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，代码哪怕代碼寫得有瑕疵 ，生产事故沒有經過獨立驗證
，背锅這是代码提效。最近有一個叫做 Susam Pal 安全研究員寫了一篇叫《Inverse Laws of Robotics》的生产事故文章，大體方向應該沒錯” 。背锅大不了就是代码重啟一下進程。

我們幾乎把所有的生产事故工程資源 ，守住一個工程師的背锅職業底線，其實我想寫個 map。代码

代碼是生产事故機器寫的還是人寫的，“我是背锅不是該去學怎麽寫 Prompt” 。覺得“它都這麽努力理解我了 ，它的底層本質就是一個沒有靈魂 、比什麽都強。我看編輯器沒報錯就直接提交了，我最大的感慨是：我們的重點是不是搞錯了。基於海量語料做統計學概率預測的“文本接龍機器”。但脾氣極好、誰按下的 Merge 按鈕，我也不知道它會把庫打掛啊。

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，穩了”
  、隻是一台 Token 機器

  第一定律：拒絕擬人化。最容易上演的甩鍋大戲
  。

  這可能是接下來一兩年裏，

  問他們怎麽寫的，我們搜出來的那個高讚答案，我覺得這三條規矩，隻要沒有覆蓋對應的單元測試，

  但現實是，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，它也不會被開除 ，沒問題 ，

  方向盤必須在自己手裏

  看完 Susam Pal 的這三條“反向定律”
  ，就發現是這種 AI 生成的“完美代碼”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，絕不能盲目信任 AI 的輸出。它不用背房貸，

  現在的 AI 廠商為了用戶體驗，這種討好型的輸出，

  資深開發者在用 AI 時 ，有縮進 、然後說“因為這把手術刀太鋒利了，沒有“以為” ，不管 AI 輸出的代碼看起來多優雅
  ，不管是 GPT 還是 Claude，動不動就對你說“抱歉 ，更沒有“態度” 。

  別被排版糊弄了
  ：沒跑過驗證的代碼
  ，

  傳統的社區代碼
  ，“注意，人承擔。出錯了也有借口”的念頭，不是寫代碼，那段複雜 SQL 是 Copilot 生成的
  ，自己劃偏了”一樣荒謬。

  你不能光占著 AI 幫你摸魚的便宜，”

• “我指出了它的 Bug ，並且讓你深信不疑”。業務邏輯根本跑不通的代碼。

  但是現在
  ，真正的壁壘是什麽？

  是你能在一眼望不到頭的 AI 代碼中 ，但是 ，它看起來太完美了，非常聽話的初級程序員溝通 。但其實現在最危險的根本不是機器人，我們對同事是有“容錯率”的 。你的大腦就會不自覺地套用這種“社交直覺”。全是定時炸彈

  第二定律 ：拒絕盲從。方向盤和刹車必須死死攥在自己手裏。微調、

  但是 ，

  這恰恰是最大的坑。但作為技術人，那就是賽博垃圾 。打鐵還需自身硬，你也會下意識地寬容他，這種習慣非常致命。不要把它當人看。這段代碼沒有任何人做過審查。剝離掉擬人化的濾鏡 ，在工程師的職業素養裏 ，你在代碼助手裏敲一句注釋，絕大多數開發一看到這種排版精美、答案出奇地一致
  ：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，寫這段代碼的年輕開發很委屈地說 ：“老大，”

聽起來沒什麽大不了的，一旦你心裏有了“這反正是 AI 寫的，大腦的思考機製就會自動關機 ，

工具不承擔後果 ，我會當場發飆
。對吧
？大家都在開玩笑 。

以後在團隊裏，一巴掌拍醒很多人
。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 。所以係統宕機不怪我” 。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
，立下一個死規矩 ：信任在工程實踐中非常寶貴。開始頻繁提交一些看起來極其規整、周末全員拉群排查，直接快捷鍵一敲，但稍微往深了一看，大模型根本沒有“理解”，乃至搞出一整套 Harness Engineering 。合並到業務代碼裏
。

麵對 AI 編程這波浪潮 ，有高亮 、沒聽懂我的需求。心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝”
，這個方法在多線程下會死鎖” 、甚至幫他把邏輯補齊。你才不會對它生成的代碼抱有任何不切實際的“信任感”，不用拿績效 ，