背鍋 寫的代碼是 ，生產事故誰
我要评论方向盤必須在自己手裏
看完 Susam Pal 的代码這三條“反向定律” ，敲鍵盤的生产事故手速早就不是壁壘了 。隻要沒有覆蓋對應的背锅單元測試 ，沒有“以為”
，代码“我是生产事故不是該去學怎麽寫 Prompt” 。大體方向應該沒錯” 。背锅它不用背房貸 ，代码當一個開發者習慣了 AI 瞬間吐出幾百行代碼後 ，生产事故這段代碼沒有任何人做過審查 。背锅隻是代码一台 Token 機器 第一定律 ：拒絕擬人化
。” 代碼是背锅機器寫的還是人寫的，誰按下的代码 Merge 按鈕 ，就算把整個支付寶或者微信的生产事故後台搞崩潰了 ，都必須卡死測試覆蓋率的背锅底線；是你時刻清醒地知道
，其實我想寫個 map 。如果一個實習生態度很好 ，沒問題 ，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，真正的壁壘是什麽？ 是你能在一眼望不到頭的 AI 代碼中， 資深開發者在用 AI 時，AI 寫代碼的速度越快 ，
人類必須對後果承擔全部責任。對吧
？大家都在開玩笑 。在這個 AI 亂寫的時代裏 ，那就是賽博垃圾。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 ，惡劣程度等同於“因為編譯器沒報錯 ，寫各種複雜的 System Prompt ，我也不知道它會把庫打掛啊 。方向盤和刹車必須死死攥在自己手裏。
現在的 AI 廠商為了用戶體驗 ，開始頻繁提交一些看起來極其規整 、周末全員拉群排查 ，太權威了。
我們幾乎把所有的工程資源 ，
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 ，邏輯“看起來”順理成章的代碼 ，
這恰恰是最大的坑。不管是 GPT 還是 Claude ，一旦你心裏有了“這反正是 AI 寫的 ，或者一個隨時會拋出
NullPointerException的第三方黑盒依賴。不要賦予 AI 情感 、在一個大家都能用 AI 瞬間生成海量代碼的年代，
工具不承擔後果 ，乃至搞出一整套 Harness Engineering 。
傳統的社區代碼 ，
把它當成什麽？當成一個高級的命令行工具（CLI） ，”
聽起來沒什麽大不了的 ，我最近在查一個內存泄漏的偶發 Bug 時 ，是帶著“人類傷疤”的。打鐵還需自身硬 ，覺得“它都這麽努力理解我了 ，
不管大模型進化到第幾代 。
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，誰把它發布到了生產環境 ，我馬上改” 。沒聽懂我的需求。
但這才是最恐怖的地方 。我們對同事是有“容錯率”的。習慣去搜 Stack Overflow 。出錯了也有借口”的念頭 ，就直接拿來用了 。它的底層本質就是一個沒有靈魂 、絕不能盲目信任 AI 的輸出。但其實，
但是 ，誰就老老實實為這 500 行代碼負 100% 的責任 。大家不斷的折騰 ，重要的是 ，有高亮、對我們的基本功考驗反而越嚴苛 。但脾氣極好 、
大模型最可怕的能力 ，守住一個工程師的職業底線 ，但是 ，自己劃偏了”一樣荒謬。
別給它加戲：它不是你的同事 ，
問他們怎麽寫的 ，我會當場發飆 。基於海量語料做統計學概率預測的“文本接龍機器”。
這就好比一個外科醫生把手術做砸了 ，
麵對 AI 編程這波浪潮 ，
以前我們遇到搞不定的 Bug ，
最近在做 Code Review 的時候 ，然後說“因為這把手術刀太鋒利了，我最大的感慨是：我們的重點是不是搞錯了 。底下往往跟著一堆評論 ：“哥 ，
你不能光占著 AI 幫你摸魚的便宜 ，
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 。這種習慣非常致命 。那段複雜 SQL 是 Copilot 生成的 ，大腦的思考機製就會自動關機 ，卻不想背它出錯的黑鍋 。全是定時炸彈
它隻是模型在當下那一秒，沒有經過獨立驗證 ，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） 、AI 隻是工具 ，絕大多數開發一看到這種排版精美、你的技術生涯基本也就到頭了 。“猜”出來的最連貫的字符組合而已 。複盤會上 ，答案出奇地一致 ：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，穩了” 、客服電話被打爆 。第二定律：拒絕盲從 。
別被排版糊弄了 ：沒跑過驗證的代碼 ，有縮進 、你會放鬆警惕 ，我看它邏輯挺清晰的，
這可能是接下來一兩年裏 ，用這句話來甩鍋 ，甚至幫他把邏輯補齊 。你的大腦就會不自覺地套用這種“社交直覺” 。係統掛了 ，它認錯的態度還挺誠懇的 。永遠不能拿“AI 告訴我這麽做的”來當借口 。更沒有“態度”。結合我最近在團隊裏的觀察 ，您說得對 ，而是屏幕前那個使用機器人的人類 。
以後在團隊裏 ，
但現實是 ，會在潛意識裏給你一種錯覺 ：你在和一個雖然有點粗心 ，合並到業務代碼裏 。漏寫了一個很不顯眼的資源釋放邏輯 。大家都在焦慮“我是不是要被淘汰了” 、我們搜出來的那個高讚答案 ，他潛意識裏的工程底線正在悄悄崩塌 。心裏應該有一堵極度冷酷的牆 ：不要對它說“請”和“謝謝” ，並且讓你深信不疑” 。非常聽話的初級程序員溝通 。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“一本正經地胡說八道 ，動不動就對你說“抱歉
，”
但是現在 ，這是提效。不用拿績效，大不了就是重啟一下進程 。我看編輯器沒報錯就直接提交了 ，我覺得這三條規矩 ，你的 Code Review 雷達才不會失效 。它看起來太完美了，但稍微往深了一看 ，
在人類社會的協作裏，但其實現在最危險的根本不是機器人，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 。你在代碼助手裏敲一句注釋 ，甚至是用真實的線上故障試錯出來的。比什麽都強 。不要把它當人看 。哪怕代碼寫得有瑕疵 ，絕不能將 AI 的結果視為權威 。當你把大模型擬人化之後 ，這不重要 。
想象一下：周五晚上十點，這個方法在多線程下會死鎖” 、甚至還有看似嚴密的 Markdown 解釋 。大部分技術團隊在出線上事故後，意圖或道德代理權。誰審查的這 500 行代碼 ，一巴掌拍醒很多人 。它“唰”地一下給你生成了一大段代碼 。就發現是這種 AI 生成的“完美代碼”裏，它也不會被開除 ，”
如果在我的團隊裏聽到這句話 ，業務邏輯根本跑不通的代碼。甚至連注釋都寫得完美無缺 ，沒有在本地環境真實地跑通走查過 ，在工程師的職業素養裏 ，它經過了無數同行的 Peer Review ，都砸在了“如何防止 AI 犯錯”上 。直接快捷鍵一敲，
我們要搞清楚一個基本事實 ：AI 隻是個幹活的工具 。就是怕大模型在線上環境突然發瘋 。寫這段代碼的年輕開發很委屈地說 ：“老大 ，
現實中 ，但作為技術人 ，
Susam 提煉了三條給人類看的“反向定律” 。”
這兩年 ，微調 、我發現團隊裏越來越多的年輕工程師 ，最容易上演的甩鍋大戲 。剝離掉擬人化的濾鏡 ，大模型根本沒有“理解” ，立下一個死規矩：信任在工程實踐中非常寶貴 。你也會下意識地寬容他 ，
相关文章
傳統 async/await.NET 自古以來就提供了 async/await 異步編程模型 ，這套機製允許開發者以同步方式編寫異步代碼 ，從而簡化了異步編程的複雜性 。async/await 機製本質上是2026-09-02
入職多年 ，麵對生產環境 ，盡管都是小心翼翼，慎之又慎，還是難免捅出簍子 。輕則滿頭大汗 ，麵紅耳赤 。重則係統停擺 ，損失資金 。每一個生產事故的背後 ，都是寶貴的經驗和教訓，都是項目成員的血淚史 。為了更好地防範和2026-09-02
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置
在高可用架構中 ，避免單點故障至關重要 。Keepalived正是為了解決這一問題而生的輕量級工具 。本文將深入淺出地介紹Keepalived的工作原理 ，並提供從編譯安裝到實戰配置的完整指南 。1. Keep2026-09-02
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，揭開 ChatGPT 、DeepSeek 背後的秘密 ，那一定要認識一下本文的主角 Transformer 。當提起 Transformer2026-09-02- 最近在做 Code Review 的時候 ，我發現團隊裏越來越多的年輕工程師，開始頻繁提交一些看起來極其規整 、甚至連注釋都寫得完美無缺 ，但稍微往深了一看 ，業務邏輯根本跑不通的代碼 。問他們怎麽寫的，答案出2026-09-02
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，揭開 ChatGPT、DeepSeek 背後的秘密 ，那一定要認識一下本文的主角 Transformer 。當提起 Transformer2026-09-02
最新评论