举一反三找场景：迁移的是结构，不是现成解

本篇判断：举一反三，举的是拆题那一下——「有限容量＋离散选择＋资源竞争」那一层结构带得走，右栏的约束一件也带不走，得在新现场一件一件重新造。迁移的是结构，不是现成解；照搬现成解，是「复制成功案例」故事里最贵的一种亏法。

本篇解决读者的什么问题：一个 AI 落地案例做完，总有下一个现场的老板举着「不都一样吗」来要现成解。本篇把「举一反三」从 PPT 最后一页的修辞，变成一门可以交接的手艺：把现场拆成分配、摆放、调度三道题，拿题去对邻居写清共享什么、重建什么，再用两张清单和最小比较包把验证落到纸面——并逐条交代这套打法什么时候失灵。

适用边界：案件事实只取黑河跨境装车一案（NO.6）的源文本，效果均为当事人自述、模拟或预计口径；五个邻近方向是我们拆解框架里找下一批真实样本的线索，没有对应客户、没算出收益、没验证过付费意愿；两张清单是拆解框架，不是被反复验证过的规律——它保证问题被问对，不保证迁移一定成。

开场是认错题：所有人拿着「装箱」的现成解

「一开始接触这个项目时，很多人会认为这只是一个简单的装箱问题，只需要计算一下哪些货物怎么摆放，就能提高装载率。但真正进入现场之后，我发现事情远比想象复杂。」（NO-06 txt L32-33，印刷页57）

说这话的，是黑河装车案的受访 FDE。这个案例的开场，是一次认错题：所有人都拿着「装箱」这个词的现成解，准备直接开算。

认错题不只发生在项目开始之前。做完一个案例，它随时可能再来一次——先把丑话说在事实前面：下面这个场面是设想的，黑河材料里没有这个情节。原文停在「目前项目已经完成原型验证」（NO-06 txt L115，印刷页62），五个邻近方向也都还没找到对应客户、没验证过付费意愿（我们的拆解口径）。设想本身，照的是人性，不是任何一方的实录。

设想原型完成后，下一个现场找上门，开口多半是这个句式：「你们那个装车的做得不错，我们这儿的集装箱、板材、排班，不都一样吗？给我也来一套。」——台词是设的，把这几方的处境摆上桌是真的：

扛活的人，是一个要背着方案文件进新现场的交付者。拍板的人，是新现场的老板，他认定了「像」，预算和时间就按「照搬」给——一个人，几个月，只够试一次。失败的样式倒不用设想，黑河案白纸黑字记录过：「系统生成了一个复杂的三维方案，但是现场工人看不懂，最后还是回到人工经验。」（NO-06 txt L82，印刷页60）现成解换皮失败，赔掉的不止几个月工期，是那个现场往后几年听见「AI落地」时的信任余额。

先把材料底座交代清楚：Datawhale《FDE案例100》首批24案，2026年9月发布，是24份 AI 落地从业者的访谈整理，不是24个独立因果实验。本篇案件事实只取 NO.6 跨境物流装车一案的源文本，效果均为当事人自述或预计口径；凡标注「我们的拆解」，是我方框架，不是原案自述，更不是客户验证结果。

---

黑河做完，手里到底有什么

迁移之前，先把账记完整——你手里到底有什么，值钱的又是哪一栏。

**经济线。**业务是黑河自贸区里向俄罗斯出口机电产品的跨境公路运输，运费按「方」计：一辆约110方的货车，老师傅人工装通常5小时，能装到95～98方；98方是保本线，每超1立方米增收约100美元——材料自述的历史基线与商业机制（NO-06 txt L21-24，印刷页57）。同一段材料另给了一个数：过去整体空间利用率通常只有60%～65%左右（NO-06 txt L46-48，印刷页58）。提醒一句：这几个数的分母关系材料没交代，各自是各自的自述口径，拼不成一条漂亮的提升曲线。

**人的一栏。**装车员的收入按体力和时间计（NO-06 txt L70-71，印刷页60），经验的说明书只有半页：「首先，经验无法复制。一个优秀装车工人的经验，需要多年积累，新人很难快速掌握。」（NO-06 txt L75-76，印刷页60）这套经验是装车员的饭碗，也是案例里最沉默的一栏——原文只给了半句背景；可一旦迁去下一个现场，谁的经验被重新定价，是立项桌上第一笔要摊开的账。

**做出来的东西，值得逐件过手。**流程被拆成七步：车辆真实尺寸获取、货物信息整理、装载方案计算、多车调度优化、生成装车指导、现场执行、结果反馈——「前面的规划和计算环节适合AI参与，但最终必须回到人的执行」（NO-06 txt L94-96，印刷页61）。实现走「大模型负责调度，专业算法负责计算」（NO-06 txt L97）：大模型管理解需求、解析任务、调用算法、解释结果，三维空间计算交给 Python 的高度图、贪心放置、多策略排序和遗传算法（NO-06 txt L102-105）。工人在装车环境里腾不出手看屏幕（NO-06 txt L108），算法结果就被降维成一张装车指导图：货物编号、摆放方向、截面示意、装载顺序（NO-06 txt L109-110）；数学最优跟现场脾气打架，就用「截面法」改写——按车厢截面从里向外排装载顺序，工人站在车门位置操作，不用踩货（NO-06 txt L154-155）。每一件都在回答同一个问题：纸面上的方案，凭什么能被车门前那双手执行。

阶段口径，按原文拆开说。项目停在原型验证：对一辆长16.4米、宽2.47米、高2.67米、内净约108方的真实车辆做的是模拟装载，结合11种不同规格电动车产品目录，作者自述「实测稳定达到约99方」（NO-06 txt L115-118，印刷页62）——模拟测试自述，不是现场装车实测。书中界面截图显示已用98.7方、利用率91.2%（印刷页65），那也是模拟演示画面。现场执行收益全是预计：装一车从约5小时「预计可压缩到约2小时，装车效率提升约100%」（预计口径，NO-06 txt L122-123，印刷页62）。多车调度写进了七步流程，印刷页63的界面截图却自己标着「当前版＝单车多货」——这一步还压在蓝图里，没联调。

盘点完，薄厚立现。要搬的是原型，薄得很：一辆特定的车、一份特定的货、一套没上过现场的时间账。真正厚的家底，是这一次被迫想清楚的事——「装箱」两个字底下，到底压着几道题。

---

一个现场，是三道题

「装箱」是名字。业务人员递过来的口语只有三个字——「装不满」（NO-06 txt L180，印刷页66）；受访 FDE 往下拆过三问，数据、规划、执行各占一问（NO-06 txt L181-182，印刷页66）。三道题的拆法，站内那篇《先找损失，再谈AI》已经铺过底，此处不拆第二遍；本篇只问一句：迁去下一个现场时，这三道题里哪些还认得路。现场其实自己供过词：「企业面对不同车型、不同尺寸货物，以及多辆车同时安排运输时，需要同时考虑空间、重量、运输效率等多个因素」（NO-06 txt L51-52，印刷页58）——题是现场本来就叠着的，「拆成几道」是我们的动作。

第一道，分配——把货分给车，货物被近似成体积和重量两个数，是个整数模型题。这道题到了邻居家最先变脸：订单必须全运，求的是少派几辆车；车就这么多、货可以挑，求的是多装值钱的货。目标一换，题就换了——省车和选货，要分开立题（我们的拆解）。

第二道，摆放——货进了车厢才有第二道题：位置、朝向、互不压，要的是几何可行；现场再叠上承重红线、受不受压、码得稳不稳、先装后装的次序，哪几条真存在，只有现场知道。方数守住了，几何照样翻车——这两件事之间，没有传送带（我们的拆解）。

第三道，调度——车一多、批次一多，时间窗、装卸工人、月台全变成要抢的东西；这一层的容量，单位不再是立方米，是小时。黑河案里这道题停在清单上：流程写着「多车调度优化」，界面自己招供「当前版＝单车多货」——认出来了，还没开算（我们的拆解）。

三道题，数据、算法、验证各要各的。最能暴露问题的是「车辆容量」这个共用词：它在分配层是约束项，在摆放层是几何边界，到了调度层，单位换成了时间。一个现场拆出三道题，连「容量」一个名字都共用不了——同一个词，在三道题里是三种不同的东西。

技术选择顺着同一条线。原案没提 MIP，写的是大模型加 Python 那套组合；把 MIP 放进首轮基线很合理，但这是我们的建议，不是原案已采用的事实。至于「混合整数求解即可」的「即可」，判定用尺还是那四条——实例规模、约束完整度、计算时限、现场可执行性（《先找损失，再谈AI》那篇点过名，出处是我们对这批案例的拆解）；名词不动，因为它是标尺的名字，换到新现场，四条要重新量。四条全过，MIP 够用；过不了，结论也可能是「规则已够」，或者「瓶颈在输入」。迁到新现场，不预设一定要证明 AI 有用——这条纪律，跟选哪个算法一样值钱。

复用的家底其实有两层：可调用的工具，和提问的方式。哪一层才值得沉淀，《AI帮你做工具，和工具离了AI才能跑，是两件事》那篇已经吵完；本篇只管一件事——认定了结构能迁之后，怎么迁才不掉坑。

---

拿题去对邻居：共享什么，重建什么

迁移的第一个动作，不是找「像的行业」，是拿三道题逐道去对邻居。我们把五个常被点名的邻近方向排成一张表（我们的拆解，方向假设）：

这张表的读法只有一句：「有限容量＋离散选择＋资源竞争」那一层是共享的；右栏那些约束，是新现场自带的，得一件一件重新造。

右栏有两个狠角色，值得单独看一眼。板材裁切：刀缝吃材料，纹理有方向，同一块板顺纹切和横纹切是两种活——这些约束在货车里一个都不存在；反过来，货车的承重和朝向规矩，到了锯台边也全部作废。工位排程：容量从立方米变成小时，还得回答哪道工序必须先行、换一次型亏多少、晚过交期罚多少——把货车参数换个名字去填排程表，不叫举一反三，叫换皮。

丑话写在前面：这五个方向，目前只是去找下一批真实样本的线索——没有对应客户，没算出收益，没验证过付费意愿（我们的拆解口径）。表是路标，不是存折。

---

先泼冷水：结构对了，位置错了，照样白干

对表之前，还有一道否定要过。两条都是我们的跨案假设，没有哪个案例替它们背书：其一，车常空若是因为上游没货可装，毛病在货源不在码放，装载优化再精，也只在你够不着的主要损失旁边打转；其二，货物不可混装、订单必须整批走，可选项在数学上被锁死，能优化的空间比直觉给的小得多。这两条不是黑河专属，它们跟着每一张邻近表走，要贴在迁移自查的第一屏——结构选对、位置选错，是「复制成功案例」故事里最贵的一种亏法：纸面全对，台账全亏。

所以到了邻居门口，先别摊开方案，先重新问一遍：这笔损失记在哪本台账上？今天能改变哪一步？——怎么问，《先找损失，再谈AI》那篇给过完整五步（可观察的损失→可改变的决策→必要输入与硬约束→可检验的输出→最低足够的技术），此处不重讲。那篇管找到损失，本篇管迁走结构；两道闸，一道都不能省。

---

两张清单：把举一反三变成组织的活

举一反三，在 AI 落地的语境里经常滑成顾问 PPT 最后一页的修辞——「本方案可快速复制到多个行业」。我们看到的结构是：它不是修辞，是一门可以写成两张清单、交到下一个现场的人手里的手艺。

清单一，共享结构清单：写清当前案例在哪一层成立——有限容量装的是什么、离散选择选的是什么、资源竞争抢的是什么；三道题各自的目标函数、验证进度、证据口径。

清单二，必须重建约束清单：写清哪些东西是这个现场自带、不能沿用的——身体条件（那双手腾不腾得出来）、安全规矩、工艺脾气（刀缝、纹理、堆叠）、目标函数（装最满还是少搬运）、数据缺口（俄方只给车厢外部尺寸，真实内净尺寸得自己测——原案为这笔测量配了 iPad 激光采集，硬件约8500元，采购自述，NO-06 txt L159-160，印刷页64）。数据缺口是这张清单里最容易被忘掉的一项，因为它在账面上不疼。

这两张清单，老师傅的三件套就是现成的练手题：「什么货应该放下面；哪些货物可以组合摆放；哪些空间可以利用。」（NO-06 txt L72-73，印刷页60）按我们的读法拆：第二句是结构层的话，组合选择，哪个现场都认识；第一句是稳定性约束，「下面」取决于这车这货的脾气；第三句是几何，长在这辆车的厢壁上。一句经验里，两张清单的话本来就混在一起——原文没写这些经验后来怎么被提取进算法，但提取时分不清清单，迁移时就分不清哪些带得走。

清单写完，才轮到验证。按我们的拆解，下一个现场至少要搭一个最小比较包：先把现场钉死——车不换、货不换、约束先核完，再让三种答案同台，现在的人工装法、最笨的规则版、加上优化的求解版；比的不是谁算得漂亮，是可行率、装载量、算一次要多久、工人动手改了几处、真装一车用掉多长时间。跑完允许出现的一种结论，恰恰是「不用上复杂算法」——在这道题里，AI 赢不赢不是前提，是结果之一（我们的拆解）。

我做了十八年 HR，交接单见得多了：手上活最好的人离职，带走的是手艺，留下的是交接单；而最好的交接单从来不写答案，写的是「这活哪儿有坑」。两张清单就是 AI 落地这门手艺的交接单——能训练的地方，在写它的笔上；能考核的地方，在下一个人少踩的坑里。

---

两张清单什么时候失效

给方法就要给边界。四种情况，这套打法会失灵：

**拿清单代替现场。**清单是提问框架，不是约束本身；黑河的清单到了新现场，必须逐条重新核对。上个现场的答案是「一张打印的指导图」，下个现场的答案可能得是「一块防冻的屏」——跳过现场抄答案，抄错的不止参数，还有载体。

**结构层其实也不像。**任务之间不是抢同一个资源池，而是严格流水依赖；或者瓶颈根本不在容量，在货源、在输入数据。否定自查不是黑河专有，它属于每一个邻居。

共享层写成了行业标签。「都是物流」「都有排班」不是共享结构，是共享名词。清单上写不进「什么容量、选什么、谁抢谁」，这张表就已经作废。

**证据边界被忘掉。**24案是同一编选工程的访谈整理，五个邻近方向没找到客户、没算出收益；两张清单是拆解框架，不是被反复验证过的规律。它保证问题被问对，不保证迁移一定成。

---

收尾

下次一个案例做完，有人举着「不都一样吗」来问，别急着回答一样不一样，先干三件事：把这个现场拆成几道题；拿题去对邻居，逐道写清共享什么、重建什么；把两张清单交到下一个现场的人手里。

老师傅那三句话攒了多年，新人学不会；两张清单接住的，正是这种带不走的经验里、带得走的那一层。

举一反三，举的是拆题那一下；解留在黑河，清单上路。

---

迁移路上，两道闸各有各的文章：三道题怎么从「装不满」三个字里拆出来、五步审计怎么一步步走，站内《先找损失，再谈AI：场景发现不是技术选型》有黑河案的完整账；可复用的家底分「工具」和「提问方式」两层、哪层才值得沉淀，对照《AI帮你做工具，和工具离了AI才能跑，是两件事》。清单是交接的起点，不是终点的保证——失效的四种情况，记得跟清单一起交出去。