作者 | Natasha Wijesekare
编译 | 云昭
智慧总是藏在自然之中。而作为人工制造的AI，更不例外。
然而对于感悟 AI 而言，有时候却需要我们换个环境去散散心。
近日，小编读到一篇散文式的“半旅行半感悟”的神人文章：《从自行车到 AI 智能体：阿姆斯特丹如何改变了我对 AI 的看法》。
这篇文章奇妙之处，就在于作者借“一日游”中我们经常遇到的情形，诸如：骑单车、导航问路、刹车、修车等，来描述现在由大模型带来的各种看似很热但又很模糊的概念——智能体、RAG、AI Coding、MCP、A2A。
你可能会反驳：这有什么，不就是概念科普吗？其实你想当然了。
这里作者的构思角度非常新奇但句句切中要害。它并不是纯科普，而是对于现在的这些新词儿提出了自己的看法。比如：
关于 AI Coding，人们只注意到了 AI for Code，却忽略了真正重要的基础设施反而是 Code for AI。
再比如，我们开发者如何看待 MCP 带来的新增机会？作者一语中的：训练模型是教人骑车，而 MCP 是给他们地图和交通规则。
精彩而引人发醒的内容还有很多。话不多说，这就为大家奉上，建议收藏细品。
1.阿姆斯特丹的AI感悟之旅：从咖啡馆开始
不久前，我去了趟阿姆斯特丹（小编这里注一下：荷兰首都，有“运河之都”的美誉）——那种你会说“我需要休息一下，但我们姑且叫它‘找灵感’”的旅行。我漫步在运河边，手里拿着一杯好到离谱的咖啡，出自一家看起来像是由明信片收藏爱好者装饰的小咖啡馆——椅子全都不配套。那一刻我并没有想着工作，或者说我告诉自己没有。
在 Jordaan 附近的一个十字路口，我驻足观看来来往往的骑行者——有个女孩双手不扶把，一手拿着咖啡，一手刷着手机，在游客与有轨电车交织的混乱中依旧稳稳穿梭，像是理所当然。这一幕让我惊呆了：没有标志、没有指令、没人指挥交通，但每个人都能各自行进，却又奇妙地协调一致。
我不知道为什么，但这一刻让我想到 AI 智能体——理想状态下它们应该如何运作：流畅、灵活、反应迅速、不需要过度管理，安静地完成自己的任务。。
2.智能体就像有任务在身的骑行者
你如果在上下班高峰看过阿姆斯特丹的骑行场景，就知道那是一场芭蕾——混乱却有平衡。几十人各自行动，却保持和谐。没有复杂指令、没有中央调度，却人人都知道要去哪，怎么走。
AI 智能体也该如此——不是那种靠逐步指令驱动的机器人，而是能理解模糊目标、自主完成任务的系统。你不用告诉它每一步该做什么，只需要给出明确的目标，比如：“根据这些提交记录写一个用户友好的更新日志”、“找出下周五三班不早于上午十点到达的好航班”或“清理这个表格并标记看起来异常的项”。然后，它自己去搞定：规划路径、权衡取舍、调用工具、必要时再回来确认。就像骑行者途中灵活绕开人群，找条近路。
3.RAG：边骑边问路
阿姆斯特丹的骑行者并不是每条街都背得滚瓜烂熟。但他们也不会因为到了陌生街区就停下来。他们会看一眼路标、低头瞄手机、问问路，但整个过程中脚没停下过。
这就是检索增强生成（RAG）在 AI 中的作用。传统模型只能依赖训练时学到的内容，但那会过时。而 RAG 让智能体可以实时“查询”最新的信息来源：公司 wiki、实时文档、聊天记录或 API。模型无需记住一切，它只要知道何时、如何去获取关键信息。
比如你问助手：“能把最新的休假政策发给团队吗？”没有 RAG，它可能胡乱编造或者引用旧内容；但有了 RAG，它会真正从 Google Drive 中检索最新政策，并准确发送。这就像是让你的 AI 接入整个组织的“记忆库”——不只是听起来自信，而是真的准确。
区别在于：盲猜路线 vs. 途中查图。骑行者不会因为不确定就僵住——他们调整。这也是 RAG 的精神：保持好奇、灵活响应、不死守剧本，而是勇敢迎接未知。
4.AI 写代码，代码强 AI：边骑边修车
在鹅卵石街道上骑一辆老旧的自行车，你就知道：再好的系统也需要维护。在阿姆斯特丹，骑行者随时可能停下来修点小问题：润滑刹车、紧一下座椅。街边到处都是工具，比如充气泵和小型维修站。这一切只是为了“保持运转”。
这就是“AI 写代码（AI for Code）”和“为 AI 编码（Code for AI）”之间的双人舞。
一方面，Copilot、ChatGPT、Cody 这样的工具彻底改变了写代码的方式：生成样板代码、发现 bug、写测试、解释复杂逻辑。就像你有个懂行的修车工坐在后座，随时帮你紧螺丝。
但反过来，“为 AI 编码”才是基础设施真正搭建的地方。你要在这里定义智能体的行为方式、约束、可用工具和行为规范。你给它一副车架、一套传动系统、一份规则手册——防止它骑错道。
令人兴奋的是，这两者正在形成正向飞轮：AI 越来越会写代码，开发者也就能更轻松地构建更聪明、更可靠的智能体；而这些智能体又反过来帮助我们写出更高质量的代码。
这不仅是为了提速，更是为了持久。你不只是需要一辆会冲刺的 AI，而是要能长途骑行、途中还能自我修复的 AI。
5.MCP：支撑一切的“默契规则”
阿姆斯特丹真正的魔力不只是满街的自行车，而是人们之间的默契节奏。大家自觉减速、自觉让行，自然打手势——不是靠严苛的交通规则或无尽的标志牌，而是一种文化内化的“理解”。正是这种共识，维持了在高密度交通中的流畅秩序。
这就是 Model Context Protocol（MCP）对 AI 的意义。MCP 定义了智能体如何与工具、系统、用户互动。它为智能体提供结构化的上下文：可用资源、禁区、行为规范。就像一个无声的规则手册，每个智能体在入场前都已熟知。
没有 MCP，就像一个菜鸟骑手被扔进阿姆斯特丹街头：没地图、看不懂红绿灯，注定乱撞。而有了 MCP，每个智能体都带着“地图和交通规则”上路，不仅知道自己该怎么行动，也理解整个系统是如何运作的。
AI 的未来不仅是让模型变得更聪明，而是构建共同的标准和框架，让它们在现实世界中协作得更流畅、更安全。换个比喻：训练模型是教人骑车，而 MCP 是给他们地图和交通规则。
6.Agent2Agent：像车队一样协作
当你看到一组骑行者以整齐的队形同步前进、调整速度与间距、顺畅过弯时，那种默契会让人着迷。没有喊话、没有指令，只有安静的配合。一个稍微减速，另一个提速，他们就这样一起顺利拐过街角。
这正是 agent-to-agent 协作所释放的力量。你不需要一个巨大的“万能智能体”来包办一切，而是一群各司其职的“小能手”：一个管日程，一个写提案，一个确保流程合规。就像一支骑行队伍，每人有不同任务，但因为互相关注、彼此配合，整队流畅前行。
当智能体之间能共享状态、委托任务、升级决策、动态协作时，它们不再只是工具，而真正变成了“队友”。
7.最后一圈：阿姆斯特丹带来的 AI 启示
站在那个路口时，我原本并没想过 AI，但它却自己找上门来了。
阿姆斯特丹骑行文化打动我的地方，不只是它有趣、高效，而是那种独立性。没人等指示、没人犹豫，每个人都了解环境、相信直觉，又具备恰到好处的他人意识，从而保持秩序和流动。
我想，我们应该构建的 AI，正是这样的：不是僵化脚本、不是臃肿万金油、一遇混乱就崩溃的系统。而是小巧、有力、具备思考力的智能体：能主动取信息、懂规则、有边界、擅协作，能应对变化，不需时刻监管。
未来的 AI，不应是一列高速却只能跑直线、错过每个转角的子弹列车。而应是一支骑行车队——轻盈、灵活、随时调整。如果还能在混乱中不洒你一滴咖啡？那就更妙了 ~
好了，文章到这里就结束了，各位有没有这种外出旅游的同时，加深了对于技术领域的理解的经历？如果大家对于这篇AI感悟文章有哪些新想法，欢迎评论区交流！
参考链接：https://medium.com/@nwijesekare/from-bicycles-to-ai-agents-how-amsterdam-changed-the-way-i-think-about-ai-111f5a910569
