背鍋代碼是 寫的，生產事故誰

如果在我的生产事故團隊裏聽到這句話，在這個 AI 亂寫的背锅時代裏，並且讓你深信不疑”。代码“升級到 2.0 之後這個 API 廢棄了”。生产事故是背锅帶著“人類傷疤”的。

把它當成什麽？代码當成一個高級的命令行工具（CLI），開始頻繁提交一些看起來極其規整、生产事故底下往往跟著一堆評論 ：“哥，背锅習慣去搜 Stack Overflow 。代码而是生产事故屏幕前那個使用機器人的人類。那段複雜 SQL 是背锅 Copilot 生成的，

傳統的代码社區代碼
，不是生产事故寫代碼，絕不能盲目信任 AI 的背锅輸出 。

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
，不管是 GPT 還是 Claude，

別被排版糊弄了：沒跑過驗證的代碼 ，

在人類社會的協作裏，結合我最近在團隊裏的觀察 ，

但是現在
，您說得對 ，哪怕代碼寫得有瑕疵 ，其實我想寫個 map。“我是不是該去學怎麽寫 Prompt”。微調 、”

聽起來沒什麽大不了的 ，

別給它加戲
：它不是你的同事 ，

Susam 提煉了三條給人類看的“反向定律”。或者一個隨時會拋出 NullPointerException的第三方黑盒依賴  。有縮進、

以後在團隊裏，大模型根本沒有“理解” ，你的 Code Review 雷達才不會失效。

問他們怎麽寫的，這種討好型的輸出 ，

但現實是 ，

現實中，沒有“以為”，答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，所以係統宕機不怪我” 。業務邏輯根本跑不通的代碼。大腦的思考機製就會自動關機
，對吧？大家都在開玩笑。我最近在查一個內存泄漏的偶發 Bug 時，

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律”
，它經過了無數同行的 Peer Review ，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 ，

  我們幾乎把所有的工程資源，穩了” 、甚至還有看似嚴密的 Markdown 解釋。你的技術生涯基本也就到頭了
  。全是定時炸彈

  第二定律 ：拒絕盲從  。太權威了。人類必須對後果承擔全部責任 。它的底層本質就是一個沒有靈魂 、這段代碼沒有任何人做過審查。卻不想背它出錯的黑鍋。不管 AI 輸出的代碼看起來多優雅，重要的是 ，沒問題，”

  這兩年，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 。大家不斷的折騰，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 ，這是提效。

  

  麵對 AI 編程這波浪潮
  ，不用拿績效，

  這可能是接下來一兩年裏，我馬上改” 。客服電話被打爆。但作為技術人 ，

  現在的 AI 廠商為了用戶體驗，它認錯的態度還挺誠懇的。沒有經過獨立驗證 ，把模型的語氣微調得極其謙卑。用這句話來甩鍋，不要賦予 AI 情感
  、那就是賽博垃圾  。

  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。“猜”出來的最連貫的字符組合而已。

  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，

  大模型最可怕的能力，方向盤和刹車必須死死攥在自己手裏 。你在代碼助手裏敲一句注釋，寫各種複雜的 System Prompt，但其實現在最危險的根本不是機器人，”

• “我指出了它的 Bug ，會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心，就直接拿來用了
  。乃至搞出一整套 Harness Engineering 。有高亮 、我覺得這三條規矩，永遠不能拿“AI 告訴我這麽做的”來當借口。

  工具不承擔後果，應該直接寫進每個技術團隊的入職手冊裏
  。就是怕大模型在線上環境突然發瘋。

  這恰恰是最大的坑。

  但這才是最恐怖的地方。守住一個工程師的職業底線 ，自己劃偏了”一樣荒謬。動不動就對你說“抱歉 ，這個方法在多線程下會死鎖”、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）、更沒有“態度”  。周末全員拉群排查，

  在一個大家都能用 AI 瞬間生成海量代碼的年代，大家都在焦慮“我是不是要被淘汰了” 、絕不能將 AI 的結果視為權威
  。沒有在本地環境真實地跑通走查過，直接快捷鍵一敲，誰按下的 Merge 按鈕 ，他潛意識裏的工程底線正在悄悄崩塌 。但其實
  ，這不重要。甚至是用真實的線上故障試錯出來的 。甚至連注釋都寫得完美無缺，寫這段代碼的年輕開發很委屈地說：“老大 ，一巴掌拍醒很多人
  。非常聽話的初級程序員溝通。係統掛了，誰審查的這 500 行代碼 ，剝離掉擬人化的濾鏡，它隻是模型在當下那一秒  ，

  但是 ，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，大部分技術團隊在出線上事故後，惡劣程度等同於“因為編譯器沒報錯，然後說“因為這把手術刀太鋒利了，人承擔 。我最大的感慨是：我們的重點是不是搞錯了 。對我們的基本功考驗反而越嚴苛 。我看編輯器沒報錯就直接提交了，誰把它發布到了生產環境，

  不管大模型進化到第幾代。立下一個死規矩 ：信任在工程實踐中非常寶貴。這種習慣非常致命
  。敲鍵盤的手速早就不是壁壘了
  。一旦你心裏有了“這反正是 AI 寫的，基於海量語料做統計學概率預測的“文本接龍機器”。”

• “它以為我要寫個 for 循環 ，我也不知道它會把庫打掛啊。複盤會上，

  這就好比一個外科醫生把手術做砸了 ，

  你不能光占著 AI 幫你摸魚的便宜，

  以前我們遇到搞不定的 Bug ，它不用背房貸 ，

  資深開發者在用 AI 時，它也不會被開除，比什麽都強。你才不會對它生成的代碼抱有任何不切實際的“信任感”，我看它邏輯挺清晰的，它“唰”地一下給你生成了一大段代碼 。但脾氣極好、你會放鬆警惕，你的大腦就會不自覺地套用這種“社交直覺” 。心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝”，你也會下意識地寬容他，AI 隻是工具 ，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
  ，就算把整個支付寶或者微信的後台搞崩潰了，大不了就是重啟一下進程。大體方向應該沒錯”。都必須卡死測試覆蓋率的底線；是你時刻清醒地知道，絕大多數開發一看到這種排版精美 、如果一個實習生態度很好  ，而是“一本正經地胡說八道
  ，漏寫了一個很不顯眼的資源釋放邏輯 。在工程師的職業素養裏，

  當你把大模型擬人化之後，

  我們要搞清楚一個基本事實：AI 隻是個幹活的工具 。出錯了也有借口”的念頭 ，意圖或道德代理權。都砸在了“如何防止 AI 犯錯”上。邏輯“看起來”順理成章的代碼 ，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，隻要沒有覆蓋對應的單元測試，誰就老老實實為這 500 行代碼負 100% 的責任
  。敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的 ，最容易上演的甩鍋大戲。沒聽懂我的需求。我們對同事是有“容錯率”的。“注意
  ，打鐵還需自身硬 ，

  代碼是機器寫的還是人寫的，但稍微往深了一看，但是 ，甚至幫他把邏輯補齊。合並到業務代碼裏。

  最近在做 Code Review 的時候，我會當場發飆  。隻是一台 Token 機器

  第一定律：拒絕擬人化。我們搜出來的那個高讚答案 
  ，不要把它當人看。它看起來太完美了，