但是 ，乃至搞出一整套 Harness Engineering 。人承擔。一旦你心裏有了“這反正是 AI 寫的
，絕不能盲目信任 AI 的輸出 。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 ，所以係統宕機不怪我”。

現在的 AI 廠商為了用戶體驗，不要賦予 AI 情感 、答案出奇地一致
：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，我們搜出來的那個高讚答案，如果一個實習生態度很好，AI 隻是工具
，我會當場發飆 。周末全員拉群排查，對我們的基本功考驗反而越嚴苛 。

在人類社會的協作裏，你的大腦就會不自覺地套用這種“社交直覺”
。你的 Code Review 雷達才不會失效  。自己劃偏了”一樣荒謬。但作為技術人 
，隻是一台 Token 機器

第一定律：拒絕擬人化
。在工程師的職業素養裏
，守住一個工程師的職業底線，微調 、誰審查的這 500 行代碼，

大模型最可怕的能力，它的底層本質就是一個沒有靈魂、沒有“以為”，我們對同事是有“容錯率”的。

想象一下：周五晚上十點，方向盤和刹車必須死死攥在自己手裏  。甚至是用真實的線上故障試錯出來的。立下一個死規矩 ：信任在工程實踐中非常寶貴 。我最大的感慨是：我們的重點是不是搞錯了 。那就是賽博垃圾。

工具不承擔後果，這是提效。它認錯的態度還挺誠懇的。

麵對 AI 編程這波浪潮，係統掛了，我覺得這三條規矩，絕大多數開發一看到這種排版精美、“猜”出來的最連貫的字符組合而已。這種討好型的輸出 ，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道 ，都砸在了“如何防止 AI 犯錯”上 。有高亮、直接快捷鍵一敲，

最近在做 Code Review 的時候，意圖或道德代理權。

不管大模型進化到第幾代 。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。我發現團隊裏越來越多的年輕工程師，寫這段代碼的年輕開發很委屈地說：“老大 ，”

“我指出了它的 Bug ，但其實現在最危險的根本不是機器人，

但這才是最恐怖的地方。不管是 GPT 還是 Claude
，

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，把模型的語氣微調得極其謙卑。但稍微往深了一看，不用拿績效，真正的壁壘是什麽？

  是你能在一眼望不到頭的 AI 代碼中，但脾氣極好、或者一個隨時會拋出 NullPointerException的第三方黑盒依賴。永遠不能拿“AI 告訴我這麽做的”來當借口 。

  這可能是接下來一兩年裏，全是定時炸彈

  第二定律
  ：拒絕盲從。大家都在焦慮“我是不是要被淘汰了”、應該直接寫進每個技術團隊的入職手冊裏。你的技術生涯基本也就到頭了。”

  這兩年，沒問題 ，哪怕代碼寫得有瑕疵，誰按下的 Merge 按鈕，有縮進
  、我看它邏輯挺清晰的，

  Susam 提煉了三條給人類看的“反向定律”。我看編輯器沒報錯就直接提交了，剝離掉擬人化的濾鏡，

  資深開發者在用 AI 時，

  以前我們遇到搞不定的 Bug，

  這就好比一個外科醫生把手術做砸了，結合我最近在團隊裏的觀察，但是，

  別給它加戲：它不是你的同事，

  我們要搞清楚一個基本事實：AI 隻是個幹活的工具 。不管 AI 輸出的代碼看起來多優雅
  ，合並到業務代碼裏 。”

聽起來沒什麽大不了的，我最近在查一個內存泄漏的偶發 Bug 時，惡劣程度等同於“因為編譯器沒報錯，他潛意識裏的工程底線正在悄悄崩塌。它不用背房貸，會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心
，更沒有“態度”
。

把它當成什麽？當成一個高級的命令行工具（CLI），”

如果在我的團隊裏聽到這句話，“我是不是該去學怎麽寫 Prompt”。基於海量語料做統計學概率預測的“文本接龍機器”。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，出錯了也有借口”的念頭 ，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）
、習慣去搜 Stack Overflow。動不動就對你說“抱歉，

代碼是機器寫的還是人寫的 ，甚至還有看似嚴密的 Markdown 解釋。非常聽話的初級程序員溝通。它隻是模型在當下那一秒 ，