!封面
业务和技术的"双语者"，是既能在自己的专业领域里精准识别场景和痛点，又能理解 AI 的技术逻辑——知道模型怎么工作、agent 怎么编排、规则怎么嵌入——然后把两者对接起来的人。
不是"懂代码的律师"，也不是"懂法律的程序员"。这两个描述都不对。前者低估了技术认知的深度，后者高估了写代码的必要性。双语者真正的能力是把业务需求翻译成技术约束条件，再把技术能力翻译成业务解决方案。
为什么现在需要这个能力
去年一年我讲了 32 场 AI 课，有一个很深的体感：AI 这件事，你听再多没有用，必须下场。
但一旦下场，马上会碰到一个问题——你是律师，没有技术背景，不会写代码，英文可能还不太好。打开终端看到黑底白字的命令行，第一反应是抗拒。这很正常。
好在我们赶上了这个时期。AI 让每个人身边都有了一个无所不能的老师。以前你要找一个专业的人聊，任何一个专业的人都没办法跟你口袋里那个 AI 比知识量。碰到的所有困难，都可以通过与 AI 交流逐步解决。
第一个障碍——恐惧感——可以通过 AI 本身来解决。
第二个障碍更隐蔽，也更根本。
当你克服了恐惧，开始用 AI 做实际工作，你会撞上一堵墙：明明跟 AI 说得很清楚了，它给你的东西就是不对。法条是编的，数据算错了，格式乱七八糟。反复改 prompt，反复调参数，问题依然在。
大多数人这时候会得出一个结论：AI 还不够好，等它再发展发展。
真正的问题不是 AI 不够好。是你缺少一种能力——你不知道 AI 在什么时候应该被信任，什么时候不应该；你不知道同样一个任务，用大模型直接做和用脚本做，结果天差地别；你不知道模型、数据、编排这三样东西是怎么互相制约的。
你能说业务语言，但听不懂技术语言。就像一个只会说中文的人和一个只会说英文的人试图合作——两边都说了很多，信息没有真正传递过去。
双语者的三层能力
<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 600 360">
<defs>
<marker id="arrow" markerWidth="8" markerHeight="6" refX="8" refY="3" orient="auto">
<path d="M0,0 L8,3 L0,6 Z" fill="#333"/>
</marker>
</defs>
<rect width="600" height="360" fill="#fff" rx="6"/>
<!-- Layer 3 (top) -->
<rect x="80" y="30" width="440" height="70" rx="4" fill="#1a1a1a"/>
<text x="300" y="58" text-anchor="middle" font-size="15" font-weight="700" fill="#fff">第三层：连接能力</text>
<text x="300" y="80" text-anchor="middle" font-size="12" fill="#ccc">把场景拆成步骤 → 为每一步选择正确的工具 → 编排成可复用的工作流</text>
<!-- Arrow down -->
<line x1="300" y1="100" x2="300" y2="125" stroke="#999" stroke-width="1" marker-end="url(#arrow)"/>
<!-- Layer 2 (middle) - two columns -->
<rect x="80" y="130" width="210" height="80" rx="4" fill="#f5f5f5" stroke="#ddd" stroke-width="1"/>
<text x="185" y="158" text-anchor="middle" font-size="14" font-weight="700" fill="#333">技术认知</text>
<text x="185" y="178" text-anchor="middle" font-size="11" fill="#666">模型/数据/算力三要素</text>
<text x="185" y="196" text-anchor="middle" font-size="11" fill="#666">Agent/Skill/MCP 分别是什么</text>
<rect x="310" y="130" width="210" height="80" rx="4" fill="#f5f5f5" stroke="#ddd" stroke-width="1"/>
<text x="415" y="158" text-anchor="middle" font-size="14" font-weight="700" fill="#333">场景知识</text>
<text x="415" y="178" text-anchor="middle" font-size="11" fill="#666">痛点在哪里、客户要什么</text>
<text x="415" y="196" text-anchor="middle" font-size="11" fill="#666">工作流的隐性规则是什么</text>
<!-- Arrow down -->
<line x1="300" y1="210" x2="300" y2="235" stroke="#999" stroke-width="1" marker-end="url(#arrow)"/>
<!-- Layer 1 (bottom) -->
<rect x="80" y="240" width="440" height="90" rx="4" fill="#fafafa" stroke="#ddd" stroke-width="1"/>
<text x="300" y="268" text-anchor="middle" font-size="14" font-weight="700" fill="#333">第一层：基础素养</text>
<text x="300" y="290" text-anchor="middle" font-size="11" fill="#666">不怕命令行 · 能用 AI 解决报错 · 知道怎么向 AI 描述问题</text>
<text x="300" y="310" text-anchor="middle" font-size="11" fill="#666">动手习惯 > 理论知识</text>
</svg>第一层：动手能力
听起来很基础，但这一层拦住的人最多。
我开了一期 AI 培训课，做了一个刻意设计：课前布置环境部署和软件安装，但明确说课上不讲怎么装软件，也不会辅导。碰到问题自己去问 AI。
这个设计的目的不是为难人，是测试。如果你完全没有基础，一定会在这个过程中产生心理抗拒——看不懂，无从下手，看到黑色的代码行不知道怎么办。但如果最终借助 AI 的解答，不断试错，慢慢跑通了，你会有很开心的正向反馈。
人不能光靠远期的饼来维持动力。"AI 是未来""学好了能提升竞争力"——这些话都对，但太远了。人需要短期的一次一次正反馈来激励自己往前走。AI 学 AI 这件事，天然就具备这种特性：碰到一个报错，截图丢给 AI，它告诉你怎么改，你改了，跑通了。这个过程本身就是奖励。
这一层的关键不在于"学会了多少知识"，而在于打破了心理障碍——不再觉得自己"不是这块料"。
第二层：双轨知识
这一层是双语者的核心。
技术认知，不是要你学会写代码。是理解几个关键概念以及它们的关系：
- 模型是大脑——负责理解、推理、生成，但基于概率，会猜错。
- 数据是燃料——有没有正确的数据、数据质量好不好、数据怎么被 AI 读到，直接决定输出质量。
- 编排是神经系统——怎么把任务拆成步骤、每一步用什么工具、规则怎么嵌入、怎么审计结果。
这三样东西互相制约。最好的模型配上垃圾数据，产出是垃圾。最好的数据配上一个不会编排的人，效率一定很低。而这三样又共同受制于一个你不大会想到的因素——成本。模型越强，token 越贵。用最贵的模型做最基础的事，等于用跑车送外卖。
场景知识，律师本身就有。但问题是，大多数律师的场景知识是"隐性知识"——你知道怎么审合同，但很难把审合同的每一步拆开说清楚。脑子里有一个模糊的"这个条款有问题"的判断，但它是由什么触发的、基于什么规则、参考了什么先例，你没有显性化过。
双语者要做的，就是把自己的隐性知识显性化——把"我怎么干这件事"拆成"机器可以执行的步骤"。
第三层：连接能力
这是最难的。
有一个律师朋友跟我说了他的场景：国企客户做大宗贸易，每周要查几十个交易对手方的工商和涉诉信息，出简易尽调报告。他试过用 AI 产品来做，结果比自己手动复制粘贴还慢。
问题出在哪？不是 AI 能力不够，是"连接"不对。
他用的产品是封装好的 agent，部署在云端，没有系统级权限。每次都得先去企查查下载 PDF 报告，再手动上传给 agent，然后 agent 按内置逻辑去读。10 次有七八次格式不对。
换成双语者的思路，解法完全不同：
- 企查查已经推出了 MCP 工具（机器可读的 API 接口），可以直接调数据，不需要人工下载 PDF。
- 给 AI 一个公司名单，它自动调用 MCP 拉数据。
- 口头告诉它风险判断规则——"注册资本低于 1000 万的标注关注""近三年有被执行记录的标注高风险"——它把规则写成判断逻辑。
- 给它一个报告模板，按模板生成最终文件。
- 你审核。
整个过程，你做了什么？定义了场景（背调报告）、提供了规则（风险判断标准）、设计了模板（输出格式）。AI 做了什么？调数据、跑规则、填模板。
这就是连接——知道每一步应该用什么能力来解决。确定性计算用脚本，不确定性判断用大模型，数据获取用 MCP，流程编排用 agent。
常见误区
以为学几个工具就等于成了双语者。 市面上有一些两三天教 Claude Code 的班，演示几个案例看起来很厉害，听完收获满满，回去一用啥也不会。工具是载体，不是目的。双语者的核心不是会用 Claude Code，而是理解了背后的逻辑之后，换了别的工具也能上手——底层原理是一样的。
以为技术认知等于会写代码。 我认识一些程序员，写代码很熟练，但在 AI 应用上并不比一个深入实践的律师更有优势。因为 AI 落地需要场景知识——痛点在哪、客户要什么、工作流的隐性规则是什么。程序员想象不出律师在工作过程中到底需要什么。反过来，律师也想象不出技术上能做到什么。双语者的价值在于填补这个鸿沟，不是在某一端做到极致。
以为模型能力决定一切。 模型只是三要素之一。选最强的模型，不等于产出最好。数据质量、编排方式、规则精细度，往往比模型本身对最终效果的影响更大。GPT-5.5 加混乱的工作流，不如 Claude Haiku 加精准的编排。
适用边界
这套方法论不是万能的。
它适用于有明确工作流、可拆解、可复现的专业服务场景——合同审查、尽职调查、法律检索、文书起草、合规审查。这些场景的共同特征：输入相对结构化、规则可以显性化、输出有可验证的标准。
它不适用于高度依赖临场判断和人际互动的场景——谈判、庭审、客户信任建立。这些场景中，AI 可以是准备工具，但不能替代人的判断和在场感。
另外，刚开始接触 AI，不要急着跳到第三层。先把第一层走通——用 AI 解决至少 10 个你真实碰到的技术问题，建立信心和体感。然后自然会走到第二层。
"业务和技术双语者"这个概念，是我在四明山法师 AI 夜校中提出的。它是一个目标，不是一个已经完成的画像。我自己也还在路上——仍然有大量不懂的东西，仍然每天都在跟 AI 一起摸索。但有一点是确定的：在 AI 快速渗透专业服务业的时期，最先掌握这种双语能力的人，会拥有一个很大时间窗口的竞争优势。
不是因为他们更聪明，而是因为他们站在业务和技术交界处那个别人看不到的位置上。
作者简介： 陈石律师，浙江海泰律师事务所副主任、高级合伙人、房地产与建设工程部主任，宁波市律师协会副秘书长、第七届宁波仲裁委员会仲裁员，聚焦建筑房地产、投融资、并购重组及商事争议解决。曾获多家法律媒体与专业机构认可，荣登 LegalOne 2025 中国区建工及房地产实务先锋 45 强、律新社 2025 年度管理合伙人 20 佳（华东），入选《商法》The A-List 法律精英，获评 ALB China 区域市场十五佳长三角地区律师新星，并获律新社 2024 年度并购领域品牌之星。长期为万科、华润置地、信达地产、保利置业、招商蛇口、中海地产等企业提供法律服务，承办"首宗百亿地王""长春第一高楼""台州第一高楼"等代表性项目，累计服务项目投资额超千亿。近年来持续推动 AI 与法律实务融合，强调以结构化方法打通技术逻辑、法律判断与商业场景；著有《赋能法律人：AI 底层思维与应用范式》，并在多地开展相关主题讲座与分享。四明山法师 AI 夜校（legalAGI.cn）发起人。