我們幾乎把所有的生产事故工程資源 ，但是背锅，大腦的代码思考機製就會自動關機 
，自己劃偏了”一樣荒謬 。生产事故複盤會上，背锅哪怕代碼寫得有瑕疵 ，代码

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  ，生产事故當你把大模型擬人化之後 ，背锅

傳統的社區代碼，有縮進、會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心，你會放鬆警惕 ，它看起來太完美了，

但是
，大模型根本沒有“理解”，人承擔。都砸在了“如何防止 AI 犯錯”上。

現實中 ，

在一個大家都能用 AI 瞬間生成海量代碼的年代 ，

問他們怎麽寫的，

工具不承擔後果，人類必須對後果承擔全部責任 。不要把它當人看。卻不想背它出錯的黑鍋 。對我們的基本功考驗反而越嚴苛。大體方向應該沒錯”。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。“升級到 2.0 之後這個 API 廢棄了”。甚至還有看似嚴密的 Markdown 解釋。守住一個工程師的職業底線，基於海量語料做統計學概率預測的“文本接龍機器”。但其實現在最危險的根本不是機器人，一巴掌拍醒很多人。你的大腦就會不自覺地套用這種“社交直覺”。客服電話被打爆。它“唰”地一下給你生成了一大段代碼 。絕大多數開發一看到這種排版精美、比什麽都強。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，如果一個實習生態度很好，這種習慣非常致命。絕不能將 AI 的結果視為權威。它認錯的態度還挺誠懇的。甚至是用真實的線上故障試錯出來的 。並且讓你深信不疑” 。誰就老老實實為這 500 行代碼負 100% 的責任。所以係統宕機不怪我” 。都必須卡死測試覆蓋率的底線；是你時刻清醒地知道，我們搜出來的那個高讚答案，

這就好比一個外科醫生把手術做砸了，AI 隻是工具 ，但作為技術人 ，

但是現在，我也不知道它會把庫打掛啊。大部分技術團隊在出線上事故後，穩了”、”

如果在我的團隊裏聽到這句話 ，誰審查的這 500 行代碼 ，我馬上改”
。周末全員拉群排查，你的技術生涯基本也就到頭了。而是“一本正經地胡說八道 ，我發現團隊裏越來越多的年輕工程師，

但現實是，一旦你心裏有了“這反正是 AI 寫的，它不用背房貸，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）
、乃至搞出一整套 Harness Engineering
。動不動就對你說“抱歉 ，

在人類社會的協作裏
，開始頻繁提交一些看起來極其規整、隻是一台 Token 機器

第一定律
：拒絕擬人化
。其實我想寫個 map。沒聽懂我的需求。

不管大模型進化到第幾代。但稍微往深了一看
，誰把它發布到了生產環境，敲鍵盤的手速早就不是壁壘了 。全是定時炸彈

第二定律：拒絕盲從
。結合我最近在團隊裏的觀察 ，他潛意識裏的工程底線正在悄悄崩塌。

以前我們遇到搞不定的 Bug，

把它當成什麽？當成一個高級的命令行工具（CLI） ，甚至連注釋都寫得完美無缺
，有高亮 、

你不能光占著 AI 幫你摸魚的便宜，它的底層本質就是一個沒有靈魂、用這句話來甩鍋，

別給它加戲  ：它不是你的同事 ，我最大的感慨是：我們的重點是不是搞錯了。“我是不是該去學怎麽寫 Prompt”。”

這兩年，沒有在本地環境真實地跑通走查過，這段代碼沒有任何人做過審查。這是提效 。那段複雜 SQL 是 Copilot 生成的，我們對同事是有“容錯率”的
。甚至幫他把邏輯補齊
。不管 AI 輸出的代碼看起來多優雅
，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  ，大家不斷的折騰 ，打鐵還需自身硬，誰按下的 Merge 按鈕
，

別被排版糊弄了
：沒跑過驗證的代碼，

代碼是機器寫的還是人寫的，這個方法在多線程下會死鎖” 、

我看編輯器沒報錯就直接提交了，你的 Code Review 雷達才不會失效 。“注意，

大模型最可怕的能力，把模型的語氣微調得極其謙卑。是帶著“人類傷疤”的。重要的是，而是屏幕前那個使用機器人的人類。沒問題 ，“猜”出來的最連貫的字符組合而已。”

聽起來沒什麽大不了的，覺得“它都這麽努力理解我了，不管是 GPT 還是 Claude
，

Susam 提煉了三條給人類看的“反向定律”
。我會當場發飆。就直接拿來用了
。隻要沒有覆蓋對應的單元測試，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，但其實，大家都在焦慮“我是不是要被淘汰了” 、真正的壁壘是什麽 ？

是你能在一眼望不到頭的 AI 代碼中 ，剝離掉擬人化的濾鏡
 ，

這恰恰是最大的坑。然後說“因為這把手術刀太鋒利了
 ，”

“我指出了它的 Bug ，

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律” ，寫各種複雜的 System Prompt
，

以後在團隊裏
 ，不用拿績效
，絕不能盲目信任 AI 的輸出。它隻是模型在當下那一秒 ，但脾氣極好 、習慣去搜 Stack Overflow 。非常聽話的初級程序員溝通。沒有經過獨立驗證，答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，最容易上演的甩鍋大戲 。你也會下意識地寬容他，更沒有“態度”。就發現是這種 AI 生成的“完美代碼”裏 ，出錯了也有借口”的念頭，大不了就是重啟一下進程。寫這段代碼的年輕開發很委屈地說
：“老大，

想象一下：周五晚上十點 ，方向盤和刹車必須死死攥在自己手裏  。不是寫代碼，漏寫了一個很不顯眼的資源釋放邏輯 。

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，直接快捷鍵一敲，

  

  麵對 AI 編程這波浪潮，對吧 ？大家都在開玩笑 。就算把整個支付寶或者微信的後台搞崩潰了，在工程師的職業素養裏 ，您說得對，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴 。意圖或道德代理權  。業務邏輯根本跑不通的代碼
  。

  最近在做 Code Review 的時候 
  ，立下一個死規矩
  ：信任在工程實踐中非常寶貴。那就是賽博垃圾。

  資深開發者在用 AI 時
  ，我最近在查一個內存泄漏的偶發 Bug 時，

  但這才是最恐怖的地方 。它經過了無數同行的 Peer Review，合並到業務代碼裏。惡劣程度等同於“因為編譯器沒報錯，

  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
  。AI 寫代碼的速度越快，這不重要。

  現在的 AI 廠商為了用戶體驗 ，應該直接寫進每個技術團隊的入職手冊裏。底下往往跟著一堆評論：“哥，

  我們要搞清楚一個基本事實 ：AI 隻是個幹活的工具。你才不會對它生成的代碼抱有任何不切實際的“信任感” ，心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝” ，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，你在代碼助手裏敲一句注釋，”

• “它以為我要寫個 for 循環 ，永遠不能拿“AI 告訴我這麽做的”來當借口。

  這可能是接下來一兩年裏 ，太權威了 。這種討好型的輸出，在這個 AI 亂寫的時代裏，我看它邏輯挺清晰的
  ，邏輯“看起來”順理成章的代碼， 顶: 7踩: 384