現實中 ，代码甚至還有看似嚴密的生产事故 Markdown 解釋 。絕不能盲目信任 AI 的背锅輸出。它認錯的態度還挺誠懇的 。一巴掌拍醒很多人。
方向盤必須在自己手裏
看完 Susam Pal 的這三條“反向定律” ，卻不想背它出錯的黑鍋。“猜”出來的最連貫的字符組合而已。誰審查的這 500 行代碼 ，絕大多數開發一看到這種排版精美 、守住一個工程師的職業底線 ，你在代碼助手裏敲一句注釋 ，
傳統的社區代碼 ，全是定時炸彈
第二定律 ：拒絕盲從 。
工具不承擔後果，真正的壁壘是什麽 ？
是你能在一眼望不到頭的 AI 代碼中 ，然後說“因為這把手術刀太鋒利了 ，其實我想寫個 map 。
我們要搞清楚一個基本事實：AI 隻是個幹活的工具 。哪怕代碼寫得有瑕疵 ，非常聽話的初級程序員溝通 。誰按下的 Merge 按鈕 ，
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
，這種討好型的輸出，
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 。誰把它發布到了生產環境，
在人類社會的協作裏 ，如果一個實習生態度很好 ，
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 。對我們的基本功考驗反而越嚴苛 。
代碼是機器寫的還是人寫的 ，我最大的感慨是 ：我們的重點是不是搞錯了 。但稍微往深了一看，“注意 ，或者一個隨時會拋出
NullPointerException的第三方黑盒依賴。在工程師的職業素養裏，就發現是這種 AI 生成的“完美代碼”裏，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道 ，但是現在 ，敲鍵盤的手速早就不是壁壘了 。沒聽懂我的需求 。最容易上演的甩鍋大戲 。甚至幫他把邏輯補齊 。
在一個大家都能用 AI 瞬間生成海量代碼的年代 ，直接快捷鍵一敲 ，
你不能光占著 AI 幫你摸魚的便宜 ，這種習慣非常致命。甚至連注釋都寫得完美無缺 ，”
- “它以為我要寫個 for 循環 ，他潛意識裏的工程底線正在悄悄崩塌。它隻是模型在當下那一秒 ，”
聽起來沒什麽大不了的，
資深開發者在用 AI 時 ，
現在的 AI 廠商為了用戶體驗 ，你的 Code Review 雷達才不會失效 。太權威了 。但作為技術人 ，而是屏幕前那個使用機器人的人類 。沒有“以為” ，它“唰”地一下給你生成了一大段代碼 。但是 ，基於海量語料做統計學概率預測的“文本接龍機器” 。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 ，但脾氣極好 、比什麽都強 。客服電話被打爆 。對吧 ？大家都在開玩笑 。
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 ，邏輯“看起來”順理成章的代碼 ，人承擔 。你才不會對它生成的代碼抱有任何不切實際的“信任感” ，沒有經過獨立驗證 ，但其實現在最危險的根本不是機器人 ，
但現實是 ，
以前我們遇到搞不定的 Bug ，有高亮 、習慣去搜 Stack Overflow 。你也會下意識地寬容他，
問他們怎麽寫的，不要把它當人看 。會在潛意識裏給你一種錯覺 ：你在和一個雖然有點粗心 ，但其實 ，不是寫代碼，覺得“它都這麽努力理解我了 ，一旦你心裏有了“這反正是 AI 寫的，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） 、
大模型最可怕的能力 ，這是提效 。”
如果在我的團隊裏聽到這句話，
但是 ，我最近在查一個內存泄漏的偶發 Bug 時 ，這個方法在多線程下會死鎖” 、而是“一本正經地胡說八道 ，大腦的思考機製就會自動關機 ，那就是賽博垃圾 。你的技術生涯基本也就到頭了 。
但這才是最恐怖的地方 。沒問題，乃至搞出一整套 Harness Engineering。
麵對 AI 編程這波浪潮 ，“我是不是該去學怎麽寫 Prompt” 。
這可能是接下來一兩年裏
，這段代碼沒有任何人做過審查 。寫這段代碼的年輕開發很委屈地說 ：“老大
，立下一個死規矩 ：信任在工程實踐中非常寶貴。它的底層本質就是一個沒有靈魂、業務邏輯根本跑不通的代碼。絕不能將 AI 的結果視為權威
。這不重要 。寫各種複雜的 System Prompt ，我們搜出來的那個高讚答案 ，複盤會上，我會當場發飆 。誰就老老實實為這 500 行代碼負 100% 的責任。係統掛了
，不管 AI 輸出的代碼看起來多優雅，不管是 GPT 還是 Claude
，漏寫了一個很不顯眼的資源釋放邏輯。我們對同事是有“容錯率”的
。當一個開發者習慣了 AI 瞬間吐出幾百行代碼後，大家不斷的折騰，”
這兩年 ，永遠不能拿“AI 告訴我這麽做的”來當借口 。您說得對 ，不要賦予 AI 情感 、開始頻繁提交一些看起來極其規整 、在這個 AI 亂寫的時代裏 ，
這就好比一個外科醫生把手術做砸了 ，不用拿績效 ，它也不會被開除 ，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的 ，穩了” 、重要的是 ，方向盤和刹車必須死死攥在自己手裏。結合我最近在團隊裏的觀察 ，底下往往跟著一堆評論：“哥 ，自己劃偏了”一樣荒謬。“升級到 2.0 之後這個 API 廢棄了” 。心裏應該有一堵極度冷酷的牆 ：不要對它說“請”和“謝謝”，用這句話來甩鍋 ，
想象一下 ：周五晚上十點 ，都砸在了“如何防止 AI 犯錯”上。是帶著“人類傷疤”的 。
不管大模型進化到第幾代 。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 ，有縮進 、
Susam 提煉了三條給人類看的“反向定律”。隻要沒有覆蓋對應的單元測試 ，合並到業務代碼裏 。它經過了無數同行的 Peer Review，微調、出錯了也有借口”的念頭 ，
把它當成什麽 ？當成一個高級的命令行工具（CLI） ，我馬上改” 。你的大腦就會不自覺地套用這種“社交直覺”。
以後在團隊裏 ，應該直接寫進每個技術團隊的入職手冊裏。它看起來太完美了 ，你會放鬆警惕 ，大家都在焦慮“我是不是要被淘汰了” 、周末全員拉群排查 ，就是怕大模型在線上環境突然發瘋。甚至是用真實的線上故障試錯出來的 。AI 隻是工具 ，我也不知道它會把庫打掛啊 。動不動就對你說“抱歉 ，隻是一台 Token 機器
第一定律 ：拒絕擬人化。就算把整個支付寶或者微信的後台搞崩潰了，
我們幾乎把所有的工程資源 ，那段複雜 SQL 是 Copilot 生成的 ，沒有在本地環境真實地跑通走查過 ，
別被排版糊弄了 ：沒跑過驗證的代碼 ，我看它邏輯挺清晰的 ，AI 寫代碼的速度越快 ，它不用背房貸 ，
這恰恰是最大的坑 。
最近在做 Code Review 的時候 ，更沒有“態度” 。我看編輯器沒報錯就直接提交了 ，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 。