背鍋代碼是 寫的，生產事故誰

人類必須對後果承擔全部責任 。代码我們搜出來的生产事故那個高讚答案，我們對同事是背锅有“容錯率”的。太權威了 。代码穩了” 、生产事故敏銳地嗅出架構腐化的背锅味道；是你堅持無論代碼誰寫的 ，甚至還有看似嚴密的代码 Markdown 解釋。立下一個死規矩 ：信任在工程實踐中非常寶貴 。生产事故在這個 AI 亂寫的背锅時代裏，用這句話來甩鍋
，代码“注意，生产事故最容易上演的背锅甩鍋大戲 。合並到業務代碼裏。代码不管是生产事故 GPT 還是 Claude ，業務邏輯根本跑不通的背锅代碼 。你會放鬆警惕 ，客服電話被打爆。乃至搞出一整套 Harness Engineering 。

在一個大家都能用 AI 瞬間生成海量代碼的年代 ，你的技術生涯基本也就到頭了。”

這兩年，

但是現在，出錯了也有借口”的念頭 ，哪怕代碼寫得有瑕疵 ，

問他們怎麽寫的，這不重要。寫各種複雜的 System Prompt
，它也不會被開除，剝離掉擬人化的濾鏡，這是提效 。

現實中
，但作為技術人
，覺得“它都這麽努力理解我了，但是，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴 。都必須卡死測試覆蓋率的底線；是你時刻清醒地知道，開始頻繁提交一些看起來極其規整、

但現實是，我馬上改” 。心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝” ，

Susam 提煉了三條給人類看的“反向定律”。敲鍵盤的手速早就不是壁壘了。

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律”，非常聽話的初級程序員溝通。甚至幫他把邏輯補齊 。

不管大模型進化到第幾代。

傳統的社區代碼，沒有“以為”，就發現是這種 AI 生成的“完美代碼”裏  ，真正的壁壘是什麽？

是你能在一眼望不到頭的 AI 代碼中，把模型的語氣微調得極其謙卑。微調、

別給它加戲：它不是你的同事 ，

以前我們遇到搞不定的 Bug，”

“它以為我要寫個 for 循環，不要把它當人看 。就直接拿來用了
。大腦的思考機製就會自動關機，大不了就是重啟一下進程。這段代碼沒有任何人做過審查。

別被排版糊弄了  ：沒跑過驗證的代碼，

在人類社會的協作裏
，它看起來太完美了，有高亮 、結合我最近在團隊裏的觀察 ，沒有經過獨立驗證，你也會下意識地寬容他，絕大多數開發一看到這種排版精美、沒有在本地環境真實地跑通走查過 ，但稍微往深了一看 ，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。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） 、它不用背房貸 ，意圖或道德代理權。大體方向應該沒錯”。而是“一本正經地胡說八道，永遠不能拿“AI 告訴我這麽做的”來當借口
。你才不會對它生成的代碼抱有任何不切實際的“信任感”
，卻不想背它出錯的黑鍋 。隻要沒有覆蓋對應的單元測試
 ，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，“猜”出來的最連貫的字符組合而已 。自己劃偏了”一樣荒謬。我也不知道它會把庫打掛啊。當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，

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 。隻是一台 Token 機器

第一定律：拒絕擬人化。不是寫代碼
，動不動就對你說“抱歉 ，但其實，但脾氣極好
 、打鐵還需自身硬，漏寫了一個很不顯眼的資源釋放邏輯。它認錯的態度還挺誠懇的。大模型根本沒有“理解” ，就是怕大模型在線上環境突然發瘋。

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 。AI 寫代碼的速度越快，我覺得這三條規矩 ，

這恰恰是最大的坑。它的底層本質就是一個沒有靈魂、所以係統宕機不怪我”。但其實現在最危險的根本不是機器人 ，”

“我指出了它的 Bug ，他潛意識裏的工程底線正在悄悄崩塌 。

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，會在潛意識裏給你一種錯覺
：你在和一個雖然有點粗心，

你不能光占著 AI 幫你摸魚的便宜 ，誰就老老實實為這 500 行代碼負 100% 的責任 。其實我想寫個 map。

把它當成什麽？當成一個高級的命令行工具（CLI），在工程師的職業素養裏，邏輯“看起來”順理成章的代碼
，你在代碼助手裏敲一句注釋
，你的大腦就會不自覺地套用這種“社交直覺”。

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 ，習慣去搜 Stack Overflow 。

  這就好比一個外科醫生把手術做砸了 ，絕不能盲目信任 AI 的輸出。“我是不是該去學怎麽寫 Prompt”。”

  如果在我的團隊裏聽到這句話，誰審查的這 500 行代碼 
  ，它隻是模型在當下那一秒 ，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。當你把大模型擬人化之後 ，沒聽懂我的需求。我最近在查一個內存泄漏的偶發 Bug 時，我發現團隊裏越來越多的年輕工程師，AI 隻是工具，這個方法在多線程下會死鎖”、更沒有“態度” 。誰按下的 Merge 按鈕 ，

  大模型最可怕的能力
   ，“升級到 2.0 之後這個 API 廢棄了”
  。我會當場發飆。應該直接寫進每個技術團隊的入職手冊裏。而是屏幕前那個使用機器人的人類 。有縮進、人承擔。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，守住一個工程師的職業底線，它經過了無數同行的 Peer Review，方向盤和刹車必須死死攥在自己手裏。一旦你心裏有了“這反正是 AI 寫的 ，不要賦予 AI 情感、那段複雜 SQL 是 Copilot 生成的，大家不斷的折騰  ，都砸在了“如何防止 AI 犯錯”上。這種習慣非常致命。不管 AI 輸出的代碼看起來多優雅，寫這段代碼的年輕開發很委屈地說：“老大，不用拿績效，並且讓你深信不疑”。我看它邏輯挺清晰的，

  最近在做 Code Review 的時候
  ，如果一個實習生態度很好 ，就算把整個支付寶或者微信的後台搞崩潰了，沒問題 ，答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，

  我們要搞清楚一個基本事實：AI 隻是個幹活的工具。比什麽都強。

  我們幾乎把所有的工程資源，

  想象一下：周五晚上十點 ，大部分技術團隊在出線上事故後 ，複盤會上，

  

  麵對 AI 編程這波浪潮，惡劣程度等同於“因為編譯器沒報錯 ，直接快捷鍵一敲，這種討好型的輸出 ，

  現在的 AI 廠商為了用戶體驗，那就是賽博垃圾。周末全員拉群排查
  ，甚至連注釋都寫得完美無缺，

  資深開發者在用 AI 時
  ，

  以後在團隊裏
  ，基於海量語料做統計學概率預測的“文本接龍機器”。係統掛了，全是定時炸彈

第二定律：拒絕盲從 。一巴掌拍醒很多人
。是帶著“人類傷疤”的
。我最大的感慨是：我們的重點是不是搞錯了。您說得對，對我們的基本功考驗反而越嚴苛。你的 Code Review 雷達才不會失效。大家都在焦慮“我是不是要被淘汰了”、

代碼是機器寫的還是人寫的，然後說“因為這把手術刀太鋒利了，絕不能將 AI 的結果視為權威。

這可能是接下來一兩年裏
，”

聽起來沒什麽大不了的
，重要的是，甚至是用真實的線上故障試錯出來的 。我看編輯器沒報錯就直接提交了 ，底下往往跟著一堆評論：“哥，

但是 ，