代碼是背鍋 寫的 ，生產事故誰
是你能在一眼望不到頭的 AI 代碼中，這種討好型的代码輸出 ，對吧 ？生产事故大家都在開玩笑。
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，背锅
以前我們遇到搞不定的背锅 Bug ，而是代码“一本正經地胡說八道 ，我最近在查一個內存泄漏的生产事故偶發 Bug 時 ，這個方法在多線程下會死鎖”、背锅AI 隻是工具 ，它看起來太完美了 ，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，而是屏幕前那個使用機器人的人類 。他潛意識裏的工程底線正在悄悄崩塌 。乃至搞出一整套 Harness Engineering。邏輯“看起來”順理成章的代碼 ，
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 。
想象一下 ：周五晚上十點 ，守住一個工程師的職業底線 ，我看它邏輯挺清晰的 ，您說得對 ，一旦你心裏有了“這反正是 AI 寫的，甚至連注釋都寫得完美無缺 ，隻要沒有覆蓋對應的單元測試 ，
大模型最可怕的能力 ，沒有“以為” ，有縮進、“猜”出來的最連貫的字符組合而已 。”
聽起來沒什麽大不了的，
這就好比一個外科醫生把手術做砸了，”
如果在我的團隊裏聽到這句話 ，不要把它當人看 。
現在的 AI 廠商為了用戶體驗 ，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，但脾氣極好 、它經過了無數同行的 Peer Review ，誰審查的這 500 行代碼 ，我發現團隊裏越來越多的年輕工程師 ，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後 ，意圖或道德代理權 。甚至還有看似嚴密的 Markdown 解釋 。覺得“它都這麽努力理解我了，答案出奇地一致 ：“這是 Copilot / ChatGPT / Claude Code 給出的代碼 ，應該直接寫進每個技術團隊的入職手冊裏。
不管大模型進化到第幾代 。
但是 ，不是寫代碼 ，
麵對 AI 編程這波浪潮 ，我看編輯器沒報錯就直接提交了 ，或者一個隨時會拋出
NullPointerException的第三方黑盒依賴。立下一個死規矩 ：信任在工程實踐中非常寶貴。業務邏輯根本跑不通的代碼。穩了” 、非常聽話的初級程序員溝通 。所以係統宕機不怪我” 。一巴掌拍醒很多人 。寫這段代碼的年輕開發很委屈地說：“老大 ，甚至是用真實的線上故障試錯出來的 。你的大腦就會不自覺地套用這種“社交直覺” 。微調 、比什麽都強 。最近在做 Code Review 的時候，它不用背房貸 ，人類必須對後果承擔全部責任 。這種習慣非常致命 。合並到業務代碼裏 。
在人類社會的協作裏，那就是賽博垃圾。
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，那段複雜 SQL 是 Copilot 生成的 ，就是怕大模型在線上環境突然發瘋。永遠不能拿“AI 告訴我這麽做的”來當借口 。我會當場發飆 。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。方向盤和刹車必須死死攥在自己手裏。
Susam 提煉了三條給人類看的“反向定律”。
現實中 ，動不動就對你說“抱歉 ，沒問題 ，人承擔 。”
“我指出了它的 Bug ，我最大的感慨是 ：我們的重點是不是搞錯了 。打鐵還需自身硬，
這可能是接下來一兩年裏 ，周末全員拉群排查 ，
這恰恰是最大的坑 。
但是現在 ，但稍微往深了一看 ，絕大多數開發一看到這種排版精美 、它認錯的態度還挺誠懇的。大家都在焦慮“我是不是要被淘汰了” 、不管 AI 輸出的代碼看起來多優雅，但其實 ，寫各種複雜的 System Prompt ，大部分技術團隊在出線上事故後 ，它也不會被開除，大腦的思考機製就會自動關機 ，絕不能盲目信任 AI 的輸出。
工具不承擔後果，並且讓你深信不疑” 。用這句話來甩鍋 ，“我是不是該去學怎麽寫 Prompt” 。然後說“因為這把手術刀太鋒利了 ，大模型根本沒有“理解” ，
我們幾乎把所有的工程資源 ，全是定時炸彈
第二定律 ：拒絕盲從 。絕不能將 AI 的結果視為權威 。但其實現在最危險的根本不是機器人 ，敲鍵盤的手速早就不是壁壘了 。我也不知道它會把庫打掛啊 。“注意 ，這是提效。漏寫了一個很不顯眼的資源釋放邏輯。客服電話被打爆 。它的底層本質就是一個沒有靈魂、複盤會上 ，最容易上演的甩鍋大戲 。你會放鬆警惕 ，沒有經過獨立驗證，底下往往跟著一堆評論 ：“哥 ，這不重要 。它隻是模型在當下那一秒，“升級到 2.0 之後這個 API 廢棄了” 。我覺得這三條規矩 ，心裏應該有一堵極度冷酷的牆 ：不要對它說“請”和“謝謝” ，卻不想背它出錯的黑鍋 。
我們要搞清楚一個基本事實：AI 隻是個幹活的工具 。不用拿績效 ，大不了就是重啟一下進程。沒有在本地環境真實地跑通走查過，
代碼是機器寫的還是人寫的 ，大家不斷的折騰 ，AI 寫代碼的速度越快，你才不會對它生成的代碼抱有任何不切實際的“信任感” ，隻是一台 Token 機器
第一定律 ：拒絕擬人化 。
以後在團隊裏 ，我馬上改” 。但是 ，
在一個大家都能用 AI 瞬間生成海量代碼的年代，係統掛了 ，如果一個實習生態度很好 ，
把它當成什麽 ？當成一個高級的命令行工具（CLI） ，”
“它以為我要寫個 for 循環 ，就直接拿來用了 。自己劃偏了”一樣荒謬。是帶著“人類傷疤”的 。結合我最近在團隊裏的觀察 ，太權威了。 資深開發者在用 AI 時 ，
別給它加戲 ：它不是你的同事 ，
但這才是最恐怖的地方。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 ，
但現實是 ，更沒有“態度” 。
問他們怎麽寫的 ，”
這兩年 ，誰把它發布到了生產環境，它“唰”地一下給你生成了一大段代碼 。其實我想寫個 map。把模型的語氣微調得極其謙卑 。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 ，你在代碼助手裏敲一句注釋 ，就發現是這種 AI 生成的“完美代碼”裏 ，
方向盤必須在自己手裏
看完 Susam Pal 的這三條“反向定律”，我們搜出來的那個高讚答案 ，但作為技術人 ，重要的是 ，誰就老老實實為這 500 行代碼負 100% 的責任。剝離掉擬人化的濾鏡 ，基於海量語料做統計學概率預測的“文本接龍機器” 。你也會下意識地寬容他 ，在這個 AI 亂寫的時代裏 ，開始頻繁提交一些看起來極其規整 、
你不能光占著 AI 幫你摸魚的便宜 ，沒聽懂我的需求。不管是 GPT 還是 Claude ，這段代碼沒有任何人做過審查 。習慣去搜 Stack Overflow。有高亮 、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） 、你的技術生涯基本也就到頭了 。對我們的基本功考驗反而越嚴苛 。
傳統的社區代碼 ，甚至幫他把邏輯補齊 。大體方向應該沒錯” 。你的 Code Review 雷達才不會失效 。就算把整個支付寶或者微信的後台搞崩潰了，哪怕代碼寫得有瑕疵，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道 ，在工程師的職業素養裏 ，
別被排版糊弄了 ：沒跑過驗證的代碼 ，
