code หรือเอกสารจริง
- ห้ามส่งความลับ prompt ไปที่เว็บของผู้ให้บริการ
response ที่ได้กลับมาคือข้อความทั้งแชต (มีข้อความเมนูหรือท้ายหน้าปนมาบ้าง) agent ต้องอ่านหาคำตอบเอง ไม่ใช่ข้อความคำตอบเพียงอย่างเดียว
สร้างภาพด้วย Gemini หรือ ChatGPT
สร้างภาพได้ทั้งสองเจ้า ใช้พารามิเตอร์ชุดเดียวกัน และผลลัพธ์รูปแบบเดียวกัน เลือกเจ้าที่คุณมีบัญชีและลงชื่อเข้าใช้ไว้:
ask_gemini(action="generate_image",
prompt="Generate an image: <คำสั่งที่ละเอียด>",
max_images=1)
ask_chatgpt(action="generate_image",
prompt="Generate an image: <คำสั่งที่ละเอียด>",
max_images=1)
- ภาพถูกเก็บที่
~/Pictures/MCP-ChatBridge/gemini/หรือ~/Pictures/MCP-ChatBridge/chatgpt/ตามเจ้าที่ใช้ เปลี่ยนได้ด้วยsave_dirและเก็บนอก repository ไม่ถูก commit - กับ Gemini ใช้เวลาราว 25-60 วินาทีในการทดสอบของผู้เขียน ระหว่างรอ bridge ตรวจหน้าแชตเป็นช่วงๆ และห้ามเรียกซ้ำ
- ผลสำเร็จคือ
ok=trueและimages[].pathเป็นไฟล์ที่เซฟแล้ว กับ Gemini ถ้าsourceเป็นfull_downloadคือไฟล์ขนาดเต็ม (เช่น 2752x1536) ถ้าเป็นdisplayedคือขนาดที่หน้าเว็บแสดง (ราว 1024 px) - แนบภาพต้นฉบับ ด้วย
attach_images=["/path/to/image.png"]เพื่อให้เจ้านั้นอธิบายหรือแก้ภาพนั้น รับ PNG/JPEG/WEBP สูงสุด 4 ไฟล์ ไฟล์ละไม่เกิน 16 MB ภาพที่แนบถูกอัปโหลดไปที่ผู้ให้บริการที่คุณเลือก จึงแนบเฉพาะภาพที่คุณอนุญาต - ถ้าตอบกลับโดยไม่มีภาพ (
status="no_image") ให้ดูข้อความตอบ แล้วปรับ prompt ก่อนสั่งใหม่ bridge ไม่ส่งซ้ำเอง
prompt ต้องละเอียดเสมอ prompt สั้นๆ ได้ภาพที่ใช้ได้แต่ไม่ใช่ภาพที่ต้องการ อ่านวิธีเขียนได้ใน สั่งสร้างภาพด้วย Gemini ให้ได้ภาพที่ต้องการ คู่มือนั้นเขียนจากการทดสอบกับ Gemini ผู้เขียนยังไม่ได้เทียบผลกับ ChatGPT ด้วย prompt เดียวกัน
ทนต่อการเปลี่ยนหน้าเว็บ
หน้าเว็บแชตเปลี่ยนบ่อย ครั้งหนึ่ง ChatGPT เลิกใช้โครงหน้าที่ bridge เคยนับข้อความ ทำให้ทุกคำสั่งล้มทั้งที่ข้อความถูกส่งและตอบแล้ว ตอนนี้ bridge จึงใช้ โหมดอ่านทั้งแชต กับทุกเจ้า: ดึงข้อความทั้งบทสนทนา และดูเฉพาะสัญญาณทั่วไป เช่น ข้อความโตขึ้นหรือหยุดนิ่ง มีปุ่มหยุดหรือไม่ และมีภาพใหม่หรือไม่ จึงไม่ผูกกับชื่อ element ที่เปลี่ยนได้ง่าย
ขอบเขตและความปลอดภัย
- สื่อสารด้วย browser automation ผ่าน Chrome profile เฉพาะ ไม่ใช่ API ของผู้ให้บริการ และไม่ส่ง cookie หรือ browser storage ออกมา
- มี guard สำหรับ profile path และ CDP target/origin เพื่อกันการต่อผิด browser เมื่อเงื่อนไขไม่ตรงระบบหยุดแบบ fail-closed
- หน้าเข้าสู่ระบบ (เช่นของ Google) เปิดได้เพื่อให้คุณล็อกอินเอง แต่ bridge ไม่พิมพ์ ไม่คลิก และไม่แก้หน้าเหล่านั้น
- ไม่เปิดเครื่องมืออ่าน/เขียนไฟล์ รัน shell หรือควบคุมหน้าจอให้เว็บแชต
- prompt และรูปที่แนบไปที่เว็บของผู้ให้บริการ จึงห้ามส่งความลับหรือข้อมูลส่วนตัว
- ถ้าส่ง prompt แล้วไม่แน่ใจว่าสำเร็จหรือหมดเวลา bridge จะไม่ส่งซ้ำเอง ให้ใช้
last_responseกู้คืนคำตอบ - หากหน้าเว็บเปลี่ยน โผล่ CAPTCHA หรือมี human verification ให้หยุดและจัดการด้วยตัวเอง ห้ามพยายาม bypass
สิ่งที่ผู้เขียนทดสอบจริง
ทดสอบบนเครื่องของผู้เขียนเมื่อ 2026-10-31 ผ่าน Claude Code: ขอความเห็นแบบข้อความผ่านทั้งสามผู้ให้บริการสำเร็จ สร้างภาพ แนบภาพต้นฉบับ และดาวน์โหลดไฟล์ขนาดเต็มกับ Gemini สำเร็จ ส่วน ChatGPT ทดสอบสร้างภาพสำเร็จ 1 ครั้ง และแนบภาพต้นฉบับเข้าแชตสำเร็จ ส่วนที่ยังไม่ได้ทดสอบคือการตั้งค่าหน้าเว็บเป็นภาษาไทย และการลงชื่อเข้าใช้ใหม่ผ่านหน้าต่างของ bridge เว็บของแต่ละเจ้าเปลี่ยนได้ทุกเมื่อ จึงควรทดสอบเองหลังลงชื่อเข้าใช้ก่อนใช้งานจริง
รายละเอียด implementation และ review contract ฉบับเต็มอยู่ใน README ของ MCP-ChatBridge บน GitHub
ความคิดเห็น
กำลังโหลดความคิดเห็น...