作者 | Natasha Wijesekare
編譯 | 云昭
智慧總是藏在自然之中。而作為人工制造的AI，更不例外。
然而對于感悟 AI 而言，有時候卻需要我們換個環境去散散心。
近日，小編讀到一篇散文式的“半旅行半感悟”的神人文章：《從自行車到 AI 智能體：阿姆斯特丹如何改變了我對 AI 的看法》。
這篇文章奇妙之處，就在于作者借“一日游”中我們經常遇到的情形，諸如：騎單車、導航問路、剎車、修車等，來描述現在由大模型帶來的各種看似很熱但又很模糊的概念——智能體、RAG、AI Coding、MCP、A2A。
你可能會反駁：這有什么，不就是概念科普嗎？其實你想當然了。
這里作者的構思角度非常新奇但句句切中要害。它并不是純科普，而是對于現在的這些新詞兒提出了自己的看法。比如：
關于 AI Coding，人們只注意到了 AI for Code，卻忽略了真正重要的基礎設施反而是 Code for AI。
再比如，我們開發者如何看待 MCP 帶來的新增機會？作者一語中的：訓練模型是教人騎車，而 MCP 是給他們地圖和交通規則。
精彩而引人發醒的內容還有很多。話不多說，這就為大家奉上，建議收藏細品。
1.阿姆斯特丹的AI感悟之旅：從咖啡館開始
不久前，我去了趟阿姆斯特丹（小編這里注一下：荷蘭首都，有“運河之都”的美譽）——那種你會說“我需要休息一下，但我們姑且叫它‘找靈感’”的旅行。我漫步在運河邊，手里拿著一杯好到離譜的咖啡，出自一家看起來像是由明信片收藏愛好者裝飾的小咖啡館——椅子全都不配套。那一刻我并沒有想著工作，或者說我告訴自己沒有。
在 Jordaan 附近的一個十字路口，我駐足觀看來來往往的騎行者——有個女孩雙手不扶把，一手拿著咖啡，一手刷著手機，在游客與有軌電車交織的混亂中依舊穩穩穿梭，像是理所當然。這一幕讓我驚呆了：沒有標志、沒有指令、沒人指揮交通，但每個人都能各自行進，卻又奇妙地協調一致。
我不知道為什么，但這一刻讓我想到 AI 智能體——理想狀態下它們應該如何運作：流暢、靈活、反應迅速、不需要過度管理，安靜地完成自己的任務。。
2.智能體就像有任務在身的騎行者
你如果在上下班高峰看過阿姆斯特丹的騎行場景，就知道那是一場芭蕾——混亂卻有平衡。幾十人各自行動，卻保持和諧。沒有復雜指令、沒有中央調度，卻人人都知道要去哪，怎么走。
AI 智能體也該如此——不是那種靠逐步指令驅動的機器人，而是能理解模糊目標、自主完成任務的系統。你不用告訴它每一步該做什么，只需要給出明確的目標，比如：“根據這些提交記錄寫一個用戶友好的更新日志”、“找出下周五三班不早于上午十點到達的好航班”或“清理這個表格并標記看起來異常的項”。然后，它自己去搞定：規劃路徑、權衡取舍、調用工具、必要時再回來確認。就像騎行者途中靈活繞開人群，找條近路。
3.RAG：邊騎邊問路
阿姆斯特丹的騎行者并不是每條街都背得滾瓜爛熟。但他們也不會因為到了陌生街區就停下來。他們會看一眼路標、低頭瞄手機、問問路，但整個過程中腳沒停下過。
這就是檢索增強生成（RAG）在 AI 中的作用。傳統模型只能依賴訓練時學到的內容，但那會過時。而 RAG 讓智能體可以實時“查詢”最新的信息來源：公司 wiki、實時文檔、聊天記錄或 API。模型無需記住一切，它只要知道何時、如何去獲取關鍵信息。
比如你問助手：“能把最新的休假政策發給團隊嗎？”沒有 RAG，它可能胡亂編造或者引用舊內容；但有了 RAG，它會真正從 Google Drive 中檢索最新政策，并準確發送。這就像是讓你的 AI 接入整個組織的“記憶庫”——不只是聽起來自信，而是真的準確。
區別在于：盲猜路線 vs. 途中查圖。騎行者不會因為不確定就僵住——他們調整。這也是 RAG 的精神：保持好奇、靈活響應、不死守劇本，而是勇敢迎接未知。
4.AI 寫代碼，代碼強 AI：邊騎邊修車
在鵝卵石街道上騎一輛老舊的自行車，你就知道：再好的系統也需要維護。在阿姆斯特丹，騎行者隨時可能停下來修點小問題：潤滑剎車、緊一下座椅。街邊到處都是工具，比如充氣泵和小型維修站。這一切只是為了“保持運轉”。
這就是“AI 寫代碼（AI for Code）”和“為 AI 編碼（Code for AI）”之間的雙人舞。
一方面，Copilot、ChatGPT、Cody 這樣的工具徹底改變了寫代碼的方式：生成樣板代碼、發現 bug、寫測試、解釋復雜邏輯。就像你有個懂行的修車工坐在后座，隨時幫你緊螺絲。
但反過來，“為 AI 編碼”才是基礎設施真正搭建的地方。你要在這里定義智能體的行為方式、約束、可用工具和行為規范。你給它一副車架、一套傳動系統、一份規則手冊——防止它騎錯道。
令人興奮的是，這兩者正在形成正向飛輪：AI 越來越會寫代碼，開發者也就能更輕松地構建更聰明、更可靠的智能體；而這些智能體又反過來幫助我們寫出更高質量的代碼。
這不僅是為了提速，更是為了持久。你不只是需要一輛會沖刺的 AI，而是要能長途騎行、途中還能自我修復的 AI。
5.MCP：支撐一切的“默契規則”
阿姆斯特丹真正的魔力不只是滿街的自行車，而是人們之間的默契節奏。大家自覺減速、自覺讓行，自然打手勢——不是靠嚴苛的交通規則或無盡的標志牌，而是一種文化內化的“理解”。正是這種共識，維持了在高密度交通中的流暢秩序。
這就是 Model Context Protocol（MCP）對 AI 的意義。MCP 定義了智能體如何與工具、系統、用戶互動。它為智能體提供結構化的上下文：可用資源、禁區、行為規范。就像一個無聲的規則手冊，每個智能體在入場前都已熟知。
沒有 MCP，就像一個菜鳥騎手被扔進阿姆斯特丹街頭：沒地圖、看不懂紅綠燈，注定亂撞。而有了 MCP，每個智能體都帶著“地圖和交通規則”上路，不僅知道自己該怎么行動，也理解整個系統是如何運作的。
AI 的未來不僅是讓模型變得更聰明，而是構建共同的標準和框架，讓它們在現實世界中協作得更流暢、更安全。換個比喻：訓練模型是教人騎車，而 MCP 是給他們地圖和交通規則。
6.Agent2Agent：像車隊一樣協作
當你看到一組騎行者以整齊的隊形同步前進、調整速度與間距、順暢過彎時，那種默契會讓人著迷。沒有喊話、沒有指令，只有安靜的配合。一個稍微減速，另一個提速，他們就這樣一起順利拐過街角。
這正是 agent-to-agent 協作所釋放的力量。你不需要一個巨大的“萬能智能體”來包辦一切，而是一群各司其職的“小能手”：一個管日程，一個寫提案，一個確保流程合規。就像一支騎行隊伍，每人有不同任務，但因為互相關注、彼此配合，整隊流暢前行。
當智能體之間能共享狀態、委托任務、升級決策、動態協作時，它們不再只是工具，而真正變成了“隊友”。
7.最后一圈：阿姆斯特丹帶來的 AI 啟示
站在那個路口時，我原本并沒想過 AI，但它卻自己找上門來了。
阿姆斯特丹騎行文化打動我的地方，不只是它有趣、高效，而是那種獨立性。沒人等指示、沒人猶豫，每個人都了解環境、相信直覺，又具備恰到好處的他人意識，從而保持秩序和流動。
我想，我們應該構建的 AI，正是這樣的：不是僵化腳本、不是臃腫萬金油、一遇混亂就崩潰的系統。而是小巧、有力、具備思考力的智能體：能主動取信息、懂規則、有邊界、擅協作，能應對變化，不需時刻監管。
未來的 AI，不應是一列高速卻只能跑直線、錯過每個轉角的子彈列車。而應是一支騎行車隊——輕盈、靈活、隨時調整。如果還能在混亂中不灑你一滴咖啡？那就更妙了 ~
好了，文章到這里就結束了，各位有沒有這種外出旅游的同時，加深了對于技術領域的理解的經歷？如果大家對于這篇AI感悟文章有哪些新想法，歡迎評論區交流！
參考鏈接：https://medium.com/@nwijesekare/from-bicycles-to-ai-agents-how-amsterdam-changed-the-way-i-think-about-ai-111f5a910569
