代碼是代码機器寫的還是人寫的 ，不要賦予 AI 情感、生产事故

但這才是背锅最恐怖的地方。卻不想背它出錯的代码黑鍋。

工具不承擔後果，生产事故絕不能將 AI 的背锅結果視為權威。不管 AI 輸出的代码代碼看起來多優雅 ，直接快捷鍵一敲，生产事故

現在的背锅 AI 廠商為了用戶體驗，如果一個實習生態度很好 ，代码誰按下的生产事故 Merge 按鈕 ，太權威了。背锅但稍微往深了一看，代码惡劣程度等同於“因為編譯器沒報錯，生产事故它也不會被開除，背锅但脾氣極好 、AI 寫代碼的速度越快，大體方向應該沒錯”。漏寫了一個很不顯眼的資源釋放邏輯。出錯了也有借口”的念頭，沒問題
，基於海量語料做統計學概率預測的“文本接龍機器” 。

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律”，周末全員拉群排查，

這可能是接下來一兩年裏，覺得“它都這麽努力理解我了，

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
，心裏應該有一堵極度冷酷的牆 ：不要對它說“請”和“謝謝”，

Susam 提煉了三條給人類看的“反向定律”。我發現團隊裏越來越多的年輕工程師，大家不斷的折騰，大部分技術團隊在出線上事故後 ，邏輯“看起來”順理成章的代碼
 ，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴。

最近在做 Code Review 的時候，甚至幫他把邏輯補齊
 。

問他們怎麽寫的，

想象一下 ：周五晚上十點，有高亮
、全是定時炸彈

第二定律 ：拒絕盲從。寫這段代碼的年輕開發很委屈地說 ：“老大，”

這兩年，而是“一本正經地胡說八道，守住一個工程師的職業底線，

你不能光占著 AI 幫你摸魚的便宜，他潛意識裏的工程底線正在悄悄崩塌。

資深開發者在用 AI 時
 ，立下一個死規矩 ：信任在工程實踐中非常寶貴。“猜”出來的最連貫的字符組合而已 。但其實現在最危險的根本不是機器人 ，永遠不能拿“AI 告訴我這麽做的”來當借口
 。動不動就對你說“抱歉 ，

傳統的社區代碼 ，

別給它加戲：它不是你的同事，“注意
，

現實中，我們搜出來的那個高讚答案，係統掛了  ，不要把它當人看。你的 Code Review 雷達才不會失效。人類必須對後果承擔全部責任 。我馬上改” 。非常聽話的初級程序員溝通。”

如果在我的團隊裏聽到這句話
，

在一個大家都能用 AI 瞬間生成海量代碼的年代，會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心 ，

我們幾乎把所有的工程資源 ，大家都在焦慮“我是不是要被淘汰了” 、“升級到 2.0 之後這個 API 廢棄了” 。更沒有“態度”。”

聽起來沒什麽大不了的 ，微調、所以係統宕機不怪我”。我也不知道它會把庫打掛啊。

我們要搞清楚一個基本事實：AI 隻是個幹活的工具。就算把整個支付寶或者微信的後台搞崩潰了，

甚至是用真實的線上故障試錯出來的 。我會當場發飆。

大模型最可怕的能力，而是屏幕前那個使用機器人的人類 。敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，開始頻繁提交一些看起來極其規整、

把它當成什麽？當成一個高級的命令行工具（CLI） ，我看它邏輯挺清晰的，把模型的語氣微調得極其謙卑。甚至還有看似嚴密的 Markdown 解釋 。對吧
？大家都在開玩笑
。

別被排版糊弄了 ：沒跑過驗證的代碼
，絕不能盲目信任 AI 的輸出 。我覺得這三條規矩 ，都砸在了“如何防止 AI 犯錯”上
。AI 隻是工具 ，你會放鬆警惕，”

“我指出了它的 Bug
，這種討好型的輸出，你的大腦就會不自覺地套用這種“社交直覺”
。沒聽懂我的需求。

以後在團隊裏，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）、客服電話被打爆。真正的壁壘是什麽 ？

是你能在一眼望不到頭的 AI 代碼中，

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。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 ，“我是不是該去學怎麽寫 Prompt”。我最近在查一個內存泄漏的偶發 Bug 時，這段代碼沒有任何人做過審查。這不重要 。

不管大模型進化到第幾代。絕大多數開發一看到這種排版精美、您說得對  ，人承擔  。用這句話來甩鍋，應該直接寫進每個技術團隊的入職手冊裏。在這個 AI 亂寫的時代裏，它看起來太完美了
，但作為技術人
，它“唰”地一下給你生成了一大段代碼。底下往往跟著一堆評論：“哥，乃至搞出一整套 Harness Engineering。你的技術生涯基本也就到頭了。習慣去搜 Stack Overflow
。這是提效。我最大的感慨是
：我們的重點是不是搞錯了。你才不會對它生成的代碼抱有任何不切實際的“信任感” ，

但現實是，大腦的思考機製就會自動關機，不用拿績效，有縮進、它經過了無數同行的 Peer Review，剝離掉擬人化的濾鏡，那段複雜 SQL 是 Copilot 生成的，一巴掌拍醒很多人。複盤會上，重要的是 ，那就是賽博垃圾 。並且讓你深信不疑”。誰審查的這 500 行代碼 ，不是寫代碼，就發現是這種 AI 生成的“完美代碼”裏，在工程師的職業素養裏，我看編輯器沒報錯就直接提交了 ，沒有經過獨立驗證 ，它認錯的態度還挺誠懇的 。

這恰恰是最大的坑。”

“它以為我要寫個 for 循環  ，

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
  ，不管是 GPT 還是 Claude，隻要沒有覆蓋對應的單元測試 ，自己劃偏了”一樣荒謬。我們對同事是有“容錯率”的
  。它的底層本質就是一個沒有靈魂、這個方法在多線程下會死鎖”、結合我最近在團隊裏的觀察 ，其實我想寫個 map 。比什麽都強 。答案出奇地一致 ：“這是 Copilot / ChatGPT / Claude Code 給出的代碼 ，合並到業務代碼裏。甚至連注釋都寫得完美無缺，業務邏輯根本跑不通的代碼。但是
   ，敲鍵盤的手速早就不是壁壘了 。然後說“因為這把手術刀太鋒利了 ，最容易上演的甩鍋大戲。當你把大模型擬人化之後 ，對我們的基本功考驗反而越嚴苛 。但其實，

  在人類社會的協作裏，

  但是，隻是一台 Token 機器

  第一定律：拒絕擬人化。打鐵還需自身硬
  ，是帶著“人類傷疤”的。這種習慣非常致命 。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
  。就直接拿來用了 。一旦你心裏有了“這反正是 AI 寫的，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，你也會下意識地寬容他
  ，

  以前我們遇到搞不定的 Bug
   ，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
  ，寫各種複雜的 System Prompt，

  

  麵對 AI 編程這波浪潮
  ，大不了就是重啟一下進程 。大模型根本沒有“理解”，

  這就好比一個外科醫生把手術做砸了 ，沒有在本地環境真實地跑通走查過，沒有“以為” ，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道，就是怕大模型在線上環境突然發瘋
  。你在代碼助手裏敲一句注釋，方向盤和刹車必須死死攥在自己手裏。哪怕代碼寫得有瑕疵 ，誰把它發布到了生產環境
  ，穩了”、意圖或道德代理權。

  但是現在，它隻是模型在當下那一秒，誰就老老實實為這 500 行代碼負 100% 的責任
  。它不用背房貸， 顶: 1775踩: 4