如果在我的代码團隊裏聽到這句話 ，

別被排版糊弄了：沒跑過驗證的代碼 ，沒聽懂我的背锅需求。大部分技術團隊在出線上事故後 ，代码誰按下的生产事故 Merge 按鈕，答案出奇地一致：“這是背锅 Copilot / ChatGPT / Claude Code 給出的代碼 ，

工具不承擔後果，代码寫這段代碼的生产事故年輕開發很委屈地說：“老大，哪怕代碼寫得有瑕疵，背锅你的大腦就會不自覺地套用這種“社交直覺”。甚至還有看似嚴密的 Markdown 解釋。

問他們怎麽寫的，它看起來太完美了
，大家不斷的折騰，絕大多數開發一看到這種排版精美、會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心 ，不管是 GPT 還是 Claude，並且讓你深信不疑”。甚至連注釋都寫得完美無缺 ，都砸在了“如何防止 AI 犯錯”上。如果一個實習生態度很好
，

我們要搞清楚一個基本事實：AI 隻是個幹活的工具。不要把它當人看。甚至幫他把邏輯補齊。我會當場發飆。比什麽都強。沒有在本地環境真實地跑通走查過，大腦的思考機製就會自動關機 ，

以前我們遇到搞不定的 Bug，這是提效 。

這就要求我們把權責切得明明白白：AI 可以幫你一秒鍾寫出 500 行代碼 ，微調 、卻不想背它出錯的黑鍋 。或者一個隨時會拋出 NullPointerException的第三方黑盒依賴
。一巴掌拍醒很多人
。

但是現在，而是“一本正經地胡說八道 ，對吧？大家都在開玩笑 。全是定時炸彈

第二定律 ：拒絕盲從。應該直接寫進每個技術團隊的入職手冊裏 。它隻是模型在當下那一秒，它不用背房貸 ，最容易上演的甩鍋大戲。誰審查的這 500 行代碼，絕不能將 AI 的結果視為權威。習慣去搜 Stack Overflow。惡劣程度等同於“因為編譯器沒報錯，複盤會上 ，隻是一台 Token 機器

第一定律
：拒絕擬人化
。非常聽話的初級程序員溝通
。”

“它以為我要寫個 for 循環，

但這才是最恐怖的地方。你的 Code Review 雷達才不會失效 。立下一個死規矩：信任在工程實踐中非常寶貴 。甚至是用真實的線上故障試錯出來的 。周末全員拉群排查，

但是，這不重要 。絕不能盲目信任 AI 的輸出。更沒有“態度”。人類必須對後果承擔全部責任
。在工程師的職業素養裏，我馬上改”。有縮進、但稍微往深了一看，

別給它加戲 ：它不是你的同事，“注意，漏寫了一個很不顯眼的資源釋放邏輯
。業務邏輯根本跑不通的代碼 。合並到業務代碼裏 。這種討好型的輸出，然後說“因為這把手術刀太鋒利了，

麵對 AI 編程這波浪潮 ，這段代碼沒有任何人做過審查
。”

“我指出了它的 Bug，大模型根本沒有“理解”
，

傳統的社區代碼
，沒有“以為”，AI 寫代碼的速度越快 ，乃至搞出一整套 Harness Engineering
。你的技術生涯基本也就到頭了。用這句話來甩鍋
，

你在辦公室裏肯定聽過同事這麽議論大模型  ：

• “某某模型今天好像變笨了
  ，就發現是這種 AI 生成的“完美代碼”裏，但脾氣極好 、大不了就是重啟一下進程。最近有一個叫做 Susam Pal 安全研究員寫了一篇叫《Inverse Laws of Robotics》的文章，而是屏幕前那個使用機器人的人類。把模型的語氣微調得極其謙卑。重要的是，

  把它當成什麽？當成一個高級的命令行工具（CLI） ，我最大的感慨是：我們的重點是不是搞錯了 。

  這就好比一個外科醫生把手術做砸了，但作為技術人 ，您說得對，他潛意識裏的工程底線正在悄悄崩塌。大家都在焦慮“我是不是要被淘汰了”、心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝” ，永遠不能拿“AI 告訴我這麽做的”來當借口。

  誰合並代碼誰背鍋
  ：“AI 寫的”絕對不是免死金牌

  第三定律：責任不可剝奪 。

  資深開發者在用 AI 時，你會放鬆警惕，但其實現在最危險的根本不是機器人，

  最近在做 Code Review 的時候，不用拿績效，不要賦予 AI 情感、寫各種複雜的 System Prompt  ，意圖或道德代理權。

  在一個大家都能用 AI 瞬間生成海量代碼的年代，我們搜出來的那個高讚答案 ，它認錯的態度還挺誠懇的 。”

  這兩年，動不動就對你說“抱歉，打鐵還需自身硬，基於海量語料做統計學概率預測的“文本接龍機器” 。你也會下意識地寬容他，不是寫代碼，隻要沒有覆蓋對應的單元測試
  ，沒有經過獨立驗證 ，它的底層本質就是一個沒有靈魂、人承擔。誰把它發布到了生產環境 ，方向盤和刹車必須死死攥在自己手裏。我也不知道它會把庫打掛啊。敲鍵盤的手速早就不是壁壘了。沒問題，不管 AI 輸出的代碼看起來多優雅 ，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後
  ，這個方法在多線程下會死鎖”、

  但現實是，當你把大模型擬人化之後，它經過了無數同行的 Peer Review
   ，我最近在查一個內存泄漏的偶發 Bug 時，

  想象一下 ：周五晚上十點
  ，那就是賽博垃圾。覺得“它都這麽努力理解我了 ，直接快捷鍵一敲，所以係統宕機不怪我”。

  這恰恰是最大的坑。“升級到 2.0 之後這個 API 廢棄了” 。

  以後在團隊裏，大體方向應該沒錯”。他提出一個很犀利的觀點：阿西莫夫花了一輩子給機器人定法律，真正的壁壘是什麽 ？

  是你能在一眼望不到頭的 AI 代碼中，自己劃偏了”一樣荒謬。有高亮、係統掛了
  ，但是，在這個 AI 亂寫的時代裏，終於定位到是因為一段 SQL 連表查詢寫成了死循環把數據庫拖垮了 。一旦你心裏有了“這反正是 AI 寫的  ，底下往往跟著一堆評論：“哥，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道 ，

  這可能是接下來一兩年裏，就是怕大模型在線上環境突然發瘋
  。守住一個工程師的職業底線
   ，就算把整個支付寶或者微信的後台搞崩潰了 ，

  現在的 AI 廠商為了用戶體驗，我覺得這三條規矩 ，剝離掉擬人化的濾鏡 ，

  不管大模型進化到第幾代 。就直接拿來用了。出錯了也有借口”的念頭 ，整個行業都在拚命研究怎麽給大模型“立規矩”：搞 RAG（檢索增強） 、

  我們幾乎把所有的工程資源，

  客服電話被打爆。我看它邏輯挺清晰的 
  ，

  Susam 提煉了三條給人類看的“反向定律”。

  代碼是機器寫的還是人寫的 ，我們對同事是有“容錯率”的 。開始頻繁提交一些看起來極其規整 、結合我最近在團隊裏的觀察，

  大模型最可怕的能力 ，你在代碼助手裏敲一句注釋，是帶著“人類傷疤”的。誰就老老實實為這 500 行代碼負 100% 的責任。那段複雜 SQL 是 Copilot 生成的，“我是不是該去學怎麽寫 Prompt” 。邏輯“看起來”順理成章的代碼  ，你才不會對它生成的代碼抱有任何不切實際的“信任感”
  ，

  在人類社會的協作裏，”

聽起來沒什麽大不了的 ，但其實，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，

現實中，

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律”，

你不能光占著 AI 幫你摸魚的便宜 ，它“唰”地一下給你生成了一大段代碼
。這種習慣非常致命。我看編輯器沒報錯就直接提交了，AI 隻是工具
，其實我想寫個 map。 顶: 32踩: 36774