在谷歌，每场面试都会留下一个数字：面试官给候选人打的分。据当时主管人力运营的博克（Laszlo Bock）说，2013 年之前几年，公司把这些数字和一件只有事后才知道的事放到了一起：每个录用的人，后来干得怎么样。
他们想知道，谷歌有没有谁特别会招人。要核对的面试有几万场。「我们发现两者是零关系，」博克 2013 年对《纽约时报》说，「完全是一团随机的乱麻。」唯一的例外是一位面试官，他只面一个很窄的领域，而按博克的说法，此人恰好是这个领域的全球头号专家。
那么多场面试，按博克的说法，打出来的分对谁能干好什么也说明不了。他接下来开的方子，朴素得让人不太敢信。
每个候选人答同一套题，用同一把尺子打分。
同一把尺子
博克的原话是：「结构化的行为面试，用一套一致的评分标准来评估人，而不是让每个面试官自己随便编。」
这条线，心理学家施密特（Frank Schmidt）和亨特（John Hunter）早就画过。他们 1998 年汇总了 85 年的招聘研究，是这样描述的：非结构化面试里，同一个面试官常常问不同的人不同的问题；回答通常不逐题打分，最后每人只得一个总评，依据是「总体印象和判断」。结构化面试「在每一点上都正好相反」，问题通常还要先仔细分析岗位才定下来。
每一处改动，都堵上一个漏洞。大家答同一套题，两个人分数有高低，就更可能是人不一样，而不是碰巧被问了不同的题。评分标准在候选人进门前就写好，第一印象再好，也不那么容易悄悄改掉「好答案」的定义。每道题单独打分，一个亮眼的瞬间就不那么容易给其余部分镀上颜色，这正是光环效应说的那种偏差。烘焙比赛也是这个道理：同一道命题，同一张评分表，口感和馅料分开打分，而不是评委尝一口说「这个我喜欢」。
零点四二
施密特和亨特用「效度」给招聘方法排座次，也就是方法的打分和日后工作表现之间的相关系数：0 表示没有线性相关，1 表示完全正线性相关。结构化面试是 0.51，非结构化面试是 0.38。
2022 年，萨克特（Paul Sackett）和三位同事提出，这类汇总研究里常用的一种统计校正用得太狠，于是把估计值几乎全线下调。结构化面试降到 0.42，非结构化面试降到 0.19。用他们的话说，结构化面试「成了排名第一的选拔方法」。整张表的更多数字，见工作样本测试那一页。
0.42 不是水晶球。它是个平均数，萨克特团队也指出，结构化面试在不同研究里的结果差得很远，某一家公司自己的版本，完全可能远低于这个数。他们还说，面对面做的结构化面试，一般不适合大批量招人。
谷歌自己的指南也列了成本：评分标准要写、要试、要盯着面试官照做，题目还得常换，免得候选人互相通气。不过指南也说，在谷歌，现成的题目和评分标准平均每场面试能给面试官省下 40 分钟。
三位同事，一场复盘
设想你要招一位客服组长，三位同事各和每个候选人聊 45 分钟。不做安排的话，一位问上一份工作，一位问最难熬的一周，一位跟候选人聊了半天两人共同的爱好。到了复盘会，很可能变成三个人各自捍卫三种印象，谁也说不清：第一个人答得漂亮的那道题，换第二个人会不会答砸。因为没人问过他们两个同一道题。
结构化的做法，要在第一场面试前花一个下午。挑出这个岗位真正要的几样本事，比如拒绝客户又不丢掉客户，每样配一道题和几句追问：「讲一次你不得不拒绝客户的经历，对方认定那是他应得的。你当时怎么说？后来怎样了？」每道题下面写清楚，差的、勉强的、扎实的、出色的回答，各自会讲到什么，这正是谷歌指南用的四档。每位面试官单独打分，记下候选人实际说了什么，然后才去看别人的分数。
题目会显得很平淡。博克在书里写，初稿时就有一位读者说谷歌的样题「太泛了，有点让人失望」。可答案并不平淡，而且现在它们能并排摆在一起比了。
给机器阅卷
检查 AI 模型的回答，等于一场可能要面一万遍的面试。当阅卷的也是一个模型时，Anthropic 的文档把规矩讲得和谷歌几乎一样。它的评测指南要求「评分标准要详细、清楚」，还举了个例子：「回答必须在第一句提到 Acme Inc.，没提到，就自动判为不正确。」
Anthropic 2026 年的一篇工程博客说得更细。「含糊的评分标准，判出来的结果就不一致」；一道好的测试题，应该让两位领域专家各自判，也能得出同样的通过或不通过。它建议每个维度单独一套标准，各由一个独立的模型评委来判，还要允许评委在信息不够时回答「不知道」。
不同的地方，在于风险藏在哪里。人组成的面试小组，需要评分标准来管住各人自由发挥；模型评委则把同一套标准用在每一个回答上，标准里有一处错，每个回答都跟着错一遍。所以这篇博客给的办法是，让模型评委和人类专家的评分紧密校准。它举的例子是视频剪辑公司 Descript：从人工阅卷改成由模型阅卷，标准由产品团队来定，再定期请人校准。
你写下「第一句要提到 Acme Inc.」，评委就会拿这一条去量每一个回答，不管它是不是真正要紧的那件事。