จาก 0 ถึง AI Agent — บันทึกการเรียนรู้ผ่านโปรเจกต์จริง

ตอนที่ 3: นิยาม Tools ให้ Claude ใช้

ตอนที่แล้วเราเข้าใจแล้วว่า Tool Calling คืออะไร ตอนนี้เราจะมาดูว่า โค้ดจริงๆ เขียนยังไง

โฟกัสตอนนี้: บอก Claude ว่ามี tool อะไรให้ใช้บ้าง และกำหนด behavior ด้วย System Prompt

โครงสร้างโปรเจกต์

ask-my-docs/
├── ask.py          ← โค้ดหลักทั้งหมด
├── .env            ← API Key (อย่า commit!)
├── .gitignore
└── docs/           ← ใส่ไฟล์ .txt ที่อยากให้ AI อ่าน
    ├── python.txt
    └── ...

ไฟล์ที่เราสนใจตอนนี้คือ ask.py เปิดดูส่วนบนสุดก่อน:

import os
import anthropic
import json
from pathlib import Path
from dotenv import load_dotenv
from pydantic import BaseModel
from typing import List

load_dotenv()

client = anthropic.Anthropic()
DOCS_FOLDER = Path("./docs")

ไม่มีอะไรซับซ้อน — import library, โหลด API Key, สร้าง client, กำหนดโฟลเดอร์เอกสาร

System Prompt: กำหนด “บุคลิก” ของ Agent

SYSTEM_PROMPT = """
You are a document assistant for Lewis University EIS team.
You help users find information from internal documents.

Rules:
- Always call list_files first to see what is available
- Only answer from the documents provided
- If the answer is not in the documents, say "I could not find this in the available documents" and stop
- Do not use your general knowledge to fill in missing information
"""

System Prompt คือคำสั่งที่ส่งให้ Claude ก่อนทุกอย่าง — เหมือน “กฎของบ้าน”

สังเกต rule ที่สำคัญ:

“Always call list_files first” — บังคับให้ Claude ดูว่ามีไฟล์อะไรก่อนเสมอ ไม่เดาเอง

“Only answer from the documents” — ห้ามตอบจากความรู้ทั่วไป ถ้าไม่มีในเอกสารต้องบอกตรงๆ

💡 Prompt สำคัญมาก — Claude จะเชื่อฟัง instruction ใน system prompt ค่อนข้างดี การกำหนด rule ชัดเจนทำให้ Agent มีพฤติกรรมที่คาดเดาได้

นิยาม Tools: บอก Claude ว่ามีอะไรให้ใช้

นี่คือส่วนที่น่าสนใจที่สุด เราบอก Claude ว่ามี tool อะไรผ่าน list ของ dictionary:

tools = [
    {
        "name": "list_files",
        "description": "List all available files in the docs folder",
        "input_schema": {
            "type": "object",
            "properties": {},
            "required": []
        }
    },
    ...
]

แต่ละ tool มี 3 ส่วน:

name — ชื่อ tool ที่ Claude จะเรียกใช้

description — อธิบายว่า tool นี้ทำอะไร Claude อ่านตรงนี้เพื่อตัดสินใจว่าจะใช้หรือเปล่า

input_schema — บอกว่า tool นี้รับ parameter อะไรบ้าง

Tool ที่ 1: list_files

{
    "name": "list_files",
    "description": "List all available files in the docs folder",
    "input_schema": {
        "type": "object",
        "properties": {},
        "required": []
    }
}

Tool นี้ง่ายมาก — ไม่ต้องรับ input อะไรเลย (properties ว่างเปล่า) แค่ขอให้ Claude เรียกแล้วจะได้รายชื่อไฟล์กลับไป

Tool ที่ 2: read_file

{
    "name": "read_file",
    "description": "Read the contents of a specific file in the docs folder",
    "input_schema": {
        "type": "object",
        "properties": {
            "filename": {
                "type": "string",
                "description": "The filename to read e.g. notes.txt"
            }
        },
        "required": ["filename"]
    }
}

Tool นี้ต้องการ filename — Claude จะเลือกชื่อไฟล์จากที่ได้จาก list_files แล้วส่งมาให้เรา

สังเกตว่า description ของ filename มีตัวอย่างด้วย e.g. notes.txt — ช่วยให้ Claude รู้ว่าต้องส่ง format แบบไหน

Tool ที่ 3: return_answer (tool พิเศษ)

{
    "name": "return_answer",
    "description": "Return the final answer to the user in structured format",
    "input_schema": {
        "type": "object",
        "properties": {
            "answer":        {"type": "string", "description": "The answer to the user's question"},
            "source_files":  {"type": "array", "items": {"type": "string"}, "description": "Files used to answer"},
            "confidence":    {"type": "string", "enum": ["high", "medium", "low"]},
            "found_in_docs": {"type": "boolean", "description": "Was the answer found in the documents?"}
        },
        "required": ["answer", "source_files", "confidence", "found_in_docs"]
    }
}

Tool นี้ พิเศษ — มันไม่ได้ทำงานอะไรจริงๆ แต่เป็นวิธีบังคับให้ Claude ส่งคำตอบในรูปแบบที่เรากำหนด

แทนที่จะให้ Claude ตอบเป็นข้อความธรรมดา เราบอกว่า “ถ้าจะตอบ ต้องบอก 4 อย่างนี้เสมอ: คำตอบ, ไฟล์ที่ใช้, ความมั่นใจ, และเจอในเอกสารไหม”

💡 เทคนิคนี้เรียกว่า Structured Output via Tool — ดีกว่าการบอกให้ Claude “ตอบเป็น JSON” ตรงๆ เพราะ tool schema บังคับ format ได้เข้มงวดกว่า

Description สำคัญแค่ไหน?

ทดลองนึกดูว่าถ้าเราเปลี่ยน description ของ list_files จาก:

“List all available files in the docs folder”

เป็น:

“ls”

Claude อาจจะไม่รู้เลยว่าควรเรียก tool นี้เมื่อไหร่

description คือ “คำสั่ง” ที่ Claude อ่าน — ยิ่งชัด ยิ่งอธิบายดี Claude ยิ่งใช้ tool ได้ถูกต้อง

สรุปตอนที่ 3

เราบอก Claude ว่ามี tool อะไรผ่าน list ของ dictionary แต่ละ tool มี name, description และ input_schema

สิ่งที่น่าสนใจที่สุดคือ return_answer — tool ที่ไม่ได้ทำงานจริง แต่ใช้บังคับให้ Claude ตอบในรูปแบบที่เรากำหนด

ตอนหน้าเราจะดูว่าเมื่อ Claude ตัดสินใจเรียก tool แล้ว — โปรแกรมของเราจัดการยังไง

📚 Series: จาก 0 ถึง AI Agent — บันทึกการเรียนรู้ผ่านโปรเจกต์จริง

ตอนที่ 1: เริ่มต้นกับ Anthropic API
ตอนที่ 2: Tool Calling คืออะไร
ตอนที่ 3: นิยาม Tools ให้ Claude ใช้ ← คุณอยู่ที่นี่
ตอนที่ 4: Agent Loop — วนจนกว่าจะได้คำตอบ
ตอนที่ 5: Pydantic กับ Structured Output
ตอนที่ 6: รันจริง และสิ่งที่ได้เรียนรู้

Source code ทั้งหมดอยู่ที่ github.com/nipitpongpan/ask-my-docs

นิยาม Tools ให้ Claude ใช้