S25-A06 · 面试设计：怎么问出真实能力

面了十个人，评价都不错，来的那个却连需求都拆不开。问题不在候选人撒谎，在于流程测的东西和岗位要的东西不是一回事：问的是"知不知道"，用的是"能不能做"的假设。面试本质是一次采样精度很低的预测，设计面试就是设计采什么、怎么采、采到的数怎么用。

1. 面试要预测的是什么

预测目标	一小时能测到什么	最省的题	常见替代品（错）
能否完成岗位真实任务	部分，看他做过什么	做过的事追问	知识点问答
上手速度（学习曲线）	弱，需给新东西	现场学一个新概念再讲	工作年限
协作与冲突处理	中，看细节	行为追问要冲突	"性格好不好"
判断力（取舍）	中	设计题要代价说明	谁背的架构名词多
稳定性与动机	几乎不可测	只作弱信号	"为什么离职"

判据：面试的有效输出不是分数，是**"他做过的任务与岗位任务的交集有多大"**。

2. 题目有效性排序

题型	信噪比	单题成本	主要失真
做过的事追问	高	45–60 min	只能覆盖他真做过的部分
场景题	中高	30–45 min	题意理解差异
编码题	中低，只筛下限	30–45 min	背题、临场紧张
知识点问答	低	5–10 min	与能力相关性弱
自我介绍	极低	5 min	全是预期答案

排序不该按难度或"公平感"，按与岗位任务相似度 × 不可背诵性。

3. 行为追问：STAR 的陷阱

层	追问要什么	编造露在哪
情景	时间、团队规模、你的角色	说不清自己在哪一环
任务	目标数字、谁定的、约束	"我们想优化一下"
行动	具体动作、谁反对	全程"我们"
结果	数字、口径、多久见效	无量化，或前后矛盾

问：这个项目上线后，哪个指标变了？
1. 改之前是多少？口径是什么？
2. 这个数是你测的，还是别人给你的？
3. 只保留一个改动，你留哪个？
4. 当时谁反对？你怎么说服的？
5. 现在回看，哪一步是错的？
6. 重做的话，第一步做什么？

判据：没有失败细节的行为叙述按未验证处理。真做过的人对"错在哪"有具体答案，编的人只有宏大叙事。

4. 场景题：歧义、取舍、约束

好题	坏题
需求故意不完整，看他先问什么	需求写全，等于考阅读理解
至少两个方案都合理	有唯一标准答案
有硬约束（预算、人力、时间）	无约束的"设计一个微博"
有失效场景可讨论	只走正常路径

题面：{{业务}} 现在 {{现状指标}}，要求在 {{约束}} 内把 {{目标}} 提到 {{量级}}。
不给：技术选型、团队规模、预算上限。
观察：先问哪三个问题；给出几条方案；能否说出"什么情况下方案会崩"。

场景题看的是提问能力，不是答案。上来就给方案、不问约束的人，在真实项目里会让你替他收拾需求。

5. 编码题的真实作用与代价

作用	有效性	代价
筛掉完全不会写的人	高	低，30 分钟够
区分中高级	低，噪声大于信号	高
看调试与沟通	中，需允许提问	面试官投入
考察背题能力	反向	高，且会筛掉好工程师

编码题是下限筛子，不是上限标尺。用 45 分钟算法题区分 senior 与 staff，等于用体温计量身高。

题面也可以参数化，避免每个面试官临场改口径：

# code-task.yaml —— 考什么写成参数，而不是口头描述
task: "统计日志中出现次数 Top-K"     # 30 行内可完成
timebox: 35
allowed:  [查文档, 提问, IDE 补全]
forbidden: [搜索题解, AI 助手]
observe:  [空输入, 边界下标, 命名, 是否先问数据规模]
grade:    { logic: 2, edge: 2, talk: 1 }   # 合计 5，≥3 通过

6. 系统设计题：四个评分维度

维度	观察什么	满分锚点	零分锚点
需求澄清	先问 QPS、读写比、一致性	列假设并标注	直接画架构图
容量估算	量级与单位	数量级正确，能指瓶颈	数字随口给
取舍说明	为什么选 A 不选 B	说清代价与放弃了什么	只堆名词
失效分析	单点、超时、降级	指出两处会崩的地方	假设一切正常

四维里失效分析最能区分级别：中级知道系统怎么工作，高级知道它怎么坏。

7. 校准：评分表与对齐会

机制	解决什么	成本	失效点
结构化评分表	维度漂移	一次设计，长期用	维度太细，面试官填不动
双人同场	单人偏见	人力翻倍	互相影响而趋同
对齐会	标准不一致	每月 1–2 小时	只议边界案例
试用期回看	预测准确性	滞后 3–6 个月	没人真做

{
  "role": "backend-senior", "round": "design", "interviewer": "I-03",
  "dims": {
    "clarify":    { "score": 3, "evidence": "先问了峰值 QPS 与读写比" },
    "estimation": { "score": 2, "evidence": "给了量级，未算存储增长" },
    "tradeoff":   { "score": 3, "evidence": "说明了选 MySQL 放弃了什么" },
    "failure":    { "score": 1, "evidence": "未提超时与降级" }
  },
  "verdict": "hire", "confidence": "medium"
}

分数必须带 evidence。没有证据的分数在对齐会上无法讨论，只会退化成"我觉得他不错"。

8. 偏见与噪声

偏差	表现	缓解
相似性偏好	"像我当年"	固定维度 + 双评
首因效应	前五分钟定结论	先写证据再写结论
光环效应	大厂背景覆盖实际表现	只信本场证据
题目泄露	题库流传，分数虚高	轮换题池 + 现场改变量
难度漂移	同岗位不同人难度不同	固定题池 + 校准

噪声主要来自面试官，不是候选人。加题不如加校准。

9. 流程成本与候选人体感

环节	时长	目的	出错的后果
简历筛	10 min	交集判断	短了漏人
初筛	30 min	基本匹配与动机	长了拖慢漏斗
技术面 1–2 轮	各 60 min	能力采样	轮次越多，边际信息越少
终面	30–45 min	判断与协作	常退化成"感觉"
反馈	≤3 工作日	体验与口碑	拖久了人已接别家

轮次边际收益递减：第四轮之后新增的信息量通常低于它带来的流失率。

{
  "stages": ["screen", "tech-1", "tech-2", "final"],
  "sla": { "screen_to_feedback_h": 48, "onsite_total_h": 3.5, "decision_days": 3 },
  "drop_rule": "任一环节拒绝后 24h 内发反馈"
}

10. 级别差异化

级别	主要看	少问	关键题
初级	基础是否扎实、学习速度	架构取舍	给新东西，看他怎么学
中级	独立完成模块、排障	战略问题	给一个坏掉的系统
高级	判断力、影响范围	语法细节	跨团队冲突 + 取舍
专家	定义问题的能力	编码细节	让他指出我们方案错在哪

同一套题评所有级别，结果是按"表达流利度"排序。

11. 反作弊

手段	拦得住	误伤
共享屏幕 + 现场改需求	远程搜答案	紧张的人表现下滑
追问"为什么这样写"	AI 代答	表达弱但真会的人
现场调试已有代码	复制粘贴	环境不熟的人
编辑历史与时间戳	事后补写	正常查文档

正确姿势是提高**"必须现场产生"**的比重，而不是加监考：改一个变量、让他在不熟的代码里定位一个 bug，比任何监控都有效。

12. 排错

现象	原因	处理
面完都说好，入职不行	题测的是知识不是任务	换成做过的事追问
面试官结论总打架	无评分维度	建评分卡 + 对齐会
通过率忽高忽低	题目泄露或难度漂移	轮换题池
候选人放鸽子	流程太长、反馈太慢	压缩轮次
招不到人	标准高于市场	拆维度，允许单维弱
高级候选人拒 offer	面试像考试	改成对话式设计评审

13. 边界

场景	不做结构化流程的理由	替代
极稀缺岗位（一人岗）	流程成本高于选错成本	作品 + 一次深聊
初创团队	没有面试官储备	真实小任务（付费试做）
内部转岗	已有工作证据	直接看历史产出
校招批量	人均结构化成本过高	统一笔试 + 抽样面试

结构化面试是降低方差的工具，不是提高上限的工具。候选池里只有一个合适的人时，降方差没有意义。

14. 自测

岗位要的是"能完成任务"，为什么知识点问答仍然是最常用的题？
行为追问里，哪个信号出现就该把这段经历按未验证处理？
场景题给出的约束越少，损失的是什么？
编码题在什么情况下会系统性筛掉好工程师？
评分卡里为什么 evidence 字段比 score 更重要？
什么条件下应该放弃结构化流程，而不是把流程做得更细？