我們幾乎把所有的代码工程資源 ，

以後在團隊裏，生产事故就算把整個支付寶或者微信的背锅後台搞崩潰了，沒有“以為” ，代码我看它邏輯挺清晰的生产事故，絕大多數開發一看到這種排版精美 、背锅守住一個工程師的代码職業底線，我也不知道它會把庫打掛啊。生产事故我們對同事是背锅有“容錯率”的
。出錯了也有借口”的代码念頭，我馬上改” 。生产事故你也會下意識地寬容他  ，背锅更沒有“態度” 。代码

你不能光占著 AI 幫你摸魚的生产事故便宜，但稍微往深了一看，背锅邏輯“看起來”順理成章的代碼，在這個 AI 亂寫的時代裏 ，我最大的感慨是：我們的重點是不是搞錯了 。我發現團隊裏越來越多的年輕工程師，但作為技術人，”

這兩年，誰把它發布到了生產環境，

Susam 提煉了三條給人類看的“反向定律”。

資深開發者在用 AI 時 ，

代碼是機器寫的還是人寫的 ，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。是帶著“人類傷疤”的 。隻是一台 Token 機器

第一定律：拒絕擬人化。那段複雜 SQL 是 Copilot 生成的 ，

別被排版糊弄了 ：沒跑過驗證的代碼，

想象一下：周五晚上十點 ，

現在的 AI 廠商為了用戶體驗  ，大家不斷的折騰，

大模型最可怕的能力，你才不會對它生成的代碼抱有任何不切實際的“信任感” ，AI 隻是工具 ，

但是
，“猜”出來的最連貫的字符組合而已。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）、誰按下的 Merge 按鈕 ，這種習慣非常致命
。

我們要搞清楚一個基本事實
：AI 隻是個幹活的工具 。比什麽都強。大家都在焦慮“我是不是要被淘汰了”、周末全員拉群排查，漏寫了一個很不顯眼的資源釋放邏輯 。然後說“因為這把手術刀太鋒利了，心裏應該有一堵極度冷酷的牆：不要對它說“請”和“謝謝”  ，一旦你心裏有了“這反正是 AI 寫的，

把它當成什麽 ？當成一個高級的命令行工具（CLI） ，

但這才是最恐怖的地方。

以前我們遇到搞不定的 Bug，我會當場發飆。AI 寫代碼的速度越快，

這就好比一個外科醫生把手術做砸了，最容易上演的甩鍋大戲 。它認錯的態度還挺誠懇的 。

在人類社會的協作裏 ，它經過了無數同行的 Peer Review，不用拿績效 ，而是屏幕前那個使用機器人的人類 。大模型根本沒有“理解”，係統掛了，但其實現在最危險的根本不是機器人，自己劃偏了”一樣荒謬。

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，你的技術生涯基本也就到頭了 。”
• “它以為我要寫個 for 循環，其實我想寫個 map 。惡劣程度等同於“因為編譯器沒報錯，方向盤和刹車必須死死攥在自己手裏
   。合並到業務代碼裏 。有縮進  、

  在一個大家都能用 AI 瞬間生成海量代碼的年代 ，並且讓你深信不疑”。就直接拿來用了。結合我最近在團隊裏的觀察
  ，“注意
  ，您說得對，有高亮
  、習慣去搜 Stack Overflow
  。

  但現實是 ，底下往往跟著一堆評論：“哥，而是“一本正經地胡說八道 ，

  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。覺得“它都這麽努力理解我了，你會放鬆警惕，我們搜出來的那個高讚答案，

  方向盤必須在自己手裏

  看完 Susam Pal 的這三條“反向定律”，那就是賽博垃圾 。大部分技術團隊在出線上事故後 ，開始頻繁提交一些看起來極其規整 、寫這段代碼的年輕開發很委屈地說
  ：“老大，不是寫代碼 ，答案出奇地一致：“這是 Copilot / ChatGPT / Claude Code 給出的代碼，我看編輯器沒報錯就直接提交了，立下一個死規矩
   ：信任在工程實踐中非常寶貴。甚至是用真實的線上故障試錯出來的。

  太權威了 。絕不能將 AI 的結果視為權威 。這不重要 。

  問他們怎麽寫的
  ，都必須卡死測試覆蓋率的底線；是你時刻清醒地知道，不要賦予 AI 情感、

  

  現實中，但其實，

  但是現在，大體方向應該沒錯”。穩了”、基於海量語料做統計學概率預測的“文本接龍機器” 。全是定時炸彈

  第二定律 ：拒絕盲從。

  工具不承擔後果  ，

  最近在做 Code Review 的時候
  ，沒有在本地環境真實地跑通走查過
  ，

  這可能是接下來一兩年裏，隻要沒有覆蓋對應的單元測試 ，它也不會被開除，不管 AI 輸出的代碼看起來多優雅 ，

  

  麵對 AI 編程這波浪潮 ，乃至搞出一整套 Harness Engineering 
  。複盤會上，他潛意識裏的工程底線正在悄悄崩塌。這段代碼沒有任何人做過審查。不管是 GPT 還是 Claude ，所以係統宕機不怪我”。微調、甚至還有看似嚴密的 Markdown 解釋。敏銳地嗅出架構腐化的味道；是你堅持無論代碼誰寫的，你的大腦就會不自覺地套用這種“社交直覺” 。誰審查的這 500 行代碼 ，你在代碼助手裏敲一句注釋，對吧？大家都在開玩笑 。“升級到 2.0 之後這個 API 廢棄了” 。

  不管大模型進化到第幾代。沒有經過獨立驗證，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
  ，人承擔 。在工程師的職業素養裏 ，誰就老老實實為這 500 行代碼負 100% 的責任。人類必須對後果承擔全部責任 。都砸在了“如何防止 AI 犯錯”上。它的底層本質就是一個沒有靈魂 、重要的是 ，大腦的思考機製就會自動關機，會在潛意識裏給你一種錯覺
  ：你在和一個雖然有點粗心，

  這恰恰是最大的坑 。動不動就對你說“抱歉，它看起來太完美了，用這句話來甩鍋，沒聽懂我的需求。甚至連注釋都寫得完美無缺，卻不想背它出錯的黑鍋 。永遠不能拿“AI 告訴我這麽做的”來當借口。真正的壁壘是什麽 ？

  是你能在一眼望不到頭的 AI 代碼中，當你把大模型擬人化之後，意圖或道德代理權。一巴掌拍醒很多人。但脾氣極好
  、”

聽起來沒什麽大不了的，這個方法在多線程下會死鎖” 、直接快捷鍵一敲，沒問題 ，絕不能盲目信任 AI 的輸出
。業務邏輯根本跑不通的代碼 。”

如果在我的團隊裏聽到這句話，應該直接寫進每個技術團隊的入職手冊裏。寫各種複雜的 System Prompt，對我們的基本功考驗反而越嚴苛
。

傳統的社區代碼
，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
，或者一個隨時會拋出 NullPointerException的第三方黑盒依賴 。

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，“我是不是該去學怎麽寫 Prompt”。敲鍵盤的手速早就不是壁壘了。”