评估标准与复盘
相关文档：
一、衡量是否真的培养出来了
不要只看他学了多少工具，要看他是否出现了下面这些变化：
- 遇到问题时，开始主动定义问题，而不是等指令。
- 遇到新工具时，能快速判断是否值得用。
- 使用 AI 时，能够提出高质量问题并验证结果。
- 面对模糊任务时，能主动拆解、推进和交付。
- 做项目时，越来越关注用户价值和真实结果。
- 能把零散行动逐渐组织成方法、系统和团队协作。
如果这些变化持续出现，说明培养方向是对的。
二、建立一套看得见的评分标准
如果没有评分标准，培养过程就很容易变成“谁表达得好，谁看起来就更强”。
更好的做法，是从关键能力出发建立评分表。
1. 五个核心评分维度
每个维度按 1 到 5 分打分。
问题定义
- 1 分：只会接受别人给的问题。
- 3 分：能初步识别真实问题，但还容易停留在表面。
- 5 分：能准确界定问题、识别约束，并找到高价值切入点。
技术杠杆
- 1 分：知道一些工具，但不会用在实际任务里。
- 3 分：能在具体项目中使用平台和工具提高效率。
- 5 分：能主动设计流程，把工具变成稳定产出能力。
AI 协作
- 1 分：把 AI 当搜索或答案机器。
- 3 分：会拆任务、会提问、会做基本验证。
- 5 分：能把 AI 纳入工作流，同时保持独立判断和结果校验。
创造性表达
- 1 分：有想法但表达混乱。
- 3 分：能清晰表达方案并做出基础原型。
- 5 分：能把抽象想法包装成可传播、可协作、可推动的成果。
事业推进
- 1 分：容易停留在想法和讨论。
- 3 分：能完成阶段性交付并推动迭代。
- 5 分：能围绕目标持续推进，整合资源，并带动他人参与。
2. 评分的正确用法
评分不是为了贴标签，而是为了识别接下来该练什么。
例如：
- 问题定义低，就多做用户访谈和问题拆解。
- 技术杠杆低，就多做自动化和原型训练。
- AI 协作低，就多练任务拆解、提示设计和结果验证。
- 事业推进低，就多练目标管理、节奏控制和项目复盘。
评分的价值不在“分数”，而在“下一步动作”。
3. 建议使用统一评分表
为了避免每次评分都凭印象，建议直接使用统一评分表：
这份表建议至少包含：
- 当前分数
- 评分依据
- 代表性证据
- 下一步改进动作
只有分数，没有证据，评分会迅速失真。
只有结论，没有动作，评分就失去了训练价值。
4. 什么时候打分更合理
建议至少在三个时点打分：
- 第 1 周开始前，做一次初始评分。
- 第 6 周左右，做一次中期评分。
- 第 12 周结束后，做一次总结评分。
这样才能看见变化，而不是只看某一刻的状态。
5. 谁来打分更合理
更稳妥的方式是三种视角一起保留：
- 自评分：看本人如何理解自己的变化。
- 导师评分：看是否具备外部专业判断。
- 结果证据：看交付物、反馈和推进结果是否支持这个分数。
如果三者差距很大，重点不是争论谁对，而是回到证据本身。
三、执行模板在哪里使用
为了避免评估标准和执行模板混在一个文件里，模板已经独立拆出到单独目录：
四、最容易失败的四种方式
1. 只学工具，不碰真实问题
结果就是会很多名词，但做不出东西。
2. 只讲愿景，不做交付
结果就是表达越来越好，结果越来越少。
3. 过度依赖 AI，放弃独立判断
结果就是看起来很快，实际上越来越空心。
4. 没有固定节奏，完全靠热情推进
结果就是前两周很兴奋，后面快速松散。
五、常见评分偏差与纠正方式
1. 表达偏差
表现：谁更会讲，谁看起来分数就更高。
纠正方式：
- 评分时必须绑定交付物和证据。
- 把“讲得清楚”与“真实推进”分开看。
2. 印象偏差
表现：因为某一次高光或某一次失误，整体评分被拉高或拉低。
纠正方式：
- 至少看一个周期内的连续表现。
- 不用单一事件代表整体能力。
3. 关系偏差
表现：因为喜欢一个人、熟悉一个人，评分自然偏高。
纠正方式：
- 尽量同时保留自评分、导师评分和证据复核。
- 先看证据，再下结论。
4. 努力偏差
表现：看到很努力，就误以为结果和能力也同步提高。
纠正方式：
- 努力可以肯定，但评分优先看结果质量和能力变化。
- 把“投入很多时间”和“形成有效产出”分开评价。
5. 工具偏差
表现：谁用了更多工具、更多 AI，就被误判为能力更强。
纠正方式：
- 不看工具数量，看工具是否真的形成杠杆。
- 不看 AI 使用频率，看是否提升了判断和交付质量。