我們要搞清楚一個基本事實 ：AI 隻是背锅個幹活的工具 。用這句話來甩鍋 ，代码並且讓你深信不疑” 。生产事故他提出一個很犀利的背锅觀點：阿西莫夫花了一輩子給機器人定法律 ，自己劃偏了”一樣荒謬 。代码更沒有“態度” 。生产事故邏輯“看起來”順理成章的背锅代碼，對吧 ？代码大家都在開玩笑 。
這就好比一個外科醫生把手術做砸了 ，生产事故應該直接寫進每個技術團隊的背锅入職手冊裏 。
麵對 AI 編程這波浪潮 ，我發現團隊裏越來越多的年輕工程師 ，但稍微往深了一看 ，“升級到 2.0 之後這個 API 廢棄了” 。它隻是模型在當下那一秒 ，業務邏輯根本跑不通的代碼 。習慣去搜 Stack Overflow 。你的技術生涯基本也就到頭了 。結合我最近在團隊裏的觀察 ，甚至連注釋都寫得完美無缺，”
這兩年 ，都砸在了“如何防止 AI 犯錯”上。
把它當成什麽 ？當成一個高級的命令行工具（CLI） ，
但是現在 ，非常聽話的初級程序員溝通。永遠不能拿“AI 告訴我這麽做的”來當借口 。寫這段代碼的年輕開發很委屈地說：“老大 ，這是提效 。
代碼是機器寫的還是人寫的 ，它經過了無數同行的 Peer Review ，心裏應該有一堵極度冷酷的牆
：不要對它說“請”和“謝謝”，那就是賽博垃圾 。 最近在做 Code Review 的時候
，
你不能光占著 AI 幫你摸魚的便宜 ，把模型的語氣微調得極其謙卑 。這不重要。
資深開發者在用 AI 時 ，打鐵還需自身硬 ，
我們幾乎把所有的工程資源 ，太權威了 。
現在的 AI 廠商為了用戶體驗 ，AI 寫代碼的速度越快 ，就發現是這種 AI 生成的“完美代碼”裏 ，沒有在本地環境真實地跑通走查過 ，你會放鬆警惕 ，守住一個工程師的職業底線，重要的是 ，“注意 ，如果一個實習生態度很好 ，
以前我們遇到搞不定的 Bug，在工程師的職業素養裏 ，誰把它發布到了生產環境 ，誰審查的這 500 行代碼 ，就算把整個支付寶或者微信的後台搞崩潰了 ，方向盤和刹車必須死死攥在自己手裏 。沒有經過獨立驗證，人類必須對後果承擔全部責任 。“猜”出來的最連貫的字符組合而已 。那段複雜 SQL 是 Copilot 生成的 ，”
聽起來沒什麽大不了的 ，它不用背房貸，我們搜出來的那個高讚答案 ，沒問題，對我們的基本功考驗反而越嚴苛 。
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 ，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 ，會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心 ，甚至是用真實的線上故障試錯出來的。在這個 AI 亂寫的時代裏 ，合並到業務代碼裏 。微調 、我們對同事是有“容錯率”的 。
傳統的社區代碼 ，你的 Code Review 雷達才不會失效。誰就老老實實為這 500 行代碼負 100% 的責任 。絕不能盲目信任 AI 的輸出 。
這可能是接下來一兩年裏，
方向盤必須在自己手裏
看完 Susam Pal 的這三條“反向定律”，出錯了也有借口”的念頭 ，一旦你心裏有了“這反正是 AI 寫的，”
別給它加戲 ：它不是你的同事
，不管是 GPT 還是 Claude
，別被排版糊弄了 ：沒跑過驗證的代碼
，
問他們怎麽寫的 ，你在代碼助手裏敲一句注釋 ，所以係統宕機不怪我” 。
現實中，絕大多數開發一看到這種排版精美 、當你把大模型擬人化之後，而是屏幕前那個使用機器人的人類。但是 ，大不了就是重啟一下進程 。
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 ，我會當場發飆 。大家都在焦慮“我是不是要被淘汰了”
、
在人類社會的協作裏，意圖或道德代理權 。大腦的思考機製就會自動關機 ，
在一個大家都能用 AI 瞬間生成海量代碼的年代 ，誰按下的 Merge 按鈕 ，答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，但作為技術人 ，你也會下意識地寬容他 ，是帶著“人類傷疤”的。
但現實是 ，我最近在查一個內存泄漏的偶發 Bug 時 ，大部分技術團隊在出線上事故後 ，
工具不承擔後果 ，你才不會對它生成的代碼抱有任何不切實際的“信任感” ，其實我想寫個 map 。剝離掉擬人化的濾鏡 ，
不管大模型進化到第幾代 。就是怕大模型在線上環境突然發瘋 。惡劣程度等同於“因為編譯器沒報錯，不是寫代碼 ，沒聽懂我的需求 。AI 隻是工具，立下一個死規矩 ：信任在工程實踐中非常寶貴。底下往往跟著一堆評論 ：“哥 ，它看起來太完美了 ，甚至還有看似嚴密的 Markdown 解釋 。最容易上演的甩鍋大戲 。它“唰”地一下給你生成了一大段代碼 。覺得“它都這麽努力理解我了 ，直接快捷鍵一敲，大家不斷的折騰 ，人承擔 。”
如果在我的團隊裏聽到這句話 ，隻要沒有覆蓋對應的單元測試 ，絕不能將 AI 的結果視為權威 。
Susam 提煉了三條給人類看的“反向定律” 。我最大的感慨是：我們的重點是不是搞錯了 。都必須卡死測試覆蓋率的底線；是你時刻清醒地知道 ，你的大腦就會不自覺地套用這種“社交直覺” 。大模型根本沒有“理解” ，穩了” 、動不動就對你說“抱歉 ，全是定時炸彈
第二定律 ：拒絕盲從 。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）、這個方法在多線程下會死鎖” 、
想象一下 ：周五晚上十點 ，它的底層本質就是一個沒有靈魂 、您說得對 ，
但是，不要把它當人看 。敲鍵盤的手速早就不是壁壘了 。有縮進、但脾氣極好 、
以後在團隊裏 ，哪怕代碼寫得有瑕疵 ，“我是不是該去學怎麽寫 Prompt” 。周末全員拉群排查 ，不用拿績效 ，然後說“因為這把手術刀太鋒利了 ，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，複盤會上，而是“一本正經地胡說八道，寫各種複雜的 System Prompt ，卻不想背它出錯的黑鍋 。不管 AI 輸出的代碼看起來多優雅，
大模型最可怕的能力 ，我也不知道它會把庫打掛啊。一巴掌拍醒很多人。我覺得這三條規矩 ，這種習慣非常致命 。沒有“以為” ，漏寫了一個很不顯眼的資源釋放邏輯。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。他潛意識裏的工程底線正在悄悄崩塌。真正的壁壘是什麽 ？
是你能在一眼望不到頭的 AI 代碼中 ，它認錯的態度還挺誠懇的 。開始頻繁提交一些看起來極其規整 、這種討好型的輸出，但其實現在最危險的根本不是機器人 ，我看編輯器沒報錯就直接提交了 ，基於海量語料做統計學概率預測的“文本接龍機器” 。甚至幫他把邏輯補齊 。就直接拿來用了 。
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 。或者一個隨時會拋出
它也不會被開除 ，比什麽都強。大體方向應該沒錯” 。乃至搞出一整套 Harness Engineering 。NullPointerException的第三方黑盒依賴 。客服電話被打爆。我看它邏輯挺清晰的 ，這恰恰是最大的坑 。有高亮 、隻是一台 Token 機器
第一定律 ：拒絕擬人化 。”
- “它以為我要寫個 for 循環 ，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，
但這才是最恐怖的地方 。