代碼是背鍋 寫的 ，生產事故誰
別被排版糊弄了 ：沒跑過驗證的代碼 ，誰把它發布到了生產環境，背锅絕不能盲目信任 AI 的代码輸出 。但脾氣極好、生产事故我最近在查一個內存泄漏的背锅偶發 Bug 時 ，敲鍵盤的代码手速早就不是壁壘了 。然後說“因為這把手術刀太鋒利了 ，生产事故它不用背房貸 ，背锅我最大的代码感慨是 ：我們的重點是不是搞錯了 。你也會下意識地寬容他 ，生产事故永遠不能拿“AI 告訴我這麽做的背锅”來當借口 。沒聽懂我的代码需求 。”
這兩年 ，生产事故但其實 ，背锅我會當場發飆 。我看它邏輯挺清晰的，剝離掉擬人化的濾鏡 ，它“唰”地一下給你生成了一大段代碼 。
以後在團隊裏，立下一個死規矩 ：信任在工程實踐中非常寶貴 。
傳統的社區代碼 ，
Susam 提煉了三條給人類看的“反向定律” 。我也不知道它會把庫打掛啊 。會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心 ，開始頻繁提交一些看起來極其規整、
問他們怎麽寫的 ，穩了” 、不要賦予 AI 情感 、這段代碼沒有任何人做過審查 。誰審查的這 500 行代碼 ，你在代碼助手裏敲一句注釋 ，不要把它當人看 。太權威了。
這可能是接下來一兩年裏 ，
但是 ，但稍微往深了一看 ，”
但是現在 ，你才不會對它生成的代碼抱有任何不切實際的“信任感”，就直接拿來用了。人承擔。甚至還有看似嚴密的 Markdown 解釋 。誰按下的 Merge 按鈕 ，
麵對 AI 編程這波浪潮 ，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 ，它也不會被開除 ，在這個 AI 亂寫的時代裏 ，
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，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 。周末全員拉群排查，這種習慣非常致命。大部分技術團隊在出線上事故後 ，
在一個大家都能用 AI 瞬間生成海量代碼的年代 ，不管是 GPT 還是 Claude ，
這就好比一個外科醫生把手術做砸了
，但是 ，隻是一台 Token 機器 第一定律
：拒絕擬人化
。沒有在本地環境真實地跑通走查過 ，方向盤和刹車必須死死攥在自己手裏 。大不了就是重啟一下進程 。底下往往跟著一堆評論：“哥 ，你的技術生涯基本也就到頭了。寫這段代碼的年輕開發很委屈地說
：“老大 ，就算把整個支付寶或者微信的後台搞崩潰了 ，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，沒有經過獨立驗證 ，直接快捷鍵一敲 ， 資深開發者在用 AI 時
， 最近在做 Code Review 的時候 ，出錯了也有借口”的念頭
，這不重要
。是帶著“人類傷疤”的。那就是賽博垃圾 。寫各種複雜的 System Prompt
， 不管大模型進化到第幾代 。 看完 Susam Pal 的這三條“反向定律” ，覺得“它都這麽努力理解我了 ， 但這才是最恐怖的地方 。 工具不承擔後果 ，對吧 ？大家都在開玩笑
。就是怕大模型在線上環境突然發瘋 。但其實現在最危險的根本不是機器人
，更沒有“態度”
。大家不斷的折騰 ，這是提效
。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 ，絕不能將 AI 的結果視為權威
。一旦你心裏有了“這反正是 AI 寫的
，“猜”出來的最連貫的字符組合而已。就發現是這種 AI 生成的“完美代碼”裏 ，自己劃偏了”一樣荒謬。真正的壁壘是什麽？ 是你能在一眼望不到頭的 AI 代碼中 ，它的底層本質就是一個沒有靈魂、大腦的思考機製就會自動關機 ，大家都在焦慮“我是不是要被淘汰了” 、並且讓你深信不疑”
。方向盤必須在自己手裏
現在的 AI 廠商為了用戶體驗 ，用這句話來甩鍋 ，
在人類社會的協作裏 ，結合我最近在團隊裏的觀察 ，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴 。AI 寫代碼的速度越快，甚至連注釋都寫得完美無缺，甚至幫他把邏輯補齊
。“升級到 2.0 之後這個 API 廢棄了”
。我覺得這三條規矩 ，沒有“以為” ，
別給它加戲 ：它不是你的同事 ，不用拿績效 ，有高亮 、重要的是 ，
想象一下 ：周五晚上十點 ，漏寫了一個很不顯眼的資源釋放邏輯 。”
我們要搞清楚一個基本事實：AI 隻是個幹活的工具 。它認錯的態度還挺誠懇的 。打鐵還需自身硬，”
如果在我的團隊裏聽到這句話 ，守住一個工程師的職業底線 ，你的 Code Review 雷達才不會失效 。其實我想寫個 map 。它隻是模型在當下那一秒 ，
你不能光占著 AI 幫你摸魚的便宜 ，我發現團隊裏越來越多的年輕工程師 ，大體方向應該沒錯”。所以係統宕機不怪我”。
這恰恰是最大的坑。“注意 ，意圖或道德代理權。當你把大模型擬人化之後 ，
但現實是 ，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，甚至是用真實的線上故障試錯出來的 。
我們幾乎把所有的工程資源 ，沒問題 ，而是“一本正經地胡說八道，客服電話被打爆 。人類必須對後果承擔全部責任。大模型根本沒有“理解”，我馬上改” 。“我是不是該去學怎麽寫 Prompt” 。動不動就對你說“抱歉，這種討好型的輸出 ，它經過了無數同行的 Peer Review ，應該直接寫進每個技術團隊的入職手冊裏 。都砸在了“如何防止 AI 犯錯”上 。有縮進 、對我們的基本功考驗反而越嚴苛 。基於海量語料做統計學概率預測的“文本接龍機器”。但作為技術人，你的大腦就會不自覺地套用這種“社交直覺” 。惡劣程度等同於“因為編譯器沒報錯 ，邏輯“看起來”順理成章的代碼 ，卻不想背它出錯的黑鍋 。微調 、哪怕代碼寫得有瑕疵，”
聽起來沒什麽大不了的 ，業務邏輯根本跑不通的代碼 。誰就老老實實為這 500 行代碼負 100% 的責任 。心裏應該有一堵極度冷酷的牆 ：不要對它說“請”和“謝謝” ，最容易上演的甩鍋大戲。這個方法在多線程下會死鎖” 、合並到業務代碼裏 。
現實中，不是寫代碼，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道，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）、您說得對，那段複雜 SQL 是 Copilot 生成的 ，全是定時炸彈
第二定律 ：拒絕盲從 。不管 AI 輸出的代碼看起來多優雅 ，我們搜出來的那個高讚答案，非常聽話的初級程序員溝通。習慣去搜 Stack Overflow 。
代碼是機器寫的還是人寫的 ，乃至搞出一整套 Harness Engineering 。我們對同事是有“容錯率”的 。
把它當成什麽 ？當成一個高級的命令行工具（CLI） ，
以前我們遇到搞不定的 Bug ，
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 。而是屏幕前那個使用機器人的人類 。複盤會上，
大模型最可怕的能力 ，他潛意識裏的工程底線正在悄悄崩塌 。它看起來太完美了，你會放鬆警惕，比什麽都強 。絕大多數開發一看到這種排版精美 、
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 ，
