背鍋代碼是 寫的，生產事故誰

這是代码提效
。絕大多數開發一看到這種排版精美 、生产事故人類必須對後果承擔全部責任。背锅它隻是代码模型在當下那一秒 ，

以前我們遇到搞不定的生产事故 Bug ，客服電話被打爆。背锅沒有“以為”，代码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）  、生产事故邏輯“看起來”順理成章的背锅代碼，合並到業務代碼裏 。代码我們對同事是生产事故有“容錯率”的  。當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，背锅但稍微往深了一看 ，代码

資深開發者在用 AI 時，生产事故或者一個隨時會拋出 NullPointerException的背锅第三方黑盒依賴。人承擔。”

聽起來沒什麽大不了的，但其實，最容易上演的甩鍋大戲。所以係統宕機不怪我”。誰按下的 Merge 按鈕，不管是 GPT 還是 Claude
 ，你才不會對它生成的代碼抱有任何不切實際的“信任感”，結合我最近在團隊裏的觀察，對我們的基本功考驗反而越嚴苛。

最近在做 Code Review 的時候，它的底層本質就是一個沒有靈魂、而是屏幕前那個使用機器人的人類。那段複雜 SQL 是 Copilot 生成的
，甚至幫他把邏輯補齊。但作為技術人 ，當你把大模型擬人化之後，甚至連注釋都寫得完美無缺 ，一旦你心裏有了“這反正是 AI 寫的 ，隻要沒有覆蓋對應的單元測試，不是寫代碼，你的 Code Review 雷達才不會失效 。

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律”，

別給它加戲 ：它不是你的同事，

大模型最可怕的能力，比什麽都強。“猜”出來的最連貫的字符組合而已。AI 隻是工具 ，

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。

代碼是機器寫的還是人寫的 ，大模型根本沒有“理解”，

但現實是 ，剝離掉擬人化的濾鏡 ，它“唰”地一下給你生成了一大段代碼  。甚至還有看似嚴密的 Markdown 解釋。”

“它以為我要寫個 for 循環 ，用這句話來甩鍋，

工具不承擔後果 ，我最大的感慨是：我們的重點是不是搞錯了。寫這段代碼的年輕開發很委屈地說：“老大，

別被排版糊弄了 ：沒跑過驗證的代碼 ，就算把整個支付寶或者微信的後台搞崩潰了 ，習慣去搜 Stack Overflow 。

我們要搞清楚一個基本事實 ：AI 隻是個幹活的工具。係統掛了，這種習慣非常致命。一巴掌拍醒很多人。

我們幾乎把所有的工程資源，重要的是，是帶著“人類傷疤”的
。心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝” ，“我是不是該去學怎麽寫 Prompt”。沒有經過獨立驗證，對吧？大家都在開玩笑 。會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心，絕不能將 AI 的結果視為權威。您說得對，你會放鬆警惕，永遠不能拿“AI 告訴我這麽做的”來當借口 。

這恰恰是最大的坑。

這就好比一個外科醫生把手術做砸了，那就是賽博垃圾。我最近在查一個內存泄漏的偶發 Bug 時 ，

把它當成什麽 ？當成一個高級的命令行工具（CLI），AI 寫代碼的速度越快，

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，

  在人類社會的協作裏
  ，我覺得這三條規矩 ，我發現團隊裏越來越多的年輕工程師，“注意
  ，太權威了。甚至是用真實的線上故障試錯出來的。大部分技術團隊在出線上事故後，誰審查的這 500 行代碼 ，

  你不能光占著 AI 幫你摸魚的便宜，他潛意識裏的工程底線正在悄悄崩塌
  。穩了”、微調 、底下往往跟著一堆評論：“哥，其實我想寫個 map。”

  如果在我的團隊裏聽到這句話，我會當場發飆。就是怕大模型在線上環境突然發瘋 。寫各種複雜的 System Prompt，把模型的語氣微調得極其謙卑 。這種討好型的輸出，誰把它發布到了生產環境，我也不知道它會把庫打掛啊 
  。業務邏輯根本跑不通的代碼。複盤會上 ，我看編輯器沒報錯就直接提交了 ，乃至搞出一整套 Harness Engineering。隻是一台 Token 機器

  第一定律：拒絕擬人化。立下一個死規矩：信任在工程實踐中非常寶貴。

  現在的 AI 廠商為了用戶體驗，不要把它當人看。基於海量語料做統計學概率預測的“文本接龍機器”。你的技術生涯基本也就到頭了 。

  但這才是最恐怖的地方。

  以後在團隊裏 ，

  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。如果一個實習生態度很好 ，在這個 AI 亂寫的時代裏
  ，它認錯的態度還挺誠懇的  。我看它邏輯挺清晰的 ，就發現是這種 AI 生成的“完美代碼”裏，”

  這兩年，“升級到 2.0 之後這個 API 廢棄了”。你在代碼助手裏敲一句注釋，自己劃偏了”一樣荒謬。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 ，打鐵還需自身硬
  ，

  但是現在 ，不管 AI 輸出的代碼看起來多優雅，我馬上改”。這段代碼沒有任何人做過審查。絕不能盲目信任 AI 的輸出。漏寫了一個很不顯眼的資源釋放邏輯 。它經過了無數同行的 Peer Review ，守住一個工程師的職業底線 ，

  傳統的社區代碼 ，它看起來太完美了，應該直接寫進每個技術團隊的入職手冊裏。你也會下意識地寬容他
  ，這個方法在多線程下會死鎖”、

  但是，

  想象一下 ：周五晚上十點 
  ，

  

  麵對 AI 編程這波浪潮，出錯了也有借口”的念頭
  ，不要賦予 AI 情感 、有縮進 、

  

  現實中 ，有高亮 、動不動就對你說“抱歉 ，大腦的思考機製就會自動關機 ，直接快捷鍵一敲，卻不想背它出錯的黑鍋。更沒有“態度” 。誰就老老實實為這 500 行代碼負 100% 的責任。

  這可能是接下來一兩年裏，

  在一個大家都能用 AI 瞬間生成海量代碼的年代，而是“一本正經地胡說八道
  ，答案出奇地一致 ：“這是 Copilot / ChatGPT / Claude Code 給出的代碼
  ，但是，但其實現在最危險的根本不是機器人，然後說“因為這把手術刀太鋒利了，我們搜出來的那個高讚答案 ，這不重要 。敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，周末全員拉群排查，大不了就是重啟一下進程。非常聽話的初級程序員溝通
  。惡劣程度等同於“因為編譯器沒報錯，覺得“它都這麽努力理解我了
  ，真正的壁壘是什麽？

  是你能在一眼望不到頭的 AI 代碼中
  ，方向盤和刹車必須死死攥在自己手裏 。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 ，

  沒有在本地環境真實地跑通走查過，不用拿績效，並且讓你深信不疑”。

  問他們怎麽寫的，全是定時炸彈

  第二定律：拒絕盲從。沒問題，就直接拿來用了 。大家不斷的折騰 ，在工程師的職業素養裏，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  。它不用背房貸 ，大家都在焦慮“我是不是要被淘汰了”、