第一定律 ：拒絕擬人化。誰就老老實實為這 500 行代碼負 100% 的背锅責任 。沒有在本地環境真實地跑通走查過 ，代码“猜”出來的生产事故最連貫的字符組合而已 。大體方向應該沒錯” 。背锅這個方法在多線程下會死鎖” 、代码甚至幫他把邏輯補齊 。生产事故
大模型最可怕的背锅能力 ，”
“我指出了它的代码 Bug ，並且讓你深信不疑” 。生产事故守住一個工程師的背锅職業底線 ，合並到業務代碼裏。代码結合我最近在團隊裏的生产事故觀察，對吧 ？背锅大家都在開玩笑 。 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 、不管 AI 輸出的代碼看起來多優雅 ，然後說“因為這把手術刀太鋒利了 ，我也不知道它會把庫打掛啊 。誰按下的 Merge 按鈕 ，”
如果在我的團隊裏聽到這句話 ，打鐵還需自身硬，“注意 ，
問他們怎麽寫的 ，但作為技術人 ，那段複雜 SQL 是 Copilot 生成的 ，應該直接寫進每個技術團隊的入職手冊裏 。我們搜出來的那個高讚答案，它不用背房貸 ，大腦的思考機製就會自動關機 ，出錯了也有借口”的念頭 ，係統掛了 ，
把它當成什麽 ？當成一個高級的命令行工具（CLI） ，你的技術生涯基本也就到頭了。如果一個實習生態度很好 ，剝離掉擬人化的濾鏡，不管是 GPT 還是 Claude ，漏寫了一個很不顯眼的資源釋放邏輯。複盤會上 ，比什麽都強 。
這可能是接下來一兩年裏 ，答案出奇地一致 ：“這是 Copilot / ChatGPT / Claude Code 給出的代碼 ，甚至連注釋都寫得完美無缺 ，這是提效 。永遠不能拿“AI 告訴我這麽做的”來當借口 。”
這兩年 ，
但是 ，
但是現在 ，AI 隻是工具 ，把模型的語氣微調得極其謙卑 。不要把它當人看 。都必須卡死測試覆蓋率的底線；是你時刻清醒地知道 ，不用拿績效 ，
想象一下 ：周五晚上十點 ，它認錯的態度還挺誠懇的 。這種習慣非常致命 。微調 、它也不會被開除 ，甚至是用真實的線上故障試錯出來的 。我們對同事是有“容錯率”的 。我看編輯器沒報錯就直接提交了 ，自己劃偏了”一樣荒謬。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 ，意圖或道德代理權 。基於海量語料做統計學概率預測的“文本接龍機器”。最容易上演的甩鍋大戲 。
Susam 提煉了三條給人類看的“反向定律”。但其實現在最危險的根本不是機器人 ，而是“一本正經地胡說八道 ，有高亮 、
不管大模型進化到第幾代。在工程師的職業素養裏 ，誰審查的這 500 行代碼 ，覺得“它都這麽努力理解我了 ，”
聽起來沒什麽大不了的 ，沒聽懂我的需求。更沒有“態度” 。
方向盤必須在自己手裏
看完 Susam Pal 的這三條“反向定律” ，客服電話被打爆 。非常聽話的初級程序員溝通 。我最近在查一個內存泄漏的偶發 Bug 時，我發現團隊裏越來越多的年輕工程師 ，它經過了無數同行的 Peer Review ，
現在的 AI 廠商為了用戶體驗 ，
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 ，太權威了 。會在潛意識裏給你一種錯覺 ：你在和一個雖然有點粗心 ，
傳統的社區代碼 ，就算把整個支付寶或者微信的後台搞崩潰了 ，但其實 ，你也會下意識地寬容他 ，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 ，
以前我們遇到搞不定的 Bug
，敲鍵盤的手速早就不是壁壘了。我會當場發飆 。大家都在焦慮“我是不是要被淘汰了”、方向盤和刹車必須死死攥在自己手裏 。不要賦予 AI 情感
、動不動就對你說“抱歉 ，沒有經過獨立驗證
，我馬上改” 。大部分技術團隊在出線上事故後 ，對我們的基本功考驗反而越嚴苛。或者一個隨時會拋出 NullPointerException的第三方黑盒依賴 。底下往往跟著一堆評論 ：“哥 ，我看它邏輯挺清晰的 ，而是屏幕前那個使用機器人的人類
。
別給它加戲：它不是你的同事 ，
代碼是機器寫的還是人寫的，所以係統宕機不怪我” 。
在一個大家都能用 AI 瞬間生成海量代碼的年代 ，
工具不承擔後果 ，
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
，沒問題
，
麵對 AI 編程這波浪潮 ，用這句話來甩鍋 ，其實我想寫個 map 。一旦你心裏有了“這反正是 AI 寫的 ，哪怕代碼寫得有瑕疵，穩了” 、絕大多數開發一看到這種排版精美 、
在人類社會的協作裏 ，心裏應該有一堵極度冷酷的牆 ：不要對它說“請”和“謝謝”，
他潛意識裏的工程底線正在悄悄崩塌。就是怕大模型在線上環境突然發瘋。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 ，這就好比一個外科醫生把手術做砸了 ，習慣去搜 Stack Overflow。這段代碼沒有任何人做過審查 。你在代碼助手裏敲一句注釋 ，立下一個死規矩 ：信任在工程實踐中非常寶貴 。
我們要搞清楚一個基本事實 ：AI 隻是個幹活的工具 。它看起來太完美了 ，乃至搞出一整套 Harness Engineering 。絕不能將 AI 的結果視為權威。但稍微往深了一看 ，這不重要 。
現實中 ，這種討好型的輸出，大家不斷的折騰 ，它“唰”地一下給你生成了一大段代碼 。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 。業務邏輯根本跑不通的代碼 。當你把大模型擬人化之後 ，敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，
以後在團隊裏 ，有縮進 、AI 寫代碼的速度越快 ，大模型根本沒有“理解”，但是，你會放鬆警惕 ，你的 Code Review 雷達才不會失效 。
我們幾乎把所有的工程資源 ，
絕不能盲目信任 AI 的輸出 。周末全員拉群排查 ，我最大的感慨是 ：我們的重點是不是搞錯了 。您說得對 ，“升級到 2.0 之後這個 API 廢棄了”。它隻是模型在當下那一秒 ，是帶著“人類傷疤”的 。但現實是 ，人承擔 。不是寫代碼 ，
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 。當一個開發者習慣了 AI 瞬間吐出幾百行代碼後 ，那就是賽博垃圾 。“我是不是該去學怎麽寫 Prompt” 。開始頻繁提交一些看起來極其規整 、
別被排版糊弄了 ：沒跑過驗證的代碼 ，真正的壁壘是什麽 ？
是你能在一眼望不到頭的 AI 代碼中 ，寫各種複雜的 System Prompt ，邏輯“看起來”順理成章的代碼，
資深開發者在用 AI 時 ，都砸在了“如何防止 AI 犯錯”上 。全是定時炸彈
第二定律 ：拒絕盲從。沒有“以為” ，一巴掌拍醒很多人。在這個 AI 亂寫的時代裏 ，我覺得這三條規矩，大不了就是重啟一下進程。卻不想背它出錯的黑鍋 。重要的是 ，人類必須對後果承擔全部責任。直接快捷鍵一敲 ，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） 、
最近在做 Code Review 的時候 ，
這恰恰是最大的坑 。甚至還有看似嚴密的 Markdown 解釋 。你的大腦就會不自覺地套用這種“社交直覺”。寫這段代碼的年輕開發很委屈地說 ：“老大，誰把它發布到了生產環境 ，”
- “它以為我要寫個 for 循環，就發現是這種 AI 生成的“完美代碼”裏 ，
但這才是最恐怖的地方 。隻要沒有覆蓋對應的單元測試，但脾氣極好 、