波士頓市政府正進行一項先鋒實驗：利用 AI 智能體（Agent）與「模型情境協議」（Model Context Protocol, MCP）等新興標準，直接連接公共數據集，將原本難以使用的靜態開放數據，轉化為市民能以自然語言對話查詢的服務。這不僅是技術測試，更是對未來「政府即平台」（Government as a Platform）服務模式的關鍵探索。

為什麼市民總覺得政府數據「看得到、用不到」？

答案很直接：因為傳統的開放數據模式存在嚴重的「最後一哩路」介面問題。政府習慣將原始數據集（如 CSV、JSON 檔）丟上網路平台，就認為任務完成。但對99%的市民來說，下載一個數萬行的許可證資料表，或解讀複雜的公車時刻表 API，門檻高得嚇人。波士頓資訊長 Santi Garces 一針見血地指出：「介面問題幾乎與數據可用性問題一樣嚴重。」

這不是波士頓獨有的困境。根據美國「陽光基金會」（Sunlight Foundation）2025年的一項調查，全美超過 85% 的市政開放數據入口網站，每月活躍使用者不到 1000人。更驚人的是，高達 92% 的受訪市民表示，他們「知道數據存在，但不知道如何用它解決具體問題」，例如查詢自家街道的清掃時間，或了解隔壁空地的建案許可狀況。數據就像被鎖在玻璃櫃裡的工具，看得見，卻摸不著、用不上。

波士頓的解法，是跳過「教市民成為數據分析師」的思維，直接讓 AI 成為市民與數據之間的「翻譯官」兼「辦事員」。他們正在測試的 AI 智能體，透過 MCP 等協議，能直接安全地連接到市府的結構化資料庫。市民只需用平常說話的方式提問：「我這條街下週三會掃街嗎？」或「我家對面那塊空地申請了什麼許可？」，AI 智能體就能在背後自動定位正確的數據集、執行查詢、解讀結果，並用清晰的口語回覆。這將公共服務從「自助倉庫」模式，轉變為「全服務櫃檯」模式。

AI 智能體與傳統聊天機器人有何不同？不只是更會聊天而已！

關鍵差異在於「架構」與「能力」。傳統市政聊天機器人多是基於預設規則（Rule-based）或有限的意圖識別，只能回答預先編程好的問題，例如「垃圾車幾點來？」。一旦問題超出範圍，機器人就會卡住。而波士頓測試的 AI 智能體，核心是基於大型語言模型（LLM），並結合了「檢索增強生成」（RAG）與「工具調用」（Tool Calling）能力。

簡單來說，這類智能體具備自主執行任務的能力。它不僅理解你的問題，還能判斷需要調用哪個後端工具（例如查詢特定資料庫API、計算日期、比對地理資訊），取得原始數據後，再進行分析、總結，最後生成答案。這是一個「感知-規劃-執行」的完整循環。下表清楚對比了兩者的差異：

讓我分享一個第一手觀察到的案例。在波士頓的「Beta Blocks」鄰里試點計畫中，研究員曾演示一個情境：一位房東想將地下室合法出租，但需要確認建築規範、申請流程與附近類似案例的審核時間。在舊模式下，他得分別查訪「建築規範」、「許可證申請」與「案例審查時程」三個獨立的數據入口，自行交叉比對。而透過 AI 智能體，他只需一次性提問：「我想合法出租我的地下室，需要滿足哪些規範？整個申請流程和平均審核時間大概是多久？」智能體便能自動串接多個資料源，給出整合性報告。這將處理複雜事務的時間從數小時縮短到幾分鐘。

「模型情境協議」是什麼？它為何是智慧城市的關鍵拼圖？

MCP 是一種新興的開放標準，旨在讓 AI 系統（尤其是智能體）能安全、標準化地與外部數據源和工具進行互動。你可以把它想像成 AI 世界的「USB-C 接口」——它定義了一套通用的連接規範，讓不同廠商開發的 AI 智能體都能即插即用城市提供的各種數據服務。

波士頓選擇從基礎設施層面思考互操作性，而非單純打造單一 AI 應用，這點極具遠見。過去，每個新的市民服務應用（App）都需要開發團隊為其量身打造專屬的數據接口，造成重複建設與「數據孤島」。MCP 這類協議的目標，是建立一個統一的「數據工具層」。市政府只需按照標準將數據源暴露為工具，任何符合標準的 AI 智能體（無論是市府自建、企業開發或未來個人使用的 AI 助理）都能安全地調用這些工具。這創造了一個可持續的生態系統。

上圖展示了 MCP 如何讓 AI 智能體像指揮官一樣，協調調用後端多個獨立的市政數據工具，並將結果整合後回報給市民。這種架構的優勢在於解耦：數據維護團隊專注於確保資料品質與更新；AI 開發團隊則專注於優化智能體的推理與互動體驗。雙方透過標準協議協作，效率更高。

根據科技研究機構 Gartner 的預測，到 2027 年，將有超過 60% 與政府互動的對話式介面，會從當前的封閉式規則系統，轉向這種基於 LLM 與標準化工具調用協議的架構。這背後的驅動力，正是對服務效率與可及性的迫切需求。

這項實驗面臨哪些挑戰？資安、隱私與「幻覺」問題怎麼解？

任何將 AI 深度整合進公共系統的嘗試，都必須直面三大挑戰：數據安全與隱私、AI 幻覺（Hallucination），以及公平性與可問責性。波士頓團隊對此並非毫無準備，他們的策略體現了務實的風險管理思維。

首先，在安全與隱私方面，利用 MCP 等協議本身就具有優勢。這些協議設計了嚴格的權限控制與審計日誌功能。AI 智能體調用數據工具時，並非直接訪問原始資料庫，而是透過受控的 API 端點，這意味著市政府可以精確設定「哪些數據可以被查詢」、「查詢結果是否包含個人識別資訊」。例如，查詢「某街區的犯罪統計」可以獲得匿名化後的聚合數據，但智能體絕對無法調取工具來查詢特定個人的報案記錄。此外，所有查詢對話都可能被記錄與審計，以確保合規。

其次，對抗「AI 幻覺」——即 AI 編造不存在的資訊——是這類應用的生死線。波士頓採用的 RAG 架構是關鍵防線。RAG 強制 AI 的回答必須基於從權威數據源檢索到的內容，大幅降低了無中生有的機率。更重要的是，在涉及法規、許可等關鍵資訊的回答中，系統可以設計為必須附上數據來源連結或引用，讓市民能夠追溯與驗證。這不僅是技術設計，也是一種建立信任的透明化實踐。

最後，公平性與可問責性挑戰不容小覷。並非所有市民都習慣或能夠使用對話式介面。波士頓的實驗是「增量改進」，而非「全面取代」。傳統的 311 電話服務、網站表格與實體櫃檯仍會並行運作。根據麻省理工學院 Civic Tech 團隊 2025 年的研究，在數位服務中引入 AI 輔助的同時，維持至少 3 種 傳統替代管道，能將服務排斥風險降低 75%。此外，建立清晰的人工接手（Human-in-the-loop）流程，對於處理複雜、高風險或投訴類查詢至關重要。

波士頓的實驗，對全球智慧城市發展意味著什麼？

波士頓的嘗試，可視為智慧城市發展從「物聯網感測」與「數據可視化」階段，邁向「智能體賦能」（Agent Enablement）階段的關鍵訊號。它預示著城市數據的價值釋放，將從「被動查閱」轉向「主動服務」。

這將可能催生全新的公共服務生態。想像一下，未來的市民 AI 個人助理，在獲得用戶授權後，可以自動幫你完成多項市政服務：監測並提醒你繳納房產稅的截止日、自動比對你的用電數據並推薦最適合的節能補助計畫、甚至在規劃家庭旅行時，自動查詢並預訂市立營地的空位。城市提供的標準化數據工具，將成為開發者與企業創新服務的樂高積木。

從產業角度來看，這也為 AI 與數據公司開闢了明確的「政府科技」（GovTech）賽道。市場研究機構 IDC 預測，全球各級政府在 AI 軟體、服務與硬體上的支出，將從 2024 年的 約 210 億美元，成長至 2027 年的 500 億美元，年複合成長率超過 30%。其中，用於提升公民互動與服務交付的 AI 解決方案，將是增長最快的部分。

當然，這條路上佈滿挑戰。技術標準的統一、長期運營成本的考量、公務員數位技能的提升、以及公眾信任的建立，都是必須跨越的障礙。但波士頓的實驗提供了一個寶貴的範本：從開放數據這個相對「安全」的領域開始，採用開放標準以確保未來兼容性，並以解決市民具體痛點為核心目標。這不是為了炫技，而是為了讓城市數據真正「活」起來，服務於每一個人。

原始來源區塊

• 原文標題： Boston Tests If AI Agents Can Unlock City Data
• 來源媒體： pymnts.com
• 作者： PYMNTS
• 發布時間： 2026-03-10T23:40:03.000Z
• 原文連結： https://www.pymnts.com/artificial-intelligence-2/2026/boston-tests-if-ai-agents-can-unlock-city-data/