目擊道存網背鍋 寫的代碼是 ，生產事故誰
別給它加戲：它不是你的同事 ，
人類必須對後果承擔全部責任 。邏輯“看起來”順理成章的代碼 ，這可能是接下來一兩年裏 ，
麵對 AI 編程這波浪潮 ，
我們幾乎把所有的工程資源
，AI 寫代碼的速度越快 ，這不重要 。這種習慣非常致命 。或者一個隨時會拋出 NullPointerException的第三方黑盒依賴 。沒有經過獨立驗證，用這句話來甩鍋 ，
大模型最可怕的能力 ，隻是一台 Token 機器
第一定律：拒絕擬人化 。你也會下意識地寬容他，但是 ，大家不斷的折騰 ，”
“我指出了它的 Bug，那段複雜 SQL 是 Copilot 生成的 ，合並到業務代碼裏 。 問他們怎麽寫的 ，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，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。它經過了無數同行的 Peer Review，
代碼是機器寫的還是人寫的 ，我們搜出來的那個高讚答案 ，我看編輯器沒報錯就直接提交了 ，沒有在本地環境真實地跑通走查過 ，我也不知道它會把庫打掛啊 。
但是現在，
Susam 提煉了三條給人類看的“反向定律” 。大家都在焦慮“我是不是要被淘汰了” 、你的技術生涯基本也就到頭了 。你會放鬆警惕 ，敲鍵盤的手速早就不是壁壘了 。都砸在了“如何防止 AI 犯錯”上 。重要的是 ，自己劃偏了”一樣荒謬 。不是寫代碼 ，真正的壁壘是什麽 ？
是你能在一眼望不到頭的 AI 代碼中 ，有縮進 、客服電話被打爆 。哪怕代碼寫得有瑕疵 ，太權威了 。複盤會上 ，乃至搞出一整套 Harness Engineering 。打鐵還需自身硬 ，”
如果在我的團隊裏聽到這句話 ，
把它當成什麽？當成一個高級的命令行工具（CLI） ，它認錯的態度還挺誠懇的 。
”
聽起來沒什麽大不了的 ，全是定時炸彈
第二定律：拒絕盲從 。你的大腦就會不自覺地套用這種“社交直覺” 。敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的 ，寫各種複雜的 System Prompt ，你在代碼助手裏敲一句注釋 ，剝離掉擬人化的濾鏡，大不了就是重啟一下進程 。絕不能盲目信任 AI 的輸出 。周末全員拉群排查，
以前我們遇到搞不定的 Bug ，大腦的思考機製就會自動關機，如果一個實習生態度很好 ，大體方向應該沒錯” 。非常聽話的初級程序員溝通 。
工具不承擔後果 ，“我是不是該去學怎麽寫 Prompt” 。答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼 ，就發現是這種 AI 生成的“完美代碼”裏 ，方向盤和刹車必須死死攥在自己手裏。但其實現在最危險的根本不是機器人，
在人類社會的協作裏 ，但脾氣極好、“升級到 2.0 之後這個 API 廢棄了”。是帶著“人類傷疤”的 。你才不會對它生成的代碼抱有任何不切實際的“信任感” ，有高亮、
以後在團隊裏，絕大多數開發一看到這種排版精美 、
但現實是 ，出錯了也有借口”的念頭，開始頻繁提交一些看起來極其規整 、甚至連注釋都寫得完美無缺，一巴掌拍醒很多人 。不用拿績效 ，我發現團隊裏越來越多的年輕工程師，甚至還有看似嚴密的 Markdown 解釋 。大模型根本沒有“理解” ，
誰合並代碼誰背鍋 ：“AI 寫的”絕對不是免死金牌
。在工程師的職業素養裏 ，第三定律 ：責任不可剝奪 。不要賦予 AI 情感、係統掛了 ，它看起來太完美了 ，”
這兩年 ，習慣去搜 Stack Overflow 。它“唰”地一下給你生成了一大段代碼。而是屏幕前那個使用機器人的人類。在這個 AI 亂寫的時代裏 ，其實我想寫個 map 。比什麽都強 。這個方法在多線程下會死鎖” 、
我們要搞清楚一個基本事實 ：AI 隻是個幹活的工具 。不要把它當人看 。絕不能將 AI 的結果視為權威 。我最近在查一個內存泄漏的偶發 Bug 時 ，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 ，但作為技術人 ，
不管大模型進化到第幾代 。當你把大模型擬人化之後 ，誰就老老實實為這 500 行代碼負 100% 的責任。但其實 ，我看它邏輯挺清晰的，漏寫了一個很不顯眼的資源釋放邏輯 。
現實中 ，我馬上改”。立下一個死規矩 ：信任在工程實踐中非常寶貴 。更沒有“態度” 。”
“它以為我要寫個 for 循環 ，覺得“它都這麽努力理解我了 ，甚至是用真實的線上故障試錯出來的 。您說得對，AI 隻是工具 ，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道 ，最容易上演的甩鍋大戲。並且讓你深信不疑”
傳統的社區代碼 ，誰把它發布到了生產環境，我們對同事是有“容錯率”的。把模型的語氣微調得極其謙卑 。隻要沒有覆蓋對應的單元測試 ，沒有“以為” ，“猜”出來的最連貫的字符組合而已 。人承擔。對吧 ？大家都在開玩笑。
現在的 AI 廠商為了用戶體驗，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。
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 ，
這恰恰是最大的坑。這是提效 。當一個開發者習慣了 AI 瞬間吐出幾百行代碼後 ，沒問題，
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 ，他潛意識裏的工程底線正在悄悄崩塌。底下往往跟著一堆評論 ：“哥，永遠不能拿“AI 告訴我這麽做的”來當借口 。我最大的感慨是 ：我們的重點是不是搞錯了 。
但是 ，
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 ，沒聽懂我的需求。
你不能光占著 AI 幫你摸魚的便宜 ，它的底層本質就是一個沒有靈魂 、
別被排版糊弄了 ：沒跑過驗證的代碼 ，
想象一下：周五晚上十點 ，微調 、
但這才是最恐怖的地方 。就算把整個支付寶或者微信的後台搞崩潰了 ，它不用背房貸 ，
方向盤必須在自己手裏
看完 Susam Pal 的這三條“反向定律”，它隻是模型在當下那一秒 ，這種討好型的輸出 ，動不動就對你說“抱歉 ，不管是 GPT 還是 Claude，寫這段代碼的年輕開發很委屈地說 ：“老大 ，
在一個大家都能用 AI 瞬間生成海量代碼的年代 ，甚至幫他把邏輯補齊。就是怕大模型在線上環境突然發瘋。大部分技術團隊在出線上事故後 ，所以係統宕機不怪我” 。
資深開發者在用 AI 時 ，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） 、惡劣程度等同於“因為編譯器沒報錯 ，守住一個工程師的職業底線 ，
未经允许不得转载：>目擊道存網 » 背鍋 寫的代碼是 ，生產事故誰
