摘要：道法术是中国传统智慧里的三层认知框架。把它落到 AI 领域，你会发现大多数 AI 项目的失败不是技术问题，而是层次错位。本文从底层规律、方法论、具体工具三个维度，把 AI 落地的框架讲清楚。

什么是道法术

道法术不是玄学，是中国传统智慧用来拆解任何一件事的三层框架。

道回答"为什么"，是事物运行的根本规律，不变的东西。

法回答"大框架怎么做"，是基于道总结出来的方法论、策略和体系。

术回答"手上怎么操作"，是落地的具体技能、工具和动作。

方向错了，地图再精确也没用。地图错了，走得再快也是绕路。有了方向和地图，脚下的路怎么走都不会太差。

AI 的道：把经验变成可复用的杠杆

人为什么能看懂一张托书就知道要填哪些字段？因为脑子里有经验模式。AI 做的就是把这种模式从人脑子里拿出来，变成算法，然后 7×24 小时不休息地跑。

AI 不是替代人，是放大人的杠杆。一个操作员一天处理 50 单，AI 帮他预处理到 95% 的准确率，他一天能处理 200 单。

这个道不会变。不管是大模型还是小模型，不管用 OpenAI 还是通义千问，本质都是一样的：把经验变成可复用的能力，然后规模化。

AI 的法：五条铁律

第一条：先找场景，再选技术

不要拿着锤子找钉子。先看哪个环节最耗人力、最重复、最容易标准化，再决定用什么 AI 能力。

我们做系统时，第一步不是选模型，而是算账。把每个业务环节的人力消耗换算成钱：这件事如果能自动化，每月能省多少人工。按数值排序，从高到低推进。

智能接单每月节省 1.5 个人工，排第一。智能对账节省 1 个人工，排第二。智能客服节省 0.5 个人工，排第三。

量化思维比"AI 很重要"这种空话有用一万倍。

第二条：数据质量决定 AI 天花板

垃圾进，垃圾出。

智能接单准不准，不取决于模型多大，取决于你喂给它的托书样本够不够多、够不够准。历史数据不清洗、不结构化，再好的模型也白搭。

那些躺在文件夹里的历史数据，格式五花八门，清洗工作量可能比开发 AI 功能本身还大。先做数据标准化评估，再立项。

第三条：人机协作，不是人机替代

95% 的准确率听起来不错，但那 5% 的错误往往需要人工复核全部结果。

好的设计是让 AI 做 95%，人审那 5%。设置置信度阈值，低于阈值自动转人工，高于阈值才自动执行。

这就是兜底机制。没有兜底的 AI 系统，出一次错就能让用户失去所有信任。

第四条：先跑通闭环，再追求完美

不要花三个月做一个"完美的"AI 接单系统。先用最简单的 OCR 加规则引擎跑起来，拿到真实数据，再迭代。

MVP 思维。能用就行，数据会告诉你该往哪个方向优化。

第五条：把知识变成资产

每一票历史业务数据、每一次销售实战案例、每一份投标方案，都是训练素材。不利用起来，就是浪费。

这就是"过去场景"的价值。把历史数据从"文件"改造成"知识"，变成可查询、可学习、可复用的企业资产。

AI 的术：我们手头的工具链

有了道和法，术就是执行层面的东西。举个我在做的其中一个例子：

模型层：Qwen3、glm-5、通义千问。这是基础能力。

框架层：

OpenClaw 多智能体架构：烧饼做协调调度，大饼做情报搜集，小六做内容分发，黑虎做社区运营。每个 Agent 有明确的职责边界。

Hermes Agent：工程师和研究员角色，负责代码实现、技术调研、质量审核。

ACP 协议：Agent 之间的通信标准，让不同 Agent 能协同工作。

技能层：

博客 API：自动化发布和编辑文章，支持分类管理、评论互动。

OCR 识别：PaddleOCR 高精度中文识别，处理托书、报关单等文档。

浏览器自动化：CDP Proxy 操控 Chrome，完成需要登录态的复杂操作。

定时任务：LaunchAgent 自动化调度，每天早上自动生成晨报、新闻摘要。

具体操作：

hermes chat -q "指令" 让 Hermes 做事。blog.sh publish 一键发博客。morning-report.sh 自动生成晨报。

三种典型的失败模式

只有术没有道

买了个大模型，跑起来觉得"好厉害"，但不知道用来干什么。今天让 AI 写首诗，明天让 AI 画个图，后天让 AI 翻译篇文章。好玩，但跟业务没关系。三个月后问"AI 给我们带来了什么"，答不上来。

工具在手，方向全无。

只有道没有术

知道 AI 很重要，知道要降本增效，也知道要量化 ROI。但具体用什么模型、怎么接入系统、数据怎么清洗、API 怎么调用，一个都不会。

想法很好，落地为零。

有道有术，没有法

知道方向是对的，手头也有工具，但不知道先做什么后做什么。东一枪西一棒，搞了好几个 AI 系统，各自为政，无法体系化，最后成了孤岛。

贯通的状态

知道 AI 的本质是把经验变成可复用的杠杆，方向就不会偏。知道要先找高 ROI 场景、先跑 MVP、人机协作、数据先行，路径就不会错。手头有 OpenClaw、Hermes、博客 API、OCR 工具链，动作就不会慢。

比如物流系统的AI 落地矩阵

AI 的落地不是技术竞赛。找到最该被自动化的场景，用最小的成本拿到最大的效果。量化每一个场景的投入产出，让业务和技术配合，体系化规划而不是各自为政。