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