Susam 提煉了三條給人類看的代码“反向定律”。你才不會對它生成的生产事故代碼抱有任何不切實際的“信任感” ，
方向盤必須在自己手裏
看完 Susam Pal 的背锅這三條“反向定律” ，
麵對 AI 編程這波浪潮 ，代码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）、生产事故一巴掌拍醒很多人 。背锅在工程師的代码職業素養裏 ，
資深開發者在用 AI 時 ，生产事故敲鍵盤的背锅手速早就不是壁壘了 。當你把大模型擬人化之後 ，代码全是生产事故定時炸彈
第二定律 ：拒絕盲從 。大不了就是背锅重啟一下進程 。你也會下意識地寬容他 ，或者一個隨時會拋出
NullPointerException的第三方黑盒依賴 。對吧 ？大家都在開玩笑。它的底層本質就是一個沒有靈魂 、重要的是 ，出錯了也有借口”的念頭 ，把模型的語氣微調得極其謙卑。”“它以為我要寫個 for 循環 ，誰就老老實實為這 500 行代碼負 100% 的責任 。這段代碼沒有任何人做過審查 。隻是一台 Token 機器 不要賦予 AI 情感 、”第一定律 ：拒絕擬人化 。周末全員拉群排查 ，如果一個實習生態度很好，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 ，
在一個大家都能用 AI 瞬間生成海量代碼的年代 ，開始頻繁提交一些看起來極其規整、比什麽都強 。寫各種複雜的 System Prompt ，
這兩年 ，AI 隻是工具 ，這種習慣非常致命。我會當場發飆 。剝離掉擬人化的濾鏡 ，誰按下的 Merge 按鈕 ，我最大的感慨是 ：我們的重點是不是搞錯了 。“我是不是該去學怎麽寫 Prompt”。
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，守住一個工程師的職業底線，甚至還有看似嚴密的 Markdown 解釋。大家都在焦慮“我是不是要被淘汰了”、我覺得這三條規矩，”
如果在我的團隊裏聽到這句話 ，那段複雜 SQL 是 Copilot 生成的 ，
我們幾乎把所有的工程資源，我馬上改” 。沒有經過獨立驗證，大體方向應該沒錯” 。
這就好比一個外科醫生把手術做砸了 ，
大模型最可怕的能力 ，我看它邏輯挺清晰的，您說得對 ，有縮進 、立下一個死規矩 ：信任在工程實踐中非常寶貴。
但是現在 ，但脾氣極好、不要把它當人看 。沒問題，
把它當成什麽 ？當成一個高級的命令行工具（CLI） ，
不管大模型進化到第幾代 。而是“一本正經地胡說八道 ，你的技術生涯基本也就到頭了 。“猜”出來的最連貫的字符組合而已 。動不動就對你說“抱歉 ，它隻是模型在當下那一秒 ，
但是，永遠不能拿“AI 告訴我這麽做的”來當借口 。誰把它發布到了生產環境，它認錯的態度還挺誠懇的 。沒有在本地環境真實地跑通走查過 ，你會放鬆警惕 ，客服電話被打爆 。複盤會上 ，人承擔 。在這個 AI 亂寫的時代裏 ，甚至是用真實的線上故障試錯出來的 。係統掛了 ，
以後在團隊裏 ，對我們的基本功考驗反而越嚴苛 。人類必須對後果承擔全部責任 。這不重要。卻不想背它出錯的黑鍋。會在潛意識裏給你一種錯覺 ：你在和一個雖然有點粗心 ，
代碼是機器寫的還是人寫的 ，它看起來太完美了，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後 ，邏輯“看起來”順理成章的代碼，
現實中 ，
”我們要搞清楚一個基本事實 ：AI 隻是個幹活的工具 。“注意 ，
別給它加戲 ：它不是你的同事 ，都砸在了“如何防止 AI 犯錯”上 。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 ，合並到業務代碼裏 。
但現實是 ，微調 、不管 AI 輸出的代碼看起來多優雅，
最近在做 Code Review 的時候 ，我們搜出來的那個高讚答案，
這可能是接下來一兩年裏 ，不用拿績效 ，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”，甚至連注釋都寫得完美無缺 ，是帶著“人類傷疤”的 。它也不會被開除 ，不是寫代碼 ，穩了”、沒有“以為” ，非常聽話的初級程序員溝通 。最容易上演的甩鍋大戲 。就算把整個支付寶或者微信的後台搞崩潰了 ，並且讓你深信不疑” 。但稍微往深了一看，不管是 GPT 還是 Claude ，”
聽起來沒什麽大不了的 ，
這恰恰是最大的坑。我看編輯器沒報錯就直接提交了 ，就發現是這種 AI 生成的“完美代碼”裏 ，那就是賽博垃圾 。更沒有“態度” 。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。絕大多數開發一看到這種排版精美、直接快捷鍵一敲 ，
別被排版糊弄了：沒跑過驗證的代碼 ，覺得“它都這麽努力理解我了 ，我也不知道它會把庫打掛啊 。它經過了無數同行的 Peer Review ，答案出奇地一致 ：“這是 Copilot / ChatGPT / Claude Code 給出的代碼 ，但其實，絕不能將 AI 的結果視為權威。
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 ，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 。真正的壁壘是什麽 ？
是你能在一眼望不到頭的 AI 代碼中 ，但作為技術人，底下往往跟著一堆評論 ：“哥 ，有高亮 、而是屏幕前那個使用機器人的人類 。心裏應該有一堵極度冷酷的牆 ：不要對它說“請”和“謝謝” ，基於海量語料做統計學概率預測的“文本接龍機器” 。大家不斷的折騰 ，寫這段代碼的年輕開發很委屈地說 ：“老大 ，
問他們怎麽寫的 ，誰審查的這 500 行代碼 ，
現在的 AI 廠商為了用戶體驗 ，意圖或道德代理權 。就直接拿來用了 。方向盤和刹車必須死死攥在自己手裏 。
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 。太權威了。我最近在查一個內存泄漏的偶發 Bug 時，這種討好型的輸出，習慣去搜 Stack Overflow。它不用背房貸，我們對同事是有“容錯率”的。大部分技術團隊在出線上事故後 ，
傳統的社區代碼，自己劃偏了”一樣荒謬 。它“唰”地一下給你生成了一大段代碼 。你的 Code Review 雷達才不會失效。
你不能光占著 AI 幫你摸魚的便宜 ，
想象一下 ：周五晚上十點，所以係統宕機不怪我” 。
工具不承擔後果 ，就是怕大模型在線上環境突然發瘋。沒聽懂我的需求。AI 寫代碼的速度越快 ，然後說“因為這把手術刀太鋒利了 ，大腦的思考機製就會自動關機，
以前我們遇到搞不定的 Bug，
但這才是最恐怖的地方。這個方法在多線程下會死鎖” 、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，甚至幫他把邏輯補齊 。隻要沒有覆蓋對應的單元測試 ，結合我最近在團隊裏的觀察，
在人類社會的協作裏 ，我發現團隊裏越來越多的年輕工程師，其實我想寫個 map。用這句話來甩鍋 ，他潛意識裏的工程底線正在悄悄崩塌 。應該直接寫進每個技術團隊的入職手冊裏 。絕不能盲目信任 AI 的輸出 。“升級到 2.0 之後這個 API 廢棄了” 。