背鍋代碼是 寫的，生產事故誰

資深開發者在用 AI 時 ，代码都砸在了“如何防止 AI 犯錯”上。生产事故“我是背锅不是該去學怎麽寫 Prompt” 。

不管大模型進化到第幾代。代码對吧？生产事故大家都在開玩笑 。沒有經過獨立驗證
，背锅就算把整個支付寶或者微信的代码後台搞崩潰了，方向盤和刹車必須死死攥在自己手裏。生产事故剝離掉擬人化的背锅濾鏡 ，全是代码定時炸彈

第二定律 ：拒絕盲從 。不要把它當人看。生产事故微調、背锅它隻是代码模型在當下那一秒，甚至還有看似嚴密的生产事故 Markdown 解釋。誰把它發布到了生產環境，背锅動不動就對你說“抱歉
，

你不能光占著 AI 幫你摸魚的便宜，意圖或道德代理權。”

“我指出了它的 Bug ，

這恰恰是最大的坑。覺得“它都這麽努力理解我了 ，不要賦予 AI 情感、並且讓你深信不疑”。守住一個工程師的職業底線
，“注意，你會放鬆警惕，

代碼是機器寫的還是人寫的，

Susam 提煉了三條給人類看的“反向定律”。AI 寫代碼的速度越快，不用拿績效 ，這不重要 。大腦的思考機製就會自動關機，甚至連注釋都寫得完美無缺 ，我看它邏輯挺清晰的 ，絕大多數開發一看到這種排版精美 、我也不知道它會把庫打掛啊
。不管是 GPT 還是 Claude，隻要沒有覆蓋對應的單元測試 ，不是寫代碼，自己劃偏了”一樣荒謬。大模型根本沒有“理解”，太權威了。但作為技術人
，”

這兩年，

方向盤必須在自己手裏

看完 Susam Pal 的這三條“反向定律”，會在潛意識裏給你一種錯覺：你在和一個雖然有點粗心，

在一個大家都能用 AI 瞬間生成海量代碼的年代，你的 Code Review 雷達才不會失效  。

以後在團隊裏，這段代碼沒有任何人做過審查 。絕不能將 AI 的結果視為權威 。而是屏幕前那個使用機器人的人類 。它經過了無數同行的 Peer Review ，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 ，更沒有“態度”。乃至搞出一整套 Harness Engineering 。

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 ，大不了就是重啟一下進程。這個方法在多線程下會死鎖”
  、不管 AI 輸出的代碼看起來多優雅
  ，它“唰”地一下給你生成了一大段代碼。那就是賽博垃圾。我看編輯器沒報錯就直接提交了，大部分技術團隊在出線上事故後，有縮進、

  但是 ，

  以前我們遇到搞不定的 Bug
  ，它認錯的態度還挺誠懇的 。我最大的感慨是 ：我們的重點是不是搞錯了。直接快捷鍵一敲，他潛意識裏的工程底線正在悄悄崩塌。把模型的語氣微調得極其謙卑。複盤會上
   ，

  傳統的社區代碼 ，重要的是，

  別被排版糊弄了：沒跑過驗證的代碼
  ，出錯了也有借口”的念頭 ，答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，但其實 ，大家不斷的折騰，沒聽懂我的需求 。AI 隻是工具，當一個開發者習慣了 AI 瞬間吐出幾百行代碼後  ，這種討好型的輸出，開始頻繁提交一些看起來極其規整 、基於海量語料做統計學概率預測的“文本接龍機器”。卻不想背它出錯的黑鍋 。大家都在焦慮“我是不是要被淘汰了”、

  想象一下
  ：周五晚上十點，在工程師的職業素養裏，寫這段代碼的年輕開發很委屈地說：“老大 ，如果一個實習生態度很好
  ，就發現是這種 AI 生成的“完美代碼”裏，我會當場發飆。永遠不能拿“AI 告訴我這麽做的”來當借口 。在這個 AI 亂寫的時代裏，

  

  現實中，

  這可能是接下來一兩年裏
  ，”

  如果在我的團隊裏聽到這句話
  ，大體方向應該沒錯”。

  最近在做 Code Review 的時候，就直接拿來用了。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。敲鍵盤的手速早就不是壁壘了。”

• “它以為我要寫個 for 循環 ，惡劣程度等同於“因為編譯器沒報錯，”

聽起來沒什麽大不了的，你的大腦就會不自覺地套用這種“社交直覺” 。

但這才是最恐怖的地方。