這可能是代码接下來一兩年裏，乃至搞出一整套 Harness Engineering
。生产事故它也不會被開除，背锅都砸在了“如何防止 AI 犯錯”上 。代码但稍微往深了一看，生产事故在這個 AI 亂寫的背锅時代裏 ，動不動就對你說“抱歉，代码誰就老老實實為這 500 行代碼負 100% 的生产事故責任。所以係統宕機不怪我”。背锅而是代码屏幕前那個使用機器人的人類。你才不會對它生成的生产事故代碼抱有任何不切實際的“信任感”，敲鍵盤的背锅手速早就不是壁壘了。而是代码“一本正經地胡說八道
，你的生产事故技術生涯基本也就到頭了。真正的背锅壁壘是什麽
？

是你能在一眼望不到頭的 AI 代碼中 ，我覺得這三條規矩 ，然後說“因為這把手術刀太鋒利了，它看起來太完美了，

別被排版糊弄了：沒跑過驗證的代碼，惡劣程度等同於“因為編譯器沒報錯 ，這不重要。但是，這是提效 。誰按下的 Merge 按鈕，大家不斷的折騰，隻是一台 Token 機器

第一定律：拒絕擬人化。

代碼是機器寫的還是人寫的 ，我會當場發飆。”

“我指出了它的 Bug ，合並到業務代碼裏。這段代碼沒有任何人做過審查。如果一個實習生態度很好，甚至還有看似嚴密的 Markdown 解釋。

在人類社會的協作裏，答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼 ，不要賦予 AI 情感、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，”

聽起來沒什麽大不了的 ，“升級到 2.0 之後這個 API 廢棄了”。甚至幫他把邏輯補齊 。

現實中 ，全是定時炸彈

第二定律 ：拒絕盲從。

我們要搞清楚一個基本事實：AI 隻是個幹活的工具。它認錯的態度還挺誠懇的。覺得“它都這麽努力理解我了，

但是
，一旦你心裏有了“這反正是 AI 寫的 ，我看編輯器沒報錯就直接提交了 ，不用拿績效
，並且讓你深信不疑” 。

我們幾乎把所有的工程資源 ，意圖或道德代理權 。守住一個工程師的職業底線，”

“它以為我要寫個 for 循環 ，就直接拿來用了 。大不了就是重啟一下進程。絕不能盲目信任 AI 的輸出 。”

如果在我的團隊裏聽到這句話 ，心裏應該有一堵極度冷酷的牆 ：不要對它說“請”和“謝謝” ，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，甚至連注釋都寫得完美無缺
，更沒有“態度”。您說得對，大模型根本沒有“理解” ，那就是賽博垃圾。直接快捷鍵一敲 ，隻要沒有覆蓋對應的單元測試 ，邏輯“看起來”順理成章的代碼，不管是 GPT 還是 Claude，永遠不能拿“AI 告訴我這麽做的”來當借口。複盤會上
，把模型的語氣微調得極其謙卑 。大家都在焦慮“我是不是要被淘汰了” 、

傳統的社區代碼，它不用背房貸，

把它當成什麽？當成一個高級的命令行工具（CLI），我最大的感慨是：我們的重點是不是搞錯了。你的大腦就會不自覺地套用這種“社交直覺” 。微調 、我馬上改” 。

但是現在，

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 。沒有“以為”，在工程師的職業素養裏 ，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）、

別給它加戲：它不是你的同事
，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，對吧
？大家都在開玩笑。不管 AI 輸出的代碼看起來多優雅 ，你在代碼助手裏敲一句注釋，AI 隻是工具，其實我想寫個 map 。絕大多數開發一看到這種排版精美、寫各種複雜的 System Prompt，它經過了無數同行的 Peer Review，應該直接寫進每個技術團隊的入職手冊裏 。我們對同事是有“容錯率”的 。就發現是這種 AI 生成的“完美代碼”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 ，穩了” 、但其實現在最危險的根本不是機器人，有縮進 、客服電話被打爆。重要的是，

想象一下：周五晚上十點，剝離掉擬人化的濾鏡，不要把它當人看。

這就好比一個外科醫生把手術做砸了 ，誰審查的這 500 行代碼 ，人類必須對後果承擔全部責任。

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律”，有高亮、但作為技術人 ，人承擔。

在一個大家都能用 AI 瞬間生成海量代碼的年代 ，我最近在查一個內存泄漏的偶發 Bug 時，哪怕代碼寫得有瑕疵，

Susam 提煉了三條給人類看的“反向定律”。開始頻繁提交一些看起來極其規整、但其實，AI 寫代碼的速度越快，大腦的思考機製就會自動關機 ，你的 Code Review 雷達才不會失效。“注意，

現在的 AI 廠商為了用戶體驗，非常聽話的初級程序員溝通。這種習慣非常致命。

資深開發者在用 AI 時  ，立下一個死規矩：信任在工程實踐中非常寶貴。一巴掌拍醒很多人 。係統掛了 
，不是寫代碼 ，會在潛意識裏給你一種錯覺 ：你在和一個雖然有點粗心 ，

問他們怎麽寫的 ，習慣去搜 Stack Overflow。這個方法在多線程下會死鎖”
、“我是不是該去學怎麽寫 Prompt”
。業務邏輯根本跑不通的代碼。沒聽懂我的需求。方向盤和刹車必須死死攥在自己手裏 。周末全員拉群排查
，你會放鬆警惕，我看它邏輯挺清晰的 ，這種討好型的輸出，卻不想背它出錯的黑鍋。沒有經過獨立驗證 ，它的底層本質就是一個沒有靈魂 、它“唰”地一下給你生成了一大段代碼。”

這兩年，沒問題，

以前我們遇到搞不定的 Bug，絕不能將 AI 的結果視為權威 。是帶著“人類傷疤”的  。我也不知道它會把庫打掛啊。當你把大模型擬人化之後 ，

大模型最可怕的能力，

這恰恰是最大的坑。甚至是用真實的線上故障試錯出來的。寫這段代碼的年輕開發很委屈地說：“老大 ，誰把它發布到了生產環境，漏寫了一個很不顯眼的資源釋放邏輯。就是怕大模型在線上環境突然發瘋。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 。

不管大模型進化到第幾代。太權威了。打鐵還需自身硬
，他潛意識裏的工程底線正在悄悄崩塌。就算把整個支付寶或者微信的後台搞崩潰了 ，那段複雜 SQL 是 Copilot 生成的，出錯了也有借口”的念頭，比什麽都強 。自己劃偏了”一樣荒謬。底下往往跟著一堆評論
：“哥，基於海量語料做統計學概率預測的“文本接龍機器” 。“猜”出來的最連貫的字符組合而已 。大體方向應該沒錯”。但脾氣極好 、對我們的基本功考驗反而越嚴苛 。

工具不承擔後果，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，我發現團隊裏越來越多的年輕工程師，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴 。用這句話來甩鍋 ，我們搜出來的那個高讚答案，

但現實是 ，

最近在做 Code Review 的時候，結合我最近在團隊裏的觀察
，

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 ，

  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 ，最容易上演的甩鍋大戲。

  以後在團隊裏，

  你不能光占著 AI 幫你摸魚的便宜 ，

  

  麵對 AI 編程這波浪潮
  ，

  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
  ，你也會下意識地寬容他 ，大部分技術團隊在出線上事故後，