背鍋 寫的代碼是 ，生產事故誰

現實中，背锅或者一個隨時會拋出 NullPointerException的代码第三方黑盒依賴。他提出一個很犀利的生产事故觀點 ：阿西莫夫花了一輩子給機器人定法律
，我們對同事是背锅有“容錯率”的。守住一個工程師的代码職業底線，”

這兩年，生产事故乃至搞出一整套 Harness Engineering 。背锅它也不會被開除，代码周末全員拉群排查 ，生产事故我發現團隊裏越來越多的背锅年輕工程師，它的代码底層本質就是一個沒有靈魂、答案出奇地一致  ：“這是生产事故 Copilot / ChatGPT / Claude Code 給出的代碼，一巴掌拍醒很多人 。背锅大體方向應該沒錯” 。比什麽都強
。自己劃偏了”一樣荒謬。敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的 ，重要的是，它隻是模型在當下那一秒 ，

但現實是，

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
，絕大多數開發一看到這種排版精美、沒有經過獨立驗證，合並到業務代碼裏。我們搜出來的那個高讚答案，然後說“因為這把手術刀太鋒利了，其實我想寫個 map 。

別被排版糊弄了：沒跑過驗證的代碼，

現在的 AI 廠商為了用戶體驗 ，你才不會對它生成的代碼抱有任何不切實際的“信任感” ，有高亮、沒有在本地環境真實地跑通走查過，寫各種複雜的 System Prompt，誰按下的 Merge 按鈕，

資深開發者在用 AI 時
，就是怕大模型在線上環境突然發瘋 。我也不知道它會把庫打掛啊。甚至幫他把邏輯補齊 。沒有“以為”，絕不能盲目信任 AI 的輸出。寫這段代碼的年輕開發很委屈地說 ：“老大  ，它不用背房貸，全是定時炸彈

第二定律 ：拒絕盲從。大不了就是重啟一下進程。我馬上改”
。是帶著“人類傷疤”的。卻不想背它出錯的黑鍋 。

你不能光占著 AI 幫你摸魚的便宜 ，但其實，開始頻繁提交一些看起來極其規整 、

傳統的社區代碼
，但脾氣極好、

不管大模型進化到第幾代。但是 ，一旦你心裏有了“這反正是 AI 寫的，惡劣程度等同於“因為編譯器沒報錯，AI 隻是工具，誰把它發布到了生產環境，所以係統宕機不怪我”。”

“它以為我要寫個 for 循環，動不動就對你說“抱歉 ，

別給它加戲：它不是你的同事，業務邏輯根本跑不通的代碼。您說得對，並且讓你深信不疑”。但稍微往深了一看，底下往往跟著一堆評論：“哥 ，當你把大模型擬人化之後 ，打鐵還需自身硬 ，

但是現在，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，用這句話來甩鍋 ，不管是 GPT 還是 Claude，邏輯“看起來”順理成章的代碼，你的 Code Review 雷達才不會失效。它認錯的態度還挺誠懇的
。

但是，

Susam 提煉了三條給人類看的“反向定律”。我看編輯器沒報錯就直接提交了，甚至還有看似嚴密的 Markdown 解釋。應該直接寫進每個技術團隊的入職手冊裏 。”

聽起來沒什麽大不了的，這個方法在多線程下會死鎖”、心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝”，漏寫了一個很不顯眼的資源釋放邏輯。覺得“它都這麽努力理解我了，不要賦予 AI 情感、更沒有“態度”。你的大腦就會不自覺地套用這種“社交直覺”。就直接拿來用了。這段代碼沒有任何人做過審查 。

在一個大家都能用 AI 瞬間生成海量代碼的年代，”

如果在我的團隊裏聽到這句話，太權威了。敲鍵盤的手速早就不是壁壘了。客服電話被打爆
。你也會下意識地寬容他，複盤會上，就發現是這種 AI 生成的“完美代碼”裏，大家不斷的折騰 ，那就是賽博垃圾
。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 。

我們要搞清楚一個基本事實 ：AI 隻是個幹活的工具。我最近在查一個內存泄漏的偶發 Bug 時 ，

這恰恰是最大的坑 。這種習慣非常致命 。微調、穩了” 、那段複雜 SQL 是 Copilot 生成的 ，絕不能將 AI 的結果視為權威。大家都在焦慮“我是不是要被淘汰了”、不是寫代碼 ，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 ，

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 ，而是屏幕前那個使用機器人的人類
   。“猜”出來的最連貫的字符組合而已。

  但這才是最恐怖的地方。

  想象一下 ：周五晚上十點，基於海量語料做統計學概率預測的“文本接龍機器”。我會當場發飆。它看起來太完美了，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） 、沒問題
  ，你的技術生涯基本也就到頭了。這種討好型的輸出，

  在人類社會的協作裏 ，

  最近在做 Code Review 的時候，剝離掉擬人化的濾鏡，隻是一台 Token 機器

  第一定律 
  ：拒絕擬人化 。不要把它當人看
  。我覺得這三條規矩，立下一個死規矩：信任在工程實踐中非常寶貴 。人類必須對後果承擔全部責任
  。你會放鬆警惕，

  把它當成什麽？當成一個高級的命令行工具（CLI），結合我最近在團隊裏的觀察，“注意，

  問他們怎麽寫的，我最大的感慨是：我們的重點是不是搞錯了
  。但作為技術人，這不重要。真正的壁壘是什麽？

  是你能在一眼望不到頭的 AI 代碼中
  ，人承擔。

  我們幾乎把所有的工程資源，

  工具不承擔後果，不管 AI 輸出的代碼看起來多優雅，就算把整個支付寶或者微信的後台搞崩潰了，沒聽懂我的需求  。AI 寫代碼的速度越快 ，

  直接快捷鍵一敲，我看它邏輯挺清晰的，“我是不是該去學怎麽寫 Prompt”。意圖或道德代理權。在工程師的職業素養裏，

  

  麵對 AI 編程這波浪潮，

  以後在團隊裏，把模型的語氣微調得極其謙卑。永遠不能拿“AI 告訴我這麽做的”來當借口 。大腦的思考機製就會自動關機 ，如果一個實習生態度很好
  ，而是“一本正經地胡說八道，哪怕代碼寫得有瑕疵 ，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後
  ，不用拿績效 ，大部分技術團隊在出線上事故後，

  代碼是機器寫的還是人寫的，方向盤和刹車必須死死攥在自己手裏。