你的工作是交付已验证且可运行的代码

文章主旨：

作者认为，在大模型赋能开发、AI快速产出代码的背景下，程序员不能把AI生成的代码简单扫一眼就提交PR，而应承担最终责任，通过手动测试与自动化测试证明代码确实可用后再交付。

关键要点：

• AI提升代码产出速度，但复制AI代码后简单扫一眼就提交PR，属于严重的工作失职。
• 程序员的职责不只是埋头写代码，更重要的是交付能正常运行的代码；系统后续迭代与维护最终仍要依靠程序员把控。
• 验证代码可用至少需要两步：手动测试与自动化测试。手动测试是基础，需完整运行、搭建匹配环境、跑通业务流程，并保留终端命令与输出截图。
• 自动化测试用于弥补手动测试效率低的短板，且LLM工具使其更容易；但自动化测试不能替代手动测试，因为脚本只覆盖预设场景，难以模拟真实业务中多变的用户操作。
• 大模型不会为线上故障承担任何责任，项目内所有代码产出的最终责任是开发者；应引导AI编码工具完成验证闭环，交付经过完整验证的代码。

内容结构：

引言

大模型赋能开发已成常态，程序员产出代码的速度明显变化。但作者指出，把AI产出的代码复制出来、简单扫一眼就提交PR，是严重的工作失职。作者重申此前观点：系统长久的迭代与维护最终仍要依靠程序员把控；在AI普及的今天，程序员职责不只是写代码，更是交付能正常运行的代码。

一、怎么证实你的代码确实可用？

• 手动测试是基础前提：无论代码是程序员自己写的还是AI生成的，都应完整运行一遍。测试不是为了避免当下不出问题，而是防患于未然。可先搭建匹配项目的运行环境，设定初始业务状态，跑通业务流程，确认核心功能符合需求，并把操作终端命令、运行输出截图附在提交记录中；功能运行良好后，再测试各种极端情况。
• 自动化测试用于弥补手动测试效率低的短板：现在有了LLM工具，自动化测试比之前容易得多，更没有省略的理由。提交PR时要注意补充相应的自动化测试。原文提及可参考《LLM如何重塑自动化测试的底层逻辑》，但未展开说明。
• 不能因自动化测试跳过手动测试：自动化脚本只能覆盖预设场景，很难模拟真实业务中多变的用户操作。手动测试搭配自动化测试，才能更好验证代码的实用性与可靠性，避免线上出现未知故障。

二、让你的AI编码工具先证明这一点

• LLM领域的重要趋势是AI编码工具爆炸式增长。Claude Code、Codex CLI等工具可以自主运行生成的代码，因此要学会引导AI完成完整的验证闭环。
• 日常开发时，可以提前配置指令，引导Claude Code自主调用程序执行测试，快速筛选语法错误和逻辑断层。
• 开发后端接口时，仅依靠控制台日志很难完整验证接口链路，就可以要求AI生成改动代码后自动发起接口请求，校验入参、返回数据、异常场景响应结果，提早发现参数校验遗漏、事务失效这类日志难以暴露的隐性问题。

三、开发永远是代码的最终责任人

• 底线不变：大模型不会为线上故障承担任何责任，项目内所有代码产出的最终责任是开发者。
• 借助LLM生成代码的门槛极低，输入需求描述就能产出上千行代码并快速提交PR。这种无门槛的代码产出已没有稀缺价值，真正稀缺的是交付经过完整验证的代码。
• 很多开发者太依赖AI，已经忘记之前古法编程的感觉。但代码一旦线上出现崩溃，责任只会追溯到提交代码的本人。
• 程序员每次提交PR之前，一定要确保自己的代码是经过测试的。

参考资料

原文附参考资料：Simon Willison：Your job is to deliver code you have proven to work。

文章总结：

AI可以加速编码，但不能替代开发者的验证与责任；提交PR前必须证明代码可用，交付经过完整验证的代码。