一场面试结束，三位面试官给的分是 4、3、4（5 分制），而讨论时谁也说不清差在哪。有人记得"答得挺快"，有人记得"某个问题卡住了"。最后按平均分录取——而平均分抹掉的恰恰是分歧本身，而分歧通常是最有价值的信息。平均分还有一个副作用：它让"明显不合格但被两项高分平均掉"的人通过。而这正是最不该发生的一类误招。
评价表的作用不是"打分更公平"，而是把评价落成可核对的具体项。一旦每一项都能对应到"他当时说了什么"，分歧就有了讨论的基础。
1. 评价表的三个层次
| 层次 | 内容 |
|---|---|
| 维度 | 技术深度、问题拆解、协作、沟通 |
| 行为锚 | 每个维度"做到什么样"算达标 |
| 证据 | 对应到具体问答 |
只有第一层的表是"打分表"，加上第二层才是"评价标准"，加上第三层才可用于复议。
更常见的情况是"每个维度都写了说明，但说明是形容词"："技术扎实""思路清晰"这类描述无法被观察，于是每个人按自己的理解打分，而分歧在讨论时才暴露。
多数团队的表面临一个问题：维度写了，但没人知道"3 分"与"4 分"的界线在哪，于是每个人按自己的标准打分。
2. 行为锚怎么写
| 维度 | 差（2） | 中（3） | 好（4） |
|---|---|---|---|
| 技术深度 | 只答结论 | 能说机制 | 能说边界与代价 |
| 问题拆解 | 直接给方案 | 会先澄清 | 会列约束再选 |
| 协作 | 只讲自己 | 能讲配合 | 能讲冲突怎么收 |
| 沟通 | 需要反复追问 | 能讲清 | 能按听众调整 |
第二列与第三列的差别是"是否知道为什么"；第三列与第四列的差别是"是否知道什么时候不适用"。这个台阶对多数技术岗都成立。
行为锚的价值是让"3 分"变成一个可观察的事实，而不是"感觉一般"。行为锚的写法有个技巧：用"他能说出什么"而不是"他懂多少"。因为"懂"不可观察，而"说出了页分裂对写入放大的影响"可观察、可记录、可复核。
3. 证据怎么写
| 写法 | 可复核性 |
|---|---|
| "基础扎实" | 无 |
| "答对了索引原理" | 低（不可比较） |
| "问到 B+ 树页分裂时，能说出分裂对写入放大的影响" | 高 |
| 上一条 + "但问到组合索引最左前缀时答反了" | 最高 |
证据还应当包含"追问之后"的表现：第一问答对可能是运气或准备，追问一层还能答对才说明真掌握。所以证据记录最好有"追问"这一栏。
第三条开始才叫证据：它包含了"问什么"与"答到什么程度"。第四条加上"哪里不足"，于是分数有了依据。
// 一条完整的证据记录（三行）
问：为什么这个查询走了全表扫？
答：因为 status 选择性低，优化器判断全扫更便宜（正确）
追：那加一个 (status, created_at) 的组合索引会怎样？
答：前缀是 status，仍然低选择性，效果有限（正确）
// 判据：技术深度 4（能说机制 + 能说边界）
评价表还要处理"面试官自己的偏差"：不同面试官对同一候选人的严格度不同，于是"平均分"实际混合了"标准差异"。缓解办法有两种——统一校准（每季度一起看两场录像）或按人归一化（用他历史打分的分布校正）。
// 两种校准方式
1 统一校准：3 人一起看同一场面试录像，各自打分后对比，讨论"为什么差 1 分"
2 归一化：把每个人的分数转成"相对他自己历史评分的分位"
// 前者治标也治本，但成本高；后者成本低，但不能改变标准本身
4. 打分之后的用法
| 用法 | 说明 |
|---|---|
| 平均分 | 结论，但抹掉分歧 |
| 分歧项讨论 | 最有价值 |
| 单项否决 | 关键维度设下限 |
| 记录留档 | 支持复议 |
第三项是必须的：某些维度不该被平均。第四项（记录留档）的价值在半年后：当入职表现与评价不符时，能回看"当时是依据什么判断的"，从而修正面试方法，而不是只能归因于"看走眼"。
比如"诚信""是否会夸大"，这些项不合格时，其它项再高也不该通过。
第二项要具体：只讨论"分差 ≥1 的项"，而不是全表重评。这样讨论时间从半小时降到十分钟，且聚焦在真正有分歧的地方。
// 分歧处理的规则（三条）
1. 只讨论各人打分相差 ≥1 的维度
2. 各自复述"当时问了什么、他答了什么"，不评判
3. 复述完仍不一致 → 记录两种意见，按关键维度下限决定
// 效果：分歧变成"证据核对"，而不是"印象争论"
落地上还要考虑"填表时间"：一张需要 15 分钟填的表，实际会被压缩到 2 分钟。所以表的设计目标应当是"3 分钟内填完且信息足够"——这决定了维度数与证据栏的详略。
// 3 分钟填完的结构（推荐）
维度 1–5：各选一档（下拉）+ 一行证据
关键项：是否合格（是/否，不作平均）
总评：一句话（"建议录用到 X 岗"）
// 反例：8 个维度 × 每项 3 句说明 → 实际填写率低于 50%
5. 表的设计陷阱
| 陷阱 | 后果 |
|---|---|
| 维度太多（>8） | 打分变成填空 |
| 维度重叠 | 同一个问题打两次分 |
| 全是抽象词 | 无法观察 |
| 没有下限 | 平均分掩盖硬伤 |
| 只有分数没有证据 | 无法复议 |
第四项（没有下限）是这类表最常见的结构缺陷：总分制天然允许"用一个强项换一个弱项"，而"诚信""是否夸大经历"这类项不该有交换空间。
第一项很实际：超过 8 个维度时，面试官会在最后 3 分钟凭印象填完，于是整张表的区分度归零。
第三项的典型是"学习能力""抗压能力"——这些词无法在一小时内被观察，写进表里只会得到猜测。
表的结果还要能被"反查"：给定一个入职后表现不佳的人，能否在表里找到当时漏掉的信号。如果找不到，说明表的维度设计漏了某类能力；如果找到了但当时被平均掉，说明缺"关键项下限"。
// 反查的三个问题（每季度对 3 个案例做）
1 当时是否有信号？ → 无：维度漏了
2 有信号但未被记录？ → 证据栏没被认真填
3 有记录但被平均掉？ → 缺关键项下限或权重
6. 排错：五种"评价表没起作用"
| 现象 | 成因 | 处理方向 |
|---|---|---|
| 三个人分差大但说不清 | 无证据栏 | 强制写证据 |
| 所有人都打 3 分 | 行为锚不清 | 补"做到什么样" |
| 讨论变成争论 | 凭印象 | 先复述事实 |
| 入职后不符 | 只看知识不看边界 | 加边界追问 |
| 表填得很满但无信息 | 维度太多 | 减到 5 个以内 |
第二项是"锚不清"的直接后果：当没人知道 4 分长什么样时，中间值最安全第三项（讨论变争论）的根源是"各说各的印象"。解决办法不是"更理性地讨论"，而是把讨论对象从"印象"换成"当时问了什么、答了什么"——一旦落到事实，分歧往往自动消失或变成"信息不同"。
，于是全员 3 分，表失去区分度。
7. 边界：什么情况不必用评价表
| 场景 | 为什么 | 做法 |
|---|---|---|
| 极短面试（15 分钟） | 来不及观察 | 只评 1–2 项 |
| 内部转岗、已共事 | 已知水平 | 只评动机 |
| 招的是极窄技能 | 单维度即可 | 专项评估 |
| 已有多轮独立评估 | 信息已足够 | 只做汇总裁决 |
最后一条与"公平"有关的边界：评价表要能支撑"不录用"，也要能支撑"录用"。只用来拒绝的表会让人倾向找缺点；两张都写，才会逼人写出"他好在哪"。
判断口径一句话：这张表会不会被用来"解释一个不录用"。会，就必须有证据栏（因为你需要向人解释）；不会被解释（内部熟人间），打分表只是备忘。
8. 自测
- 评价表的三个层次分别是什么？为什么只有"维度"的表没有区分度？
- 行为锚里"3 分"与"4 分"的差别是什么？这个台阶为什么对多数技术岗成立？
- 一条合格的证据记录包含什么？为什么"答对了索引原理"不算证据？
- 为什么"某些维度不该被平均"？分歧讨论为什么只讨论分差 ≥1 的项？
- 维度超过 8 个会发生什么？"学习能力""抗压能力"为什么不该进表？
- 判断"是否需要评价表"的那个问题是什么？