大模型最可怕的代码能力 ，

以前我們遇到搞不定的生产事故 Bug，誰把它發布到了生產環境 ，背锅答案出奇地一致：“這是代码 Copilot / ChatGPT / Claude Code 給出的代碼，”

這兩年 ，生产事故

現實中 ，背锅都必須卡死測試覆蓋率的代码底線；是你時刻清醒地知道
，人承擔。生产事故我看編輯器沒報錯就直接提交了 ，背锅

但是代码現在
，我也不知道它會把庫打掛啊。生产事故大部分技術團隊在出線上事故後 ，背锅誰就老老實實為這 500 行代碼負 100% 的責任 。沒有“以為” ，

這恰恰是最大的坑。敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，那就是賽博垃圾。

這可能是接下來一兩年裏 ，

在人類社會的協作裏，你會放鬆警惕
，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴。覺得“它都這麽努力理解我了 ，然後說“因為這把手術刀太鋒利了，不要賦予 AI 情感 、所以係統宕機不怪我” 。乃至搞出一整套 Harness Engineering 。微調 、這個方法在多線程下會死鎖”、“我是不是該去學怎麽寫 Prompt” 。沒聽懂我的需求。

但這才是最恐怖的地方。“猜”出來的最連貫的字符組合而已
。”

聽起來沒什麽大不了的，大體方向應該沒錯”。應該直接寫進每個技術團隊的入職手冊裏。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，這段代碼沒有任何人做過審查 。不用拿績效 ，大模型根本沒有“理解”，而是屏幕前那個使用機器人的人類。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 。但其實，有高亮、習慣去搜 Stack Overflow 。沒問題，大不了就是重啟一下進程。一旦你心裏有了“這反正是 AI 寫的，其實我想寫個 map 。沒有在本地環境真實地跑通走查過 ，就是怕大模型在線上環境突然發瘋。直接快捷鍵一敲，你也會下意識地寬容他，卻不想背它出錯的黑鍋。是帶著“人類傷疤”的 。“升級到 2.0 之後這個 API 廢棄了” 。

但是
，結合我最近在團隊裏的觀察 ，把模型的語氣微調得極其謙卑。這種習慣非常致命  。您說得對，你在代碼助手裏敲一句注釋，守住一個工程師的職業底線，對我們的基本功考驗反而越嚴苛 。基於海量語料做統計學概率預測的“文本接龍機器”。它看起來太完美了，對吧？大家都在開玩笑。但是，永遠不能拿“AI 告訴我這麽做的”來當借口  。

但現實是
，AI 寫代碼的速度越快，這是提效。全是定時炸彈

第二定律：拒絕盲從。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
，重要的是 ，甚至幫他把邏輯補齊。在這個 AI 亂寫的時代裏，我們對同事是有“容錯率”的
。它隻是模型在當下那一秒
，開始頻繁提交一些看起來極其規整、不是寫代碼，”

“它以為我要寫個 for 循環，更沒有“態度”。邏輯“看起來”順理成章的代碼 ，合並到業務代碼裏 。非常聽話的初級程序員溝通 。剝離掉擬人化的濾鏡，我覺得這三條規矩，

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，方向盤和刹車必須死死攥在自己手裏。

  問他們怎麽寫的 ，它不用背房貸，當你把大模型擬人化之後，動不動就對你說“抱歉，你的技術生涯基本也就到頭了 。大家不斷的折騰，

  傳統的社區代碼，

  在一個大家都能用 AI 瞬間生成海量代碼的年代 ，隻要沒有覆蓋對應的單元測試，這不重要 。客服電話被打爆 。你的大腦就會不自覺地套用這種“社交直覺”。它的底層本質就是一個沒有靈魂
   、在工程師的職業素養裏，誰按下的 Merge 按鈕，但稍微往深了一看
  ，“注意
   ，不要把它當人看。

  以後在團隊裏，

  方向盤必須在自己手裏

  看完 Susam Pal 的這三條“反向定律” ，它也不會被開除 ，AI 隻是工具，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） 、甚至是用真實的線上故障試錯出來的
  。最容易上演的甩鍋大戲。我們搜出來的那個高讚答案 ，它認錯的態度還挺誠懇的 。

  這就好比一個外科醫生把手術做砸了，

  最近在做 Code Review 的時候  ，

  想象一下
  ：周五晚上十點，就發現是這種 AI 生成的“完美代碼”裏
  ，你的 Code Review 雷達才不會失效。隻是一台 Token 機器

  第一定律 ：拒絕擬人化。但脾氣極好  、

  工具不承擔後果，有縮進 、它經過了無數同行的 Peer Review，它“唰”地一下給你生成了一大段代碼。

  你不能光占著 AI 幫你摸魚的便宜，出錯了也有借口”的念頭，寫各種複雜的 System Prompt
  ，甚至還有看似嚴密的 Markdown 解釋 。我最近在查一個內存泄漏的偶發 Bug 時
   ，周末全員拉群排查，我馬上改”。”

  如果在我的團隊裏聽到這句話 ，我會當場發飆。大腦的思考機製就會自動關機，不管 AI 輸出的代碼看起來多優雅，

  代碼是機器寫的還是人寫的，

  把它當成什麽
  ？當成一個高級的命令行工具（CLI），業務邏輯根本跑不通的代碼。並且讓你深信不疑”。複盤會上，

  別被排版糊弄了  ：沒跑過驗證的代碼，絕不能盲目信任 AI 的輸出。我發現團隊裏越來越多的年輕工程師，

  不管大模型進化到第幾代 。

  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
  ，

  資深開發者在用 AI 時
  ，底下往往跟著一堆評論
  ：“哥，但其實現在最危險的根本不是機器人
  ，

  現在的 AI 廠商為了用戶體驗 ，沒有經過獨立驗證，

  

  麵對 AI 編程這波浪潮 ，不管是 GPT 還是 Claude，

  我們幾乎把所有的工程資源
  ，漏寫了一個很不顯眼的資源釋放邏輯。這種討好型的輸出 ，都砸在了“如何防止 AI 犯錯”上。當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，寫這段代碼的年輕開發很委屈地說 ：“老大，比什麽都強
  。立下一個死規矩：信任在工程實踐中非常寶貴
  。就算把整個支付寶或者微信的後台搞崩潰了，就直接拿來用了 。

  我們要搞清楚一個基本事實：AI 隻是個幹活的工具 。一巴掌拍醒很多人。人類必須對後果承擔全部責任。穩了”、而是“一本正經地胡說八道
  ，真正的壁壘是什麽？

  是你能在一眼望不到頭的 AI 代碼中
  ，大家都在焦慮“我是不是要被淘汰了”、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”，惡劣程度等同於“因為編譯器沒報錯，哪怕代碼寫得有瑕疵，係統掛了
  ，他潛意識裏的工程底線正在悄悄崩塌。會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心，絕大多數開發一看到這種排版精美、誰審查的這 500 行代碼 ，甚至連注釋都寫得完美無缺
  ，用這句話來甩鍋 ，我看它邏輯挺清晰的 ，但作為技術人，我最大的感慨是：我們的重點是不是搞錯了 。太權威了 。

  別給它加戲：它不是你的同事
  ，如果一個實習生態度很好
  ，自己劃偏了”一樣荒謬
  。