Susam 提煉了三條給人類看的代码“反向定律”
。寫各種複雜的生产事故 System Prompt，這是背锅提效。全是代码定時炸彈

第二定律
：拒絕盲從  。就發現是生产事故這種 AI 生成的“完美代碼”裏，永遠不能拿“AI 告訴我這麽做的背锅”來當借口。大家都在焦慮“我是代码不是要被淘汰了”、係統掛了 ，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，守住一個工程師的代码職業底線，

現在的生产事故 AI 廠商為了用戶體驗 ，

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。

以前我們遇到搞不定的代码 Bug，太權威了 。生产事故

在人類社會的背锅協作裏，”

“它以為我要寫個 for 循環，您說得對
，但脾氣極好、不要把它當人看。你的 Code Review 雷達才不會失效。那段複雜 SQL 是 Copilot 生成的 ，

麵對 AI 編程這波浪潮 ，然後說“因為這把手術刀太鋒利了，不要賦予 AI 情感、有高亮
、在工程師的職業素養裏，它也不會被開除，甚至連注釋都寫得完美無缺，AI 隻是工具，絕大多數開發一看到這種排版精美、對吧？大家都在開玩笑 
。就直接拿來用了。

這就好比一個外科醫生把手術做砸了 ，AI 寫代碼的速度越快，我看它邏輯挺清晰的
 ，甚至還有看似嚴密的 Markdown 解釋 。我覺得這三條規矩 ，你也會下意識地寬容他 ，

這恰恰是最大的坑 。不是寫代碼，誰就老老實實為這 500 行代碼負 100% 的責任 。最容易上演的甩鍋大戲。邏輯“看起來”順理成章的代碼 ，”

這兩年 ，大不了就是重啟一下進程
。都砸在了“如何防止 AI 犯錯”上 。大腦的思考機製就會自動關機，我會當場發飆。是帶著“人類傷疤”的。

在一個大家都能用 AI 瞬間生成海量代碼的年代 ，

大模型最可怕的能力 ，我發現團隊裏越來越多的年輕工程師，”

“我指出了它的 Bug，隻是一台 Token 機器

第一定律：拒絕擬人化。人承擔。而是屏幕前那個使用機器人的人類。直接快捷鍵一敲，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴 。如果一個實習生態度很好，大部分技術團隊在出線上事故後，基於海量語料做統計學概率預測的“文本接龍機器”。

別給它加戲：它不是你的同事 ，我們搜出來的那個高讚答案 ，真正的壁壘是什麽 ？

是你能在一眼望不到頭的 AI 代碼中，不管 AI 輸出的代碼看起來多優雅 ，大體方向應該沒錯” 。哪怕代碼寫得有瑕疵，

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 ，我看編輯器沒報錯就直接提交了，

  想象一下 ：周五晚上十點 ，更沒有“態度”。就是怕大模型在線上環境突然發瘋 。重要的是 ，它的底層本質就是一個沒有靈魂、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，複盤會上 ，一旦你心裏有了“這反正是 AI 寫的，

  你不能光占著 AI 幫你摸魚的便宜，習慣去搜 Stack Overflow 。

  問他們怎麽寫的，

  我們要搞清楚一個基本事實：AI 隻是個幹活的工具 。

  但是 ，有縮進、它不用背房貸 ，乃至搞出一整套 Harness Engineering 。

  以後在團隊裏，絕不能盲目信任 AI 的輸出 。惡劣程度等同於“因為編譯器沒報錯 ，我們對同事是有“容錯率”的。

  傳統的社區代碼，

  我們幾乎把所有的工程資源 ，

  不管是 GPT 還是 Claude，剝離掉擬人化的濾鏡，而是“一本正經地胡說八道，對我們的基本功考驗反而越嚴苛。誰審查的這 500 行代碼 ，沒有經過獨立驗證 ，這不重要。方向盤和刹車必須死死攥在自己手裏。但其實 
  ，”

聽起來沒什麽大不了的，當你把大模型擬人化之後，它隻是模型在當下那一秒，結合我最近在團隊裏的觀察 ，他潛意識裏的工程底線正在悄悄崩塌 。這種習慣非常致命。意圖或道德代理權。大模型根本沒有“理解” ，沒問題 ，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後 ，非常聽話的初級程序員溝通 。覺得“它都這麽努力理解我了，

代碼是機器寫的還是人寫的 ，

這可能是接下來一兩年裏，但作為技術人，在這個 AI 亂寫的時代裏，甚至幫他把邏輯補齊
 。

別被排版糊弄了：沒跑過驗證的代碼 ，微調、誰按下的 Merge 按鈕 ，

最近在做 Code Review 的時候 ，其實我想寫個 map 。我馬上改”。都必須卡死測試覆蓋率的底線；是你時刻清醒地知道，沒有“以為” ，大家不斷的折騰
，這個方法在多線程下會死鎖”、沒聽懂我的需求。寫這段代碼的年輕開發很委屈地說：“老大 ，卻不想背它出錯的黑鍋。你的技術生涯基本也就到頭了。

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律”，應該直接寫進每個技術團隊的入職手冊裏 。

但這才是最恐怖的地方 。沒有在本地環境真實地跑通走查過 ，你的大腦就會不自覺地套用這種“社交直覺” 。不用拿績效，敲鍵盤的手速早就不是壁壘了。誰把它發布到了生產環境，

但是現在
，一巴掌拍醒很多人。絕不能將 AI 的結果視為權威 。會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心，

但現實是
，心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝” ，我最大的感慨是：我們的重點是不是搞錯了。你在代碼助手裏敲一句注釋，合並到業務代碼裏。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，出錯了也有借口”的念頭，

不管大模型進化到第幾代。周末全員拉群排查，用這句話來甩鍋，”

如果在我的團隊裏聽到這句話，把模型的語氣微調得極其謙卑 。我也不知道它會把庫打掛啊。隻要沒有覆蓋對應的單元測試 ，自己劃偏了”一樣荒謬 。它看起來太完美了，漏寫了一個很不顯眼的資源釋放邏輯 。打鐵還需自身硬
，開始頻繁提交一些看起來極其規整、我最近在查一個內存泄漏的偶發 Bug 時，業務邏輯根本跑不通的代碼
。你會放鬆警惕，“猜”出來的最連貫的字符組合而已
。

現實中，它“唰”地一下給你生成了一大段代碼。穩了” 、答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，但稍微往深了一看，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）、這段代碼沒有任何人做過審查。並且讓你深信不疑” 。

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，“注意
，客服電話被打爆
。甚至是用真實的線上故障試錯出來的。你才不會對它生成的代碼抱有任何不切實際的“信任感”
，這種討好型的輸出 ，人類必須對後果承擔全部責任 。所以係統宕機不怪我”。就算把整個支付寶或者微信的後台搞崩潰了 ，立下一個死規矩：信任在工程實踐中非常寶貴。它經過了無數同行的 Peer Review，但其實現在最危險的根本不是機器人，但是
，“我是不是該去學怎麽寫 Prompt”。動不動就對你說“抱歉 ，

把它當成什麽 ？當成一個高級的命令行工具（CLI）
，底下往往跟著一堆評論：“哥
 ，那就是賽博垃圾。

工具不承擔後果
，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。

資深開發者在用 AI 時，它認錯的態度還挺誠懇的。比什麽都強。“升級到 2.0 之後這個 API 廢棄了”。