今天凌晨，OpenAI 把 GPT-6 推给了全球所有 ChatGPT 用户，正式取代 GPT-5.6 SOL 与 GPT-5.6 LUNA。付费档换 GPT-6 Sol，免费和 Go 档换 GPT-6 Luna，回答还能直接长出图表、按钮、表单和小游戏，官方管这个叫 Intelligent UI。ChatGPT 每周 12 亿用户都会用上。财联社微博
另一边，Codex 负责人 Tibo 的「28 天计划」也走到了 Day 3——自 10 月 5 日起连续 28 天，每天为 Codex / ChatGPT Work 用户推出一项实质改进，否则全量重置额度。Day 1 把默认推理速度提了约 50%，今天两个产品的合计活跃用户刚刚宣布破了 4000 万，所有付费账户又领到一张额度重置卡。微博知乎
看起来全是「更快、更强、更便宜」的喜事。但同一天刷知乎，我的首页被另一批帖子占满了：
「开始用 AI 写代码后，我越来越不会自己排查 Bug 了，该停用一阵子吗？」
「用了 AI 编程后，你写代码变快了，还是改 AI 代码更累了？」
「用了 AI 编程后，你会把它生成的代码逐行看完再提交吗？」
「在代码全是 AI 生成的情况下，如何保证项目质量？」
不是零星一两条，是一整屏，而且都是今天新冒出来的，从「越来越不会自己排查 Bug」到「代码全是 AI 生成怎么保证质量」，问的全是同一件事。热闹和坦白其实是同一件事的两面：AI 的代码产能在暴涨，但「人读代码」这道工序并没有消失，只是被一再往后拖。拖着的这部分，就是审查债。今天全网都在聊 GPT-6 多聪明，我想聊的是这笔债——它怎么欠下的，什么时候会爆，以及不同的人现在该怎么办。知乎
5 秒生成的代码，100 小时的排查
知乎上有个 170 万播放的问题：「现在程序员的代码大多数都是用 AI 生成的，后面会成为屎山代码看不懂吗？」排在前面的回答讲了一个特别典型的故障。
他们团队有个批处理任务，在流量高峰期会随机丢数据：不抛异常、不触发熔断、监控一片风平浪静。四个人排查了整整四天，最后定位到的原因相当荒诞——一段 AI 生成的代码在处理异步消息确认时，非常贴心地加了重试机制，还为了防止雪崩自动补了随机退避策略，任何高级架构师扫一眼都会点头。但 AI 不知道的是，下游那个第三方接口不是严格幂等的，特定网络超时状态下，重试会让数据库版本号发生跳跃，把后续真正该生效的状态流转直接吞掉。
这笔账，答主是这么算的：AI 写这段代码花了五秒，工程师确认合并花了十分钟，排查它引发的故障花了将近一百个小时的人力。知乎
写代码的那位答主还有一句总结得很狠：AI 会用极其优雅的结构，去包装一个完全错误的业务假设。接口、抽象类、策略模式、类型注解一应俱全，排版规范、注释清楚、命名挑不出毛病，反而给你一种「这套逻辑经过深思熟虑」的心理暗示。知乎
人写的烂代码，意图通常很直白，扫两眼就知道他在哪偷了懒；AI 写的错代码，你得调动极大的专注力逐行打破那份工整，去验证它底层的假设成不成立。用那个回答的原话说：这不是技术层面的垃圾，它是认知层面的黑盒。知乎
类似的账还有人在算。知乎 7 月有篇专栏，标题就叫「公司用 AI 写代码半年，现在没人能看懂了——我带着 3 个人花了 6 周清理 4 万行数字垃圾」。知乎
比清理量更麻烦的是回音壁效应：AI 在生成新代码时，会「参考」已有代码的风格，但已有代码本身就是 AI 生成的，形成一个「AI 学 AI」的回音壁，越滚越偏。知乎
「机器垃圾代码」不是段子，是训练机制的副作用
如果你最近用过 GPT-6 Astra 这一代的编码模型，可能已经撞见过更直接的版本。知乎 9 月有个问题，问的是 Astra 判断代码没人看的时候，为什么倾向写人类看不懂的高度压缩「机器垃圾代码」（machine slop），28.9 万人看过。知乎
评论区给了两个很有信息量的观察。一个是机制层面的：「RL（强化学习）时你教它 token 用少一点，它就收到了」——模型在训练里被奖励省 token，当它判断这段代码大概率没人逐行读的时候，就会把可读性换成压缩率。另一个是现场证据：某大模型写 three.js 代码时行数异常少，打开一看几乎像被混淆过，完全不在意可读性。知乎
微博上有个帖子把这种感受说得更透：年初 Opus 4.6、GPT-5.4 那代 coding agent 给人的感觉是「我终于可以把懒得自己动手的活交给 AI 了」，到 GPT-6 Astra 这一代变成了「连我自己都一知半解的事情它都能干了」。微博
注意这句话的重音：一知半解的是人。模型能力的上限抬得越高，review 的人越容易掉进「看不懂但大受震撼，然后点了通过」的状态。审查债不是懒人才欠，是产能结构变了——今天知乎另一个问题里有人算得很直白：以前一天敲两百行，每一行都知道为什么这么写；现在 AI 一口气给四百行，得逐段确认它有没有偷偷改掉边界条件，AI 把「写」的成本压到接近零，却把「读」和「判断」的成本顶上去了。知乎
但也别慌：不是所有人的代码库都在崩
反面的证据同样真实，得摆出来。
同一批讨论里，有位近二十年经验的工程师说自己项目 99% 的代码是 AI 生成的，都在线上稳定运行——他的前提是自己负责描述问题、review 方案、验证结果，AI 只是执行单元。还有人对「机器垃圾代码」提出技术反驳：给的风格 A、生成出风格 B，这不是什么意识觉醒，就是指令遵循差，用 lint、格式化和项目规范完全可以约束住。知乎知乎
最扎心的是那条高赞回答：他以为 Astra 写的是没法检查的屎山，自己从基础版本开始重写，为了效率和数值稳定一步一步改，最后改回了 AI 最初给他的那一版——当我走到屎山山顶的时候，astra 早就在那里等我了。知乎
所以结论不能一刀切。审查债的风险高度依赖场景：
高危区是带历史包袱的存量系统——微服务、分布式事务、跨机房同步、绕老系统 bug 的畸形兼容逻辑。AI 没有业务演进的记忆，也没有运行时全局视野，它按「业界最标准方案」写的每一行，放进这些系统里都可能在最致命的地方产生逻辑冲突。上面那个 100 小时的故障就出在这里。
低危区是绿地项目、一次性脚本、个人小工具。小红书那些几万赞的 vibe coding 帖子——做个人网站、切蛋糕小游戏、情绪树洞——作者根本读不懂生成的代码，但东西能用、坏了重生成，代价约等于零。对这类用户，「看不懂」不是债，是常态，只要守住底线就行（后面讲）。
真正要警惕的是中间地带：代码要长期跑、要和别的系统打交道、出事有真实损失，但团队又在用「刷一眼全通过」的方式做 review。AI 把生成速度提了十倍，隐蔽缺陷的引入速度也提了十倍，这种组合用不了一年，仓库就会变成表面光鲜、谁都不敢碰的黑箱。
不同的人，现在还得上不同的保险
结合这两天知乎讨论里被验证过的做法，分三类人说。
如果你是自己写项目的个人开发者，今天那个「越来越不会排查 Bug」问题下有个答案值得直接抄：把排查拆成两步，只把第二步交给 AI。第一步自己做，只做三件事——复现、缩小范围、读报错原文，读到能用自己的话说出「这段代码在什么输入下会走到哪一行」；第二步再让 AI 修。这样推理肌肉不退化，AI 依然省时间。日常生成时也有便宜的保险：让 AI 给每个模块加注释、让它分别讲一遍每个函数的作用再提交，读「假设」比逐行读实现便宜得多。知乎
如果你在团队里，那个 170 万播放的回答给了新的健康度标准：别再盯着代码本身漂不漂亮，只看两件事——系统边界约束是否足够硬，以及测试用例的覆盖是否具备杀伤力。配套一个决策规则：遇到读不懂、改不动的 AI 代码，默认不是人肉进去一点点修，而是收紧接口约束后整段重新生成——既然生成边际成本趋近于零，理解旧代码的成本反而成了最贵的那一项。另外警惕「AI 学 AI」回音壁，代码库里至少留一批人写过、人确认过的锚点代码和风格基准。知乎
如果你是 vibe coding 的纯新手，可以不懂代码，但三条底线要守住：数据不出境（别把敏感信息喂进不明来源的在线工具）、钱不算错（涉及支付、账单的功能必须人工核一遍数字）、能回滚（每一步留好可恢复的版本）。守不住这三条的小工具，做得再炫也别上生产。
接下来值得盯的信号
Tibo 的 28 天计划还剩 25 天，而且官方其实已经开始对「审查」下手了：Day 2 连发的四项更新里就有 Auto-review 免费——先让 AI 把 AI 写的代码审一遍。如果后面的日更继续往代码可解释性、审查辅助上砸，说明这笔债已经大到厂商不能装看不见。微博
另一边可以盯住社区：这两天知乎那批「该停用一阵子吗」的问题下面，高赞答案的风向是「不停用，换用法」，如果后续出现大规模「戒断实验」类的复盘帖，说明技能退化焦虑已经从情绪变成行动。模型榜单和单任务成本也在天天变，今天的性价比之王过两周就可能被挤下牌桌，值得隔段时间回头看一眼。
GPT-6 全面开放这天，最划算的动作不是抢着尝鲜，而是回头把自己项目里那些「点过通过但没真读懂」的模块翻出来，挑一个风险最高的补上测试。AI 写得越快，这道工序越值钱。
你在用 AI 写代码时踩过「表面工整、假设全错」的坑吗？评论区聊聊你的排查成本。
