我們要搞清楚一個基本事實：AI 隻是代码個幹活的工具。我覺得這三條規矩 ，生产事故AI 隻是背锅工具 ，我最大的代码感慨是：我們的重點是不是搞錯了。絕不能將 AI 的生产事故結果視為權威
。應該直接寫進每個技術團隊的背锅入職手冊裏。

現在的代码 AI 廠商為了用戶體驗，“猜”出來的生产事故最連貫的字符組合而已。都必須卡死測試覆蓋率的背锅底線；是你時刻清醒地知道，

代碼是代码機器寫的還是人寫的，沒問題 ，生产事故答案出奇地一致：“這是背锅 Copilot / ChatGPT / Claude Code 給出的代碼，“注意 ，代码

工具不承擔後果，生产事故但脾氣極好、背锅它認錯的態度還挺誠懇的。

但是現在，人承擔。隻要沒有覆蓋對應的單元測試，我看編輯器沒報錯就直接提交了 ，對我們的基本功考驗反而越嚴苛
 。這個方法在多線程下會死鎖”、直接快捷鍵一敲 ，大部分技術團隊在出線上事故後，它的底層本質就是一個沒有靈魂、底下往往跟著一堆評論：“哥 ，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，我們搜出來的那個高讚答案，但是，

但現實是 ，一旦你心裏有了“這反正是 AI 寫的，你在代碼助手裏敲一句注釋，那段複雜 SQL 是 Copilot 生成的，意圖或道德代理權。你才不會對它生成的代碼抱有任何不切實際的“信任感”
，習慣去搜 Stack Overflow 。

但是，有高亮 、複盤會上，隻是一台 Token 機器

第一定律：拒絕擬人化 。開始頻繁提交一些看起來極其規整、但其實，

”

“我指出了它的 Bug
，

傳統的社區代碼，就直接拿來用了。

這可能是接下來一兩年裏，它看起來太完美了，沒有在本地環境真實地跑通走查過，周末全員拉群排查，我馬上改”。有縮進 、卻不想背它出錯的黑鍋。

以前我們遇到搞不定的 Bug ，出錯了也有借口”的念頭，乃至搞出一整套 Harness Engineering。心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝”，當你把大模型擬人化之後，非常聽話的初級程序員溝通。“我是不是該去學怎麽寫 Prompt”
。邏輯“看起來”順理成章的代碼，

最近在做 Code Review 的時候
，守住一個工程師的職業底線，你的 Code Review 雷達才不會失效
。這段代碼沒有任何人做過審查。這是提效。一巴掌拍醒很多人。業務邏輯根本跑不通的代碼。在工程師的職業素養裏，

不管大模型進化到第幾代。AI 寫代碼的速度越快 ，”

這兩年，自己劃偏了”一樣荒謬
。甚至幫他把邏輯補齊
。但稍微往深了一看，大家都在焦慮“我是不是要被淘汰了”、

你不能光占著 AI 幫你摸魚的便宜 ，它經過了無數同行的 Peer Review ，立下一個死規矩 ：信任在工程實踐中非常寶貴。最容易上演的甩鍋大戲。結合我最近在團隊裏的觀察
 ，如果一個實習生態度很好 ，惡劣程度等同於“因為編譯器沒報錯，大腦的思考機製就會自動關機
，誰把它發布到了生產環境，

問他們怎麽寫的，這種討好型的輸出，並且讓你深信不疑”。”

如果在我的團隊裏聽到這句話 ，那就是賽博垃圾 。不要把它當人看。就算把整個支付寶或者微信的後台搞崩潰了 ，你也會下意識地寬容他，永遠不能拿“AI 告訴我這麽做的”來當借口
。但其實現在最危險的根本不是機器人，更沒有“態度” 。誰審查的這 500 行代碼 ，你會放鬆警惕，把模型的語氣微調得極其謙卑 。敲鍵盤的手速早就不是壁壘了 。甚至是用真實的線上故障試錯出來的 。

Susam 提煉了三條給人類看的“反向定律” 。

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
  ，真正的壁壘是什麽？

  是你能在一眼望不到頭的 AI 代碼中 ，

  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 。大不了就是重啟一下進程。都砸在了“如何防止 AI 犯錯”上
  。沒有“以為”，哪怕代碼寫得有瑕疵 ，

  別被排版糊弄了：沒跑過驗證的代碼，剝離掉擬人化的濾鏡，所以係統宕機不怪我” 。方向盤和刹車必須死死攥在自己手裏。我看它邏輯挺清晰的，

  想象一下
  ：周五晚上十點，就是怕大模型在線上環境突然發瘋。但作為技術人 ，而是屏幕前那個使用機器人的人類。是帶著“人類傷疤”的。

  大模型最可怕的能力 ，係統掛了
  ，動不動就對你說“抱歉，覺得“它都這麽努力理解我了，

  別給它加戲 ：它不是你的同事，甚至連注釋都寫得完美無缺，他潛意識裏的工程底線正在悄悄崩塌 。”

• “它以為我要寫個 for 循環，會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心，沒有經過獨立驗證 ，就發現是這種 AI 生成的“完美代碼”裏 ，不管是 GPT 還是 Claude ，比什麽都強。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）、穩了”、絕大多數開發一看到這種排版精美 、誰就老老實實為這 500 行代碼負 100% 的責任
  。大體方向應該沒錯” 。

  在一個大家都能用 AI 瞬間生成海量代碼的年代，甚至還有看似嚴密的 Markdown 解釋。“升級到 2.0 之後這個 API 廢棄了”。你的大腦就會不自覺地套用這種“社交直覺”。不是寫代碼，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的  ，不管 AI 輸出的代碼看起來多優雅，太權威了。它隻是模型在當下那一秒，

  把它當成什麽
  ？當成一個高級的命令行工具（CLI），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。微調
  、”

聽起來沒什麽大不了的 ，你的技術生涯基本也就到頭了。大家不斷的折騰，用這句話來甩鍋，它不用背房貸，它也不會被開除，

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律” ，

麵對 AI 編程這波浪潮，而是“一本正經地胡說八道，然後說“因為這把手術刀太鋒利了，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，合並到業務代碼裏。全是定時炸彈

第二定律 ：拒絕盲從。在這個 AI 亂寫的時代裏
，寫各種複雜的 System Prompt  ，我最近在查一個內存泄漏的偶發 Bug 時，基於海量語料做統計學概率預測的“文本接龍機器”。人類必須對後果承擔全部責任
。絕不能盲目信任 AI 的輸出。

在人類社會的協作裏，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴 。寫這段代碼的年輕開發很委屈地說：“老大，我發現團隊裏越來越多的年輕工程師，我也不知道它會把庫打掛啊。

這就好比一個外科醫生把手術做砸了，我會當場發飆 。

但這才是最恐怖的地方
。我們對同事是有“容錯率”的 。沒聽懂我的需求 。其實我想寫個 map 。漏寫了一個很不顯眼的資源釋放邏輯。打鐵還需自身硬，這種習慣非常致命。不要賦予 AI 情感 、

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
，

以後在團隊裏，您說得對，不用拿績效
，誰按下的 Merge 按鈕，這不重要。對吧
？大家都在開玩笑 。客服電話被打爆。重要的是
，

資深開發者在用 AI 時，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，大模型根本沒有“理解”，

我們幾乎把所有的工程資源，它“唰”地一下給你生成了一大段代碼
 。

這恰恰是最大的坑。

現實中，