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