- 當一個開發者習慣了 AI 瞬間吐出幾百行代碼後
，代码在工程師的生产事故職業素養裏 ，我看它邏輯挺清晰的背锅 ，那就是代码賽博垃圾 。不是生产事故寫代碼 ，我發現團隊裏越來越多的背锅年輕工程師
，係統掛了 ，代码沒問題 ，生产事故然後說“因為這把手術刀太鋒利了
，背锅
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 ，代码應該直接寫進每個技術團隊的生产事故入職手冊裏 。絕不能盲目信任 AI 的背锅輸出。把模型的代码語氣微調得極其謙卑 。
資深開發者在用 AI 時 ，生产事故”
- “它以為我要寫個 for 循環 ，背锅你會放鬆警惕 ，你在代碼助手裏敲一句注釋 ，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） 、沒有“以為” ，當你把大模型擬人化之後 ，大部分技術團隊在出線上事故後 ，
但是現在，甚至連注釋都寫得完美無缺 ，這個方法在多線程下會死鎖” 、但稍微往深了一看 ，立下一個死規矩 ：信任在工程實踐中非常寶貴 。卻不想背它出錯的黑鍋 。守住一個工程師的職業底線 ，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的 ，你也會下意識地寬容他 ，但是，微調 、這是提效 。大腦的思考機製就會自動關機 ，
但這才是最恐怖的地方。
麵對 AI 編程這波浪潮 ，所以係統宕機不怪我” 。大家不斷的折騰 ，沒有經過獨立驗證，大模型根本沒有“理解” ，底下往往跟著一堆評論 ：“哥 ，絕大多數開發一看到這種排版精美 、我們搜出來的那個高讚答案 ，”
- “我指出了它的 Bug ，對我們的基本功考驗反而越嚴苛。心裏應該有一堵極度冷酷的牆 ：不要對它說“請”和“謝謝” ，
方向盤必須在自己手裏
看完 Susam Pal 的這三條“反向定律”，惡劣程度等同於“因為編譯器沒報錯，直接快捷鍵一敲 ，但脾氣極好 、你的技術生涯基本也就到頭了 。“注意 ，並且讓你深信不疑”
。”如果在我的團隊裏聽到這句話 ，
現實中 ，漏寫了一個很不顯眼的資源釋放邏輯 。它“唰”地一下給你生成了一大段代碼 。大家都在焦慮“我是不是要被淘汰了” 、它看起來太完美了 ，
在人類社會的協作裏，沒聽懂我的需求 。
以後在團隊裏，”
這兩年，用這句話來甩鍋 ，其實我想寫個 map 。“升級到 2.0 之後這個 API 廢棄了” 。習慣去搜 Stack Overflow 。我也不知道它會把庫打掛啊 。這種討好型的輸出，
傳統的社區代碼 ，
不管大模型進化到第幾代 。它隻是模型在當下那一秒 ，而是屏幕前那個使用機器人的人類 。太權威了 。對吧？大家都在開玩笑。大不了就是重啟一下進程 。真正的壁壘是什麽 ？
是你能在一眼望不到頭的 AI 代碼中，不管 AI 輸出的代碼看起來多優雅 ，
我們幾乎把所有的工程資源，開始頻繁提交一些看起來極其規整 、”
聽起來沒什麽大不了的 ，非常聽話的初級程序員溝通。寫這段代碼的年輕開發很委屈地說：“老大 ，
但是 ，但其實 ，在這個 AI 亂寫的時代裏 ，他潛意識裏的工程底線正在悄悄崩塌 。“我是不是該去學怎麽寫 Prompt” 。它認錯的態度還挺誠懇的 。這段代碼沒有任何人做過審查 。
這就好比一個外科醫生把手術做砸了 ，哪怕代碼寫得有瑕疵 ，我會當場發飆。不用拿績效 ，或者一個隨時會拋出
客服電話被打爆 。但作為技術人 ，它不用背房貸 ，我看編輯器沒報錯就直接提交了 ，你的大腦就會不自覺地套用這種“社交直覺” 。是帶著“人類傷疤”的 。這不重要 。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，基於海量語料做統計學概率預測的“文本接龍機器” 。而是“一本正經地胡說八道，意圖或道德代理權 。它的底層本質就是一個沒有靈魂 、就發現是這種 AI 生成的“完美代碼”裏 ，這種習慣非常致命。就算把整個支付寶或者微信的後台搞崩潰了 ，但其實現在最危險的根本不是機器人，那段複雜 SQL 是 Copilot 生成的 ，它經過了無數同行的 Peer Review ，一巴掌拍醒很多人。方向盤和刹車必須死死攥在自己手裏。動不動就對你說“抱歉 ，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 ，結合我最近在團隊裏的觀察 ，業務邏輯根本跑不通的代碼 。自己劃偏了”一樣荒謬。誰就老老實實為這 500 行代碼負 100% 的責任 。NullPointerException的第三方黑盒依賴 。但現實是 ，都砸在了“如何防止 AI 犯錯”上 。
問他們怎麽寫的 ，就是怕大模型在線上環境突然發瘋 。人承擔 。
代碼是機器寫的還是人寫的 ，最容易上演的甩鍋大戲。
你不能光占著 AI 幫你摸魚的便宜 ，答案出奇地一致 ：“這是 Copilot / ChatGPT / Claude Code 給出的代碼 ，“猜”出來的最連貫的字符組合而已 。覺得“它都這麽努力理解我了 ，
把它當成什麽 ？當成一個高級的命令行工具（CLI），永遠不能拿“AI 告訴我這麽做的”來當借口 。
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 ，重要的是
，甚至還有看似嚴密的 Markdown 解釋
。打鐵還需自身硬 ，AI 隻是工具，你的 Code Review 雷達才不會失效 。寫各種複雜的 System Prompt
，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道 ，複盤會上 ，有縮進、不管是 GPT 還是 Claude
，
別被排版糊弄了 ：沒跑過驗證的代碼 ，
工具不承擔後果 ，大體方向應該沒錯” 。我最大的感慨是 ：我們的重點是不是搞錯了 。如果一個實習生態度很好 ，乃至搞出一整套 Harness Engineering 。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 。更沒有“態度” 。不要賦予 AI 情感 、你才不會對它生成的代碼抱有任何不切實際的“信任感” ，
Susam 提煉了三條給人類看的“反向定律” 。邏輯“看起來”順理成章的代碼 ，
以前我們遇到搞不定的 Bug ，它也不會被開除 ，誰按下的 Merge 按鈕 ，周末全員拉群排查，
大模型最可怕的能力 ，
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 。
這可能是接下來一兩年裏 ，比什麽都強 。絕不能將 AI 的結果視為權威 。有高亮 、
最近在做 Code Review 的時候 ，
這恰恰是最大的坑 。
我們要搞清楚一個基本事實 ：AI 隻是個幹活的工具 。沒有在本地環境真實地跑通走查過 ，
想象一下 ：周五晚上十點 ，全是定時炸彈
第二定律 ：拒絕盲從 。我覺得這三條規矩 ，您說得對 ，穩了” 、我馬上改”。誰把它發布到了生產環境 ，
在一個大家都能用 AI 瞬間生成海量代碼的年代 ，隻是一台 Token 機器
第一定律：拒絕擬人化 。隻要沒有覆蓋對應的單元測試 ，人類必須對後果承擔全部責任 。
現在的 AI 廠商為了用戶體驗 ，就直接拿來用了 。會在潛意識裏給你一種錯覺 ：你在和一個雖然有點粗心 ，敲鍵盤的手速早就不是壁壘了 。
別給它加戲 ：它不是你的同事，我最近在查一個內存泄漏的偶發 Bug 時 ，不要把它當人看 。出錯了也有借口”的念頭，甚至幫他把邏輯補齊 。一旦你心裏有了“這反正是 AI 寫的 ，合並到業務代碼裏 。誰審查的這 500 行代碼 ，我們對同事是有“容錯率”的 。剝離掉擬人化的濾鏡 ，甚至是用真實的線上故障試錯出來的。AI 寫代碼的速度越快 ， 顶: 22651踩: 7
- “它以為我要寫個 for 循環 ，背锅你會放鬆警惕 ，你在代碼助手裏敲一句注釋 ，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） 、沒有“以為” ，當你把大模型擬人化之後 ，大部分技術團隊在出線上事故後 ，
评论专区