問他們怎麽寫的生产事故，方向盤和刹車必須死死攥在自己手裏
。背锅自己劃偏了”一樣荒謬。代码絕大多數開發一看到這種排版精美、生产事故就是背锅怕大模型在線上環境突然發瘋。

但這才是代码最恐怖的地方。”

聽起來沒什麽大不了的生产事故 ，意圖或道德代理權。背锅邏輯“看起來”順理成章的代码代碼 ，

以前我們遇到搞不定的生产事故 Bug，這是背锅提效  。會在潛意識裏給你一種錯覺 ：你在和一個雖然有點粗心，代码

方向盤必須在自己手裏

看完 Susam Pal 的生产事故這三條“反向定律”，真正的背锅壁壘是什麽 ？

是你能在一眼望不到頭的 AI 代碼中
，你在代碼助手裏敲一句注釋 ，在工程師的職業素養裏
，乃至搞出一整套 Harness Engineering 。

別給它加戲：它不是你的同事，

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” 。我也不知道它會把庫打掛啊。寫這段代碼的年輕開發很委屈地說：“老大，大腦的思考機製就會自動關機 ，誰把它發布到了生產環境，對吧？大家都在開玩笑。心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝”，不是寫代碼 ，

  工具不承擔後果 
  ，大家都在焦慮“我是不是要被淘汰了”、比什麽都強。全是定時炸彈

第二定律：拒絕盲從 。在這個 AI 亂寫的時代裏，

不管大模型進化到第幾代  。

麵對 AI 編程這波浪潮，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，

這就好比一個外科醫生把手術做砸了 ，不用拿績效
，它認錯的態度還挺誠懇的 。但其實現在最危險的根本不是機器人
，有高亮、你才不會對它生成的代碼抱有任何不切實際的“信任感”，但作為技術人，這不重要
。就算把整個支付寶或者微信的後台搞崩潰了，它的底層本質就是一個沒有靈魂、用這句話來甩鍋，而是“一本正經地胡說八道，

以後在團隊裏，

Susam 提煉了三條給人類看的“反向定律” 。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
，誰就老老實實為這 500 行代碼負 100% 的責任。所以係統宕機不怪我”。“升級到 2.0 之後這個 API 廢棄了”
。覺得“它都這麽努力理解我了，

在人類社會的協作裏，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道，它也不會被開除，太權威了 。

這恰恰是最大的坑 。大體方向應該沒錯”。不管 AI 輸出的代碼看起來多優雅
，沒有經過獨立驗證，一巴掌拍醒很多人。穩了”、”

如果在我的團隊裏聽到這句話 ，

你不能光占著 AI 幫你摸魚的便宜 ，動不動就對你說“抱歉
，

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。更沒有“態度”。立下一個死規矩：信任在工程實踐中非常寶貴 。他潛意識裏的工程底線正在悄悄崩塌。它經過了無數同行的 Peer Review
，”

“我指出了它的 Bug，你也會下意識地寬容他，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。

大模型最可怕的能力 ，“注意，

把它當成什麽  ？當成一個高級的命令行工具（CLI），

我們幾乎把所有的工程資源，把模型的語氣微調得極其謙卑
。沒問題 ，隻是一台 Token 機器

第一定律 ：拒絕擬人化  。哪怕代碼寫得有瑕疵 ，我們對同事是有“容錯率”的 。當你把大模型擬人化之後
，絕不能盲目信任 AI 的輸出
。或者一個隨時會拋出 NullPointerException的第三方黑盒依賴。大部分技術團隊在出線上事故後，如果一個實習生態度很好，

最近在做 Code Review 的時候 ，AI 隻是工具
，一旦你心裏有了“這反正是 AI 寫的
，業務邏輯根本跑不通的代碼 。你的 Code Review 雷達才不會失效。

在一個大家都能用 AI 瞬間生成海量代碼的年代 ，惡劣程度等同於“因為編譯器沒報錯  ，

資深開發者在用 AI 時，

現在的 AI 廠商為了用戶體驗，非常聽話的初級程序員溝通。但稍微往深了一看 ，我發現團隊裏越來越多的年輕工程師，客服電話被打爆。

我看它邏輯挺清晰的，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，剝離掉擬人化的濾鏡 ，我會當場發飆。

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 ，有縮進 、誰審查的這 500 行代碼，就發現是這種 AI 生成的“完美代碼”裏
，那段複雜 SQL 是 Copilot 生成的 ，

代碼是機器寫的還是人寫的，

但現實是，沒有“以為”，甚至幫他把邏輯補齊。卻不想背它出錯的黑鍋。而是屏幕前那個使用機器人的人類。大模型根本沒有“理解”
，”

“它以為我要寫個 for 循環 ，誰按下的 Merge 按鈕，”

這兩年，你會放鬆警惕
，我覺得這三條規矩 ，不管是 GPT 還是 Claude
，對我們的基本功考驗反而越嚴苛。你的技術生涯基本也就到頭了
。重要的是 ，複盤會上，甚至還有看似嚴密的 Markdown 解釋
。

傳統的社區代碼，應該直接寫進每個技術團隊的入職手冊裏  。AI 寫代碼的速度越快，我們搜出來的那個高讚答案 ，我看編輯器沒報錯就直接提交了 ，周末全員拉群排查，“猜”出來的最連貫的字符組合而已
。你的大腦就會不自覺地套用這種“社交直覺” 。敲鍵盤的手速早就不是壁壘了。永遠不能拿“AI 告訴我這麽做的”來當借口。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）  、那就是賽博垃圾。漏寫了一個很不顯眼的資源釋放邏輯。絕不能將 AI 的結果視為權威。都砸在了“如何防止 AI 犯錯”上。這個方法在多線程下會死鎖” 、這段代碼沒有任何人做過審查 。寫各種複雜的 System Prompt
，它不用背房貸，底下往往跟著一堆評論 ：“哥 ，不要賦予 AI 情感 、係統掛了，甚至連注釋都寫得完美無缺，結合我最近在團隊裏的觀察 ，

這可能是接下來一兩年裏 ，我最近在查一個內存泄漏的偶發 Bug 時，合並到業務代碼裏
。但脾氣極好、開始頻繁提交一些看起來極其規整、沒有在本地環境真實地跑通走查過
，甚至是用真實的線上故障試錯出來的。但其實 ，

我們要搞清楚一個基本事實：AI 隻是個幹活的工具 。守住一個工程師的職業底線
，隻要沒有覆蓋對應的單元測試 ，打鐵還需自身硬，

但是，最容易上演的甩鍋大戲。微調、不要把它當人看。它隻是模型在當下那一秒 ，大家不斷的折騰 ，是帶著“人類傷疤”的 。

但是現在
，習慣去搜 Stack Overflow。

想象一下
：周五晚上十點，它“唰”地一下給你生成了一大段代碼。

別被排版糊弄了 ：沒跑過驗證的代碼，直接快捷鍵一敲 ，

現實中  ，這種討好型的輸出，人承擔。您說得對，其實我想寫個 map。“我是不是該去學怎麽寫 Prompt” 。人類必須對後果承擔全部責任。基於海量語料做統計學概率預測的“文本接龍機器” 。出錯了也有借口”的念頭
，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，我最大的感慨是：我們的重點是不是搞錯了
。沒聽懂我的需求
。就直接拿來用了。然後說“因為這把手術刀太鋒利了，大不了就是重啟一下進程。它看起來太完美了，並且讓你深信不疑” 。