进阶:工程文化与长期改进
本篇要点:读完你能把「文化」拆成几组可改的机制,并给自己团队装上防止改进回潮的限流阀、台账和度量护栏。 前置文章:《进阶:团队转型的分期推进》讲怎么分期推动组织改变,这一章处理它之后的那个问题——改变怎么才不退化。
一、为什么需要它
2026 年 9 月,一家电商公司的订单服务出了事故:支付平台的回调重放,同一笔支付给用户加了两次积分,涉及 3000 多个账户,客服处理了两天。
事故复盘很快得出结论,第一条行动项是「给回调加幂等(idempotency,同一请求重复到达只生效一次)」。
然后有人翻出了台账。这条行动项在 2024 年 3 月就写进去了,挂在第 41 次迭代回顾的下面,负责人是当时的后端负责人,那个人 2025 年春天离职了。台账一共 412 条行动项,完成 87 条,完成率 21%;还有 59 条在三次以上的回顾里重复出现过,措辞几乎一样。
这个团队不缺回顾会。三年 156 次,一次没落,模板换过四种。缺的是让改进留下来的机制。
工程语境里的文化不是氛围和口号,它是一组可以被观察、可以被修改的机制:复盘产出什么形状的句子、知识存在哪里、招人时考什么、度量拿来干什么。这些机制决定了一个团队两年后是变强还是原地转圈。
二、核心概念
2.1 复盘双轨:事件复盘与迭代回顾分工不同
事件复盘(postmortem,也叫无责复盘 blameless postmortem)追的是一条失效链:什么条件下、哪个环节没兜住、为什么没兜住。产出必须是系统改动——加校验、加告警、改部署顺序、改权限。
迭代回顾(retrospective)追的是流程:这两周哪一段最耗人、哪个约定没被遵守。产出是一个下一迭代能验证的实验。
两者混用会两头落空。事故复盘写成「加强责任心、提高安全意识」,等于什么都没改;回顾会写成「某人下次注意」,等于把系统问题降级成个人问题。
判断一条行动项值不值得进台账,有个硬标准:能不能改写成「谁、在什么时间、把什么从 A 改成 B」。写不出来的,多半是愿望不是动作。
| 类型 | 追什么 | 产出形状 | 反面例子 |
|---|---|---|---|
| 事件复盘 | 失效链与兜底机制 | 系统改动 + 验证方式 | 加强巡检意识 |
| 迭代回顾 | 流程与协作约定 | 下一迭代可验证的实验 | 大家要多沟通 |
| 技术债清理 | 具体模块的具体成本 | 带期限的重构任务 | 重视代码质量 |
表 12-1 三种改进来源的产出形状,右侧一列是写进台账也执行不了的说法
2.2 知识共享:从文档仓库到可执行知识
知识共享(knowledge sharing)在工程团队里只有三类东西真正被用到:runbook(出事时照着敲的操作步骤)、ADR(architecture decision record,架构决策记录,一页纸写清选了什么、为什么不选另一个)、以及可运行的示例代码。
衡量知识状态的两个指标比「文档数量」有用得多。一是 bus factor(巴士系数):某个模块如果最熟悉它的那个人明天不上班,还有几个人能改。二是文档新鲜度:每份 runbook 最近一次被真正执行验证是哪天。
反例:wiki 里 3400 个页面,站内搜索第一名是「新人指南(2022)」。页面数量是负债指标,不是资产指标——过期文档比没有文档更贵,因为它会让新人照着错的步骤做。
2.3 招聘与培养:面试考什么,团队就重视什么
面试内容是一个团队对外发布的价值观声明,比墙上贴的标语有效。考算法题,招来的是刷题能力强的人,他们入职后会发现日常工作是读别人的旧代码、判断边界、跟产品吵架;考工作样本(work sample,给一个真实的小任务,两小时,可查资料、可用 AI),招来的是能干活的人。
培养的入口不是课程,是排班。新人 30/60/90 三档:30 天能独立提交并上线一个小改动,60 天能上值班表,90 天能主持一次复盘。每一档都有可观察的行为,不写「熟悉业务」这种没法验证的话。
2.4 度量伦理:三条护栏
古德哈特定律(Goodhart's law)说的是:当一个指标变成目标,它就不再是好指标。周期时间被拿去排名,卡片就会被拆碎;缺陷数被拿去考核,缺陷就会被记成「需求变更」。
三条护栏能挡住大部分滥用:
第一,度量用于学习,不用于排名。同一份数据可以给团队自己看,也可以给管理层看趋势,但不能生成团队排行榜。
第二,口径公开、可申诉。每个指标的计算 SQL 放在仓库里,被度量的人能查、能指出算错的地方。算错了要改,这条比指标本身重要。
第三,聚合到团队级别,样本不少于 5 人。个人级数据只在本人和主管之间,且只用于支持,不进入绩效系数。
2.5 可持续性:给改进装限流阀
改进做不完的原因通常不是没时间,是同时在推的太多。412 条行动项、完成 21%,本质是一个没有 WIP 限制的系统。
具体做法有三条:行动项同时最多 2 条处于「进行中」,其余排队;每月固定一天「改进日」,不排需求;技术债进台账,每条写清「不还会怎样」,没有代价描述的债不立项。
图 12-1 改进的限流与复发检测,判断框挡住的是「写了不做」
如图 12-1 所示,循环里有两次拦截:一次在开头(WIP 满了就不新开),一次在结尾(复发主题升级为架构问题)。少了这两处,复盘会就退化成情绪出口。
三、动手实践
3.1 给行动项台账定字段
台账的字段决定了它能回答什么问题。下面这份 schema 强制两件事:每条行动项必须有验证方式,必须绑定复盘来源。
# ops/retro/action-items.yaml
schema: 1
wip_limit: 2 # 同时进行中的条数上限
fields:
id: {type: string, pattern: "^AI-\\d{4}$"}
source: {type: enum, values: [postmortem, retro, debt]} # 必填
title: {type: string, max: 60}
change: {type: string, desc: "把什么从 A 改成 B,一句话"} # 必填
owner: {type: string} # 必须是具体的人
due: {type: date, max_days: 60}
verify: {type: string, desc: "怎么证明改成了,可执行或可观察"} # 必填
status: {type: enum, values: [queued, doing, verify, done, dropped]}
rules:
- "status=doing 的条数不得超过 wip_limit"
- "dropped 必须写 reason"
- "due 超过 60 天需要 sponsor 签字"运行结果(python3 -m retro.lint ops/retro/action-items.yaml):
ops/retro/action-items.yaml
total=14 queued=9 doing=3 verify=1 done=1 dropped=0
[ERROR] AI-0113 status=doing 超出 wip_limit=2(当前 3 条在推进)
[ERROR] AI-0098 verify 为空:'加强回调链路监控' 无法验证
[WARN ] AI-0102 due=2027-02-01 超过 60 天,缺 sponsor 签字
结论: 2 项错误,1 项告警,暂不可提交这里第 2 条错误最值得注意。它拦下的不是格式,是一句没有验证方式的话——「加强监控」这种行动项,三年后你会看到它原封不动躺在台账里。
3.2 用 SQL 查复发主题与行动项年龄
复发检测比完成率更重要:一条完成率 21% 的台账,至少还能说明 79% 没做;一条反复出现的行动项,说明做了也没解决。
-- 查询一:台账整体健康度(年龄按「未完成则算到今天」)
SELECT count(*) AS total,
count(*) FILTER (WHERE closed_at IS NOT NULL) AS done,
round(100.0 * count(*) FILTER (WHERE closed_at IS NOT NULL) / count(*), 1) AS done_pct,
round(percentile_cont(0.5) WITHIN GROUP (
ORDER BY extract(epoch FROM coalesce(closed_at, now()) - created_at) / 86400
)::numeric, 1) AS p50_age_days
FROM action_items
WHERE created_at >= now() - interval '365 days';
-- 查询二:一年内出现 3 次以上的主题,按次数排序
SELECT tag, count(*) AS times, count(DISTINCT retro_id) AS retros,
max(created_at)::date AS last_seen
FROM action_items, unnest(tags) AS tag
WHERE created_at >= now() - interval '365 days'
GROUP BY tag
HAVING count(*) >= 3
ORDER BY times DESC
LIMIT 5;预期输出:
total | done | done_pct | p50_age_days
-------+------+----------+--------------
412 | 87 | 21.1 | 284.0
tag | times | retros | last_seen
--------------+-------+--------+------------
idempotency | 4 | 4 | 2026-03-18
flaky-test | 3 | 3 | 2026-07-02
env-queue | 3 | 2 | 2026-08-11idempotency 一年内出现在 4 次回顾里、跨 4 个不同迭代,最后一次是 2026 年 3 月。这种条目不该再开第 5 条行动项,它已经证明「靠迭代回顾解决不了」,该升级成架构问题进季度规划。flaky-test 同理——每次都说「修一下不稳定的用例」,说明测试基础设施欠账,而不是某个用例写错了。
四、常见误解
很多人以为文化是氛围,看得见摸不着,所以只能靠招对人。实际上文化是机制的副产物:复盘产出哪种句子、行动项是否限量、值班表怎么排、面试考什么,这些都能改,改完文化跟着变。反过来说,墙上写着「开放透明」,复盘记录里却追责到人,那么文化就是后者,标语不算。
很多人以为度量越公开越透明越好。实际上公开排名会立刻改写数据本身:周期时间被拿去排名,卡片就被拆成半天一张;缺陷数被拿去考核,缺陷就被记成「需求变更」。公开的正确层级是团队聚合且样本不少于 5 人,个人数据只在本人与主管之间,且只用于支持。
很多人以为行动项写得越多,改进越多。实际上行动项一多,完成率必然崩,然后所有人学会「写了不做」,台账变成一种仪式。把同时推进的条数限到 2,比一年写 137 条有用得多——因为只有做完的那条会改变系统。
五、小结
这一章讲的是前十一章的成果怎么在两年后还站得住。
- 事件复盘追失效链、产出系统改动;迭代回顾追流程、产出下一迭代的实验。两者不能互相替代。
- 行动项必须写成「谁、何时、把什么从 A 改成 B」,并带验证方式。没有验证方式的条目是愿望。
- 知识共享看两个数:bus factor 和文档最近验证日期。页面数量是负债指标。
- 面试考什么,团队就重视什么。用工作样本替代纯算法题,30/60/90 写可观察的行为。
- 度量的三条护栏:不排名、口径公开可申诉、聚合到 5 人以上。
- 改进要限流。同时 2 条在推进,复发主题升级为架构问题。
六、相关文章
这个类目到这里就收束了。
回头看《敏捷入门:价值观、原则与常见误读》那个问题——为什么很多团队「敏捷」了三年,交付周期没变。十二章下来,答案已经拆成三层:团队内的需求拆解与节奏(第 4 到 8 章)、团队边界上的环境与发布(第 7、11 章)、以及让改进不回潮的机制(《进阶:工程文化与长期改进》)。三层里任何一层缺位,另外两层都会被拖回去。
如果只带走一件事:把这一章的行动项台账建起来,填进你现在团队正在做的两件事,然后去《进阶:团队转型的分期推进》用那份诊断 SQL 跑一遍自己的数据。模板都在正文里,改字段比改文化快。
回到类目首页:敏捷与研发效能