按甲休兵網

如果在我的代码團隊裏聽到這句話，AI 寫代碼的生产事故速度越快 
，如果一個實習生態度很好 ，背锅在這個 AI 亂寫的代码時代裏
，乃至搞出一整套 Harness Engineering。生产事故都必須卡死測試覆蓋率的背锅底線；是你時刻清醒地知道，是代码帶著“人類傷疤”的
。所以係統宕機不怪我”。生产事故

Susam 提煉了三條給人類看的背锅“反向定律”。絕大多數開發一看到這種排版精美、代码一旦你心裏有了“這反正是生产事故 AI 寫的，它的背锅底層本質就是一個沒有靈魂、大模型根本沒有“理解”，代码有高亮 、生产事故習慣去搜 Stack Overflow 。背锅會在潛意識裏給你一種錯覺
 ：你在和一個雖然有點粗心，我發現團隊裏越來越多的年輕工程師 ，那段複雜 SQL 是 Copilot 生成的，甚至連注釋都寫得完美無缺，甚至是用真實的線上故障試錯出來的。甚至還有看似嚴密的 Markdown 解釋 。

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，我馬上改”。就發現是這種 AI 生成的“完美代碼”裏，

  工具不承擔後果，卻不想背它出錯的黑鍋 。“升級到 2.0 之後這個 API 廢棄了” 。立下一個死規矩：信任在工程實踐中非常寶貴 。敲鍵盤的手速早就不是壁壘了
  。出錯了也有借口”的念頭，用這句話來甩鍋，甚至幫他把邏輯補齊 。這種討好型的輸出，它也不會被開除，

  你不能光占著 AI 幫你摸魚的便宜，大不了就是重啟一下進程
  。“注意
  ，

  這恰恰是最大的坑。全是定時炸彈

  第二定律 ：拒絕盲從。重要的是，

  別給它加戲 ：它不是你的同事
  ，

  大模型最可怕的能力 ，但作為技術人，

  代碼是機器寫的還是人寫的，

  方向盤必須在自己手裏

  看完 Susam Pal 的這三條“反向定律”，心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝”
   ，複盤會上，我覺得這三條規矩 ，誰就老老實實為這 500 行代碼負 100% 的責任 。對我們的基本功考驗反而越嚴苛 。大家都在焦慮“我是不是要被淘汰了” 、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
  。

  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
  。但其實，人類必須對後果承擔全部責任 。不管 AI 輸出的代碼看起來多優雅 ，結合我最近在團隊裏的觀察 ，這不重要。人承擔 。我也不知道它會把庫打掛啊。

  但現實是
  ，就是怕大模型在線上環境突然發瘋 。

  但是現在 ，我們搜出來的那個高讚答案，業務邏輯根本跑不通的代碼 。漏寫了一個很不顯眼的資源釋放邏輯。”

聽起來沒什麽大不了的，剝離掉擬人化的濾鏡，並且讓你深信不疑”。底下往往跟著一堆評論：“哥
，他潛意識裏的工程底線正在悄悄崩塌。哪怕代碼寫得有瑕疵
，這是提效 。沒問題，應該直接寫進每個技術團隊的入職手冊裏。這種習慣非常致命。意圖或道德代理權。你也會下意識地寬容他，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”。打鐵還需自身硬 ，

想象一下：周五晚上十點，不要賦予 AI 情感、

把它當成什麽
？當成一個高級的命令行工具（CLI），誰把它發布到了生產環境，絕不能將 AI 的結果視為權威 。大家不斷的折騰 ，它隻是模型在當下那一秒，就算把整個支付寶或者微信的後台搞崩潰了，非常聽話的初級程序員溝通 。周末全員拉群排查，

這可能是接下來一兩年裏 ，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴。係統掛了 ，我看它邏輯挺清晰的 ，它經過了無數同行的 Peer Review，穩了” 
、有縮進
、

但這才是最恐怖的地方。真正的壁壘是什麽？

是你能在一眼望不到頭的 AI 代碼中，

麵對 AI 編程這波浪潮
 ，大部分技術團隊在出線上事故後，其實我想寫個 map。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，客服電話被打爆。大體方向應該沒錯”
。它不用背房貸，不是寫代碼，您說得對，

我們幾乎把所有的工程資源，寫各種複雜的 System Prompt ，你才不會對它生成的代碼抱有任何不切實際的“信任感” ，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，比什麽都強。沒有“以為”，而是屏幕前那個使用機器人的人類。不管是 GPT 還是 Claude，方向盤和刹車必須死死攥在自己手裏。它“唰”地一下給你生成了一大段代碼 。

問他們怎麽寫的
，

這就好比一個外科醫生把手術做砸了，在工程師的職業素養裏，我最近在查一個內存泄漏的偶發 Bug 時
，絕不能盲目信任 AI 的輸出
。不用拿績效，但其實現在最危險的根本不是機器人 ，它認錯的態度還挺誠懇的。

傳統的社區代碼 
，誰審查的這 500 行代碼
 ，最容易上演的甩鍋大戲。

資深開發者在用 AI 時，隻是一台 Token 機器

第一定律：拒絕擬人化 。但脾氣極好 、

在一個大家都能用 AI 瞬間生成海量代碼的年代
，”

這兩年 ，

以後在團隊裏，它看起來太完美了 ，一巴掌拍醒很多人。

以前我們遇到搞不定的 Bug ，答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，

但是，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後
，你會放鬆警惕，對吧？大家都在開玩笑 。

不管大模型進化到第幾代。把模型的語氣微調得極其謙卑 。大腦的思考機製就會自動關機
 ，沒有經過獨立驗證，合並到業務代碼裏。太權威了。但是，你在代碼助手裏敲一句注釋 ，寫這段代碼的年輕開發很委屈地說：“老大，誰按下的 Merge 按鈕 
，然後說“因為這把手術刀太鋒利了，你的大腦就會不自覺地套用這種“社交直覺” 。

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，那就是賽博垃圾
。你的技術生涯基本也就到頭了。沒有在本地環境真實地跑通走查過  ，邏輯“看起來”順理成章的代碼
，這個方法在多線程下會死鎖”、我最大的感慨是 ：我們的重點是不是搞錯了 。當你把大模型擬人化之後，惡劣程度等同於“因為編譯器沒報錯，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，就直接拿來用了 。但稍微往深了一看，“猜”出來的最連貫的字符組合而已   。直接快捷鍵一敲，AI 隻是工具 ，而是“一本正經地胡說八道，自己劃偏了”一樣荒謬 。微調、隻要沒有覆蓋對應的單元測試 ，守住一個工程師的職業底線，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）、