好久没有写团队管理的文章了。今天写一下最近在思考到的一个问题。
我有一个习惯是会经常检查自己的日程，看看时间花在哪里了。
我会发现很多的时间都是在解决问题，不管是架构的问题，还是需求的问题，还是人的问题。你会发现自己很忙，也很充实，觉得自己发挥了作用。
我们一直讲 XXX左移，如测试左移，需求左移。问题也需要左移。
如果我们正在忙的这些事情下个月还会以相似的形式发生，思考一下我今天到底解决了什么问题？
从接到一个明确任务开始，延伸到问题尚未被准确描述的时候。
题目从哪里来
工程师接到一个任务，通常会先考虑约束。
吞吐量要达到多少，延迟要控制到什么范围，需要兼容哪些调用方，什么时候上线。约束越清楚，技术讨论越容易收敛。方案可以比较，工作可以拆分，结果也有验收标准。
进入管理岗位以后，麻烦在于：这些约束本身，也需要被检查。
假设业务提出，要把某个接口的响应时间减半。团队可以研究索引、缓存、并发和计算过程，也可以重新分配机器资源。这些工作都有工程价值。
但我会先追问：用户究竟在等待什么？
如果用户完成任务要经过多个环节，这个接口只占很小一部分时间，那么局部优化可能无法改变使用体验。如果等待主要发生在人工审核阶段，继续压缩服务端耗时，投入方向就需要调整。如果响应已经足够快，用户仍然反复提交，我们还需要检查状态反馈和操作流程。
这里没有贬低性能优化的重要性。问题在于，团队拿到的技术指标，是否足以代表想要改善的结果。
我经常和业务同学、商务同学以及其它提需求的人，你讲需求，不要讲方案。 因为很多人来把自己的方案当需求。
要求他们描述：谁遇到了什么困难，发生在什么条件下，造成了什么损失，现有证据是什么。
先不要写方案。
管理者需要对任务的来源负责。 方案评审只能检查给定题目下的解法，无法自动纠正题目本身。
扁鹊的难题
《鹖冠子·世贤》里，扁鹊评价兄弟三人的医术，将长兄排在最前，中兄其次，自己居后。长兄在疾病尚未显形时处理，中兄在病情轻微时处理，扁鹊的治疗动作更显著，名声也传得更远。
引用这个故事，我想表达的是其中的评价问题。
问题严重以后，损失是可见的，处理动作也是可见的。系统恢复了，业务继续运行了，参与者很容易理解这项工作的价值。
提前处理则有一个问题：我们无法直接观察那个没有发生的结果。
一个团队说，经过架构调整，避免了一次严重故障。这个说法可能成立，也可能只是把一种担忧包装成了成绩。没有发生故障，可能与改造有关，也可能因为流量没有达到预期，或者相关路径根本没有被触发。
「预防很重要」，但不会接受任何预防性投入。
假设有人提出，某项依赖存在单点风险，需要增加冗余。我希望看到的是：这个依赖失效后会影响哪些功能，现有替代路径是否可用，恢复需要什么条件，团队通过什么方式验证过。
随后才讨论增加冗余的成本，包括建设、切换、演练和持续维护。
故事中的医者似乎能够准确识别尚未显形的疾病。技术管理没有这种确定性。我们面对的是不完整的信息、会变化的业务，以及随时可能被新证据推翻的判断。
因此，观察到了什么，推测了什么，准备如何验证，判断错误时损失有多大。
发现得早，只有在判断质量和处理成本都合适的时候，才值得投入。
把症状写清
我们常常看到当一个问题刚被提出时，责任归属就已经确定了。这是不对的。
项目延期，于是执行力不足；线上出错，于是质量意识不够；评审反复，于是技术能力欠缺。这些解释很容易进入管理讨论，因为它们足够简短，也容易对应到熟悉的动作：催进度、加审核、做培训。
但它们经常缺少可以验证的内容。
以延期为例，我会先把工作过程拆开：需求什么时候达到可开发状态，编码用了多久，等待联调用了多久，返工发生在哪个阶段，验收条件是否改变过。
假设一个任务总共经历了两周，其中多数时间在等待依赖方确认接口。此时要求开发人员提高编码效率，无法覆盖主要损失。继续增加进度会议，还会占用原本可以用于协调和实现的时间。
不过，看到等待时间很长，也不能立即宣布「跨团队协作有问题」。
等待可能来自接口定义不清，也可能来自对方没有资源，还可能因为我们过早启动了一个条件尚未具备的任务。几种情况需要不同的处理方式。统一加一个协调角色，可能只会多出一次信息转述。
可以使用如下的逻辑：已经观察到的事实，基于事实形成的解释，以及准备采取的动作。
例如，几个任务都在同一个依赖环节停留较久，这是事实；对方资源不足，这是待验证的解释；调整双方排期，是一种候选动作。把它们写在一起，会让后面的讨论默认接受前面的推测。
问题描述越接近可观察的行为，团队越容易讨论具体改动。把大量精力花在解释一个人「为什么不够负责」上，通常得不到能够验收的方案。
寻找提前信号
等到事故发生再分析，证据往往比较集中。寻找早期问题，面对的信号要模糊得多。
我会优先关注那些暂时没有形成损失，却持续依赖额外劳动才能维持的环节。
例如，告警频繁发生需要开发介入排查；每次发布都需要某个人手工确认；某类数据每天都要补一次；一个模块只有固定的人敢修改；项目能按时交付，但前提是临时取消测试或压缩验收。
这些现象还不足以证明系统即将失控，但值得进一步检查。因为当前结果里，包含了没有被正式记录的人工投入。
如果只看交付是否完成、服务是否可用，我就无法知道团队为维持这些结果付出了多少补偿性劳动。
我会让团队用较低成本记录几类信息：重复的人工操作、等待外部决定的时间、计划外的工作，以及必须依赖特定人员才能完成的事项。记录的目的，是找到重复出现的位置，不追求把每个人的一天切成几十个时间片。
粒度过细，记录会变成负担，数据也容易围绕考核要求失真。
技术系统的观察也需要类似的取舍。我不会因为担心遗漏，就要求所有路径全量记录详细日志。采样比例、保存时间、字段数量和查询需求，都需要对应到具体诊断问题，并给采集开销和存储费用设预算。
如果新增一组数据无法回答任何决策问题，我倾向于先不采集。
告警同样需要说明后续动作。某个指标越界以后，谁要介入，要判断什么，允许等待多久？回答不了这些问题的告警，我会先把它放进观察范围，避免直接打断值班人员。
提前发现需要足够的信息，却不能靠无限增加信息量完成。可以从几个高损失场景倒推：在结果恶化之前，我们有没有机会看到变化？现有信息能否区分不同原因？缺少的那部分，怎样以最小代价补上？
追问到哪一层
发现重复问题以后，很容易进入另一个极端：不停追问原因，直到得到一个足够宏大的解释。
一次发布失败，可以追到测试不足；测试不足，可以追到排期紧张；排期紧张，可以追到业务压力；最后写成「组织需要加强质量文化」。
讨论完成了，下一次发布怎么做，仍然没有答案。
建议把分析停在当前能够改变、能够验证的层次，同时记录更上层的约束。
假设某次故障涉及配置变更。恢复服务后，我希望继续弄清楚：配置是否经过校验，发布前能否发现异常，变更是否可以独立回退，为什么已有检查没有覆盖这条路径。
如果缺少校验，就讨论怎样增加校验。如果具备校验能力，却因为发布时间紧张被跳过，就需要检查绕过条件和批准权限。再往上，若每次承诺交付时都默认压缩验证时间，排期方式也要进入改进范围。
这几个层次可以同时存在。没有必要强行选出唯一的「根因」。
我更关心哪一项改动能切断已知的失败路径，哪一项能缩短恢复时间，以及哪些约束暂时只能接受。
增加发布审核，是一种常见选择，但我会谨慎使用。它需要持续占用审核者时间，也会让发布等待另一个人的判断。如果某类错误可以通过确定性检查识别，我会优先评估自动校验；如果必须依赖业务背景判断，人工审核才有对应价值。
自动化是一种常见的策略，但是要考虑成本。一个发生频率很低、每次处理只需少量时间的例外，未必值得建设复杂流程。反过来，高频且规则稳定的操作，长期依赖人工检查，我会要求说明理由。
分析问题的深度，应当服务于干预选择。继续追问已经无法改变行动时，我会停止扩展讨论，把精力转向验证。
问题也要排期
发现问题的能力提高以后，待办事项很可能先变多。
代码有债，流程有缺口，人员有依赖，业务假设也有风险。如果每一个发现都必须立即解决，团队会同时启动大量改善工作，原本的交付计划也失去可信度。
管理者需要对「暂时不处理」承担责任。
判断一个问题是否进入排期，我会看几件事：已经造成了什么损失，未来损失可能如何扩大，判断依据有多可靠，处理成本是多少，以及推迟以后是否会失去调整空间。
简单来说就问一个问题：不做什么怎么样，做要多少成本？ 这也算是两个问题吧。
假设两项改造都能减少一定维护工作。其中一项随时可以做，另一项涉及即将被多个团队依赖的接口约定。后者一旦扩散，迁移就需要更多参与者配合。我可能优先处理后者，即使它眼前节省的时间更少。
但我不会把这些因素全部塞进一个精确分数，然后按小数点排序。概率、影响和工作量里包含大量估计，算式不能消除不确定性。
对于信息不足的问题，我会单独安排验证工作。
例如，先花一个有限时间窗口检查实际调用情况、做一次容量实验，或者回放一批历史任务。验证结束后，再决定是否启动完整改造。验证任务需要有结束条件，不能以「持续调研」的形式长期占用人力。
我也会区分两种决定：允许风险暂时存在，以及承诺在某个时间解决。前者需要记录接受风险的人、接受范围和重新检查的条件。不能把所有暂缓事项都放进一个没有期限的技术债列表，等下一次出事再说「早就提过」。
有限的资源只能处理有限的问题。管理者的工作包含排序、延后和拒绝，不能只提供一份越来越长的风险清单。
先做有限验证
提前发现的问题，往往还没有足够证据支持大规模改造。我们需要优先寻找能改变判断的小实验。
假设团队认为，交付慢主要来自公共组件不好用。直接重建组件库，投入很大，验证周期也长。可以先选一类重复任务，调整其中一个高频接口，再比较接入步骤、返工次数和总耗时。
这个实验不需要证明新方案在所有场景都更好。它需要回答：当前识别出的障碍，是否确实影响了交付；移除障碍以后，预期变化有没有出现。
实验设计里，我们可以要特别检查比较条件。
两次任务的复杂度是否接近，参与者是否不同，是否有额外辅导，新方案是否获得了旧方案没有的资源。如果这些条件发生变化，就要缩小结论的范围。
如果测试任务都是规则清楚、信息完整的样本，结论也只能覆盖这部分任务。遇到资料缺失、规则冲突或无法判断的情况，系统怎样退出，谁来接手，都要进入验证范围。
有限实验也有局限。它可能遗漏低频问题，额外受到团队关注，或者无法覆盖规模扩大后的协作成本。因此，通过一次实验以后，我会继续限制推广范围，保留回退条件。
我愿意为这些步骤支付一些时间。相较于一次性更换完整流程，分阶段验证让我有机会在投入扩大之前修正判断。
授权与介入
发现问题容易让管理者产生一种冲动：既然我已经看到了，亲自处理应该最快。
在紧急情况下，这可能是合适的选择。但如果每一次复杂问题最后都回到我这里，我就需要检查自己的介入方式。
我会区分三个环节：识别风险、作出决定、执行处理。它们可以由不同的人负责。
管理者发现某个发布环节存在风险，可以要求补充证据、确定负责人和完成期限。除非风险已经超过团队当前能力，或者需要跨越现有权限，否则没有必要接管全部实现。
授权时，我需要交代的是目标、约束、可使用的资源，以及什么情况下必须升级。对于实现细节，我会留出空间。
这里存在实际代价。团队选出的方案可能与我的习惯不同，局部实现也可能没有我亲自处理得快。如果每次出现这种差异，我就收回任务，成员很难积累完整判断的经验。
但授权也不能变成不检查。
我会根据风险安排检查点。可以轻易撤销的局部改动，允许负责人快速推进；涉及数据破坏、跨团队承诺或难以回退的迁移，需要更早检查方案和前提。检查频率随风险变化，避免所有任务都接受相同强度的管理。
我也需要亲自参与一部分现场工作，例如阅读一次故障时间线，跟进一个长期受阻的任务，或者检查一次改造的实际使用情况。
如果信息只来自层层整理后的汇报，我很难判断哪些成本被省略了。亲自接触现场，是为了校准判断；后续仍然要让明确的负责人完成处理和验收。
发现问题之后，我还欠团队一个决定：谁负责、投入多少、何时检查，以及哪些事情因此不做。
让风险能上来
如果我希望团队提前报告问题，就需要检查自己怎样回应坏消息。
成员提出风险以后，立刻被要求证明一定会出事；承认进度存在不确定性以后，被评价为缺乏担当；发现历史缺陷以后，首先被追问为什么之前没有发现。面对这些回应，一个人有理由等证据更充分以后再开口。
等到证据充分，调整空间可能已经缩小。
我会允许风险报告保留不确定性，但要求表达具体：观察到了什么，可能影响什么，还缺少哪些信息，希望获得什么支持。
「这个项目肯定要延期」和「关键依赖尚未确认，如果本周无法完成，我们需要调整后续联调安排」，包含的信息量不同。后一种表达让管理者可以作出决定，也允许后续事实修正判断。
对于善意提出、最终没有发生的风险，我不会仅凭结果认定提出者判断失误。我会回看当时的信息是否足以支持担忧，验证动作是否合理，以及是否因为提前处理才没有继续恶化。
同样，我也不会奖励没有证据的持续悲观。风险提出以后，需要有人补充信息、缩小范围，必要时撤回判断。只负责提醒所有可能性，却不参与验证，会把筛选成本转移给整个团队。
预防性工作的评价也需要证据。
我会看风险路径有没有被验证，改造是否覆盖了它，回退或恢复是否经过检查，后续维护责任是否落实。至于「避免了多少损失」，没有足够依据就不写一个夸张数字。
对于重复的人工劳动，可以比较前后的处理次数和时间；对于恢复能力，可以记录演练中实际完成的操作与耗时；对于协作改善，可以检查等待和返工有没有变化。评价应当尽量落在能够复查的记录上。
这样做会增加一些记录成本。我愿意保留与决策和验收有关的部分，不要求团队为每项改善制作完整汇报材料。
检查已经完成的
还有一类问题，很容易被技术管理忽略：任务完成了，但投入没有产生预期结果。
系统按时上线，功能通过验收，接口符合设计，团队也没有犯明显错误。几个月以后，使用量很低，原有人工流程仍在继续，新系统还多了一份维护责任。
如果我的检查到上线就结束，这类问题不会进入视野。
我会在立项时约定一次投入后的复查。具体检查什么，取决于项目要解决的问题：人工步骤是否减少，用户是否完成了原来难以完成的任务，业务是否真的采用了新流程，旧系统是否按计划退出。
不能用「已经上线」替代这些问题的回答。
如果结果没有出现，我需要重新检查原来的假设。也许我们识别错了障碍，也许方案只处理了一小部分，也许业务条件已经发生变化。继续增加功能之前，先确认追加投入还有没有依据。
停止项目在这里也是一种需要认真评估的选择。它涉及已有投入、人员安排和承诺调整，处理起来往往比批准下一期更麻烦。但维护一个缺少使用理由的系统，同样会持续消耗资源。
发现问题因此也包括检查团队正在解决的问题是否仍然存在，解决方式是否仍然适用，以及目标是否已经改变。
这会改变我安排时间的方式。
我仍然需要参与故障处理，理解技术细节，对交付结果负责。同时，我会固定留出时间检查重复劳动、尚未验证的判断和上线后的实际结果。对于已经暴露的问题，要求处理闭环；对于只有迹象的问题，安排有限验证；对于暂时接受的问题，留下重新检查的条件。
我也会定期回看自己提出的问题。有多少得到了证据支持，有多少被否定，哪些因为迟迟没有决定而继续消耗团队，哪些处理动作带来了新的负担。
否则，所谓发现问题，很容易变成管理者不断向团队追加任务。
从解决问题到发现问题，对我意味着工作范围扩大了：需要参与定义，需要作出取舍，还需要在结果出现以后检查当初的判断。问题提前进入视野，只是给了我们更多处理空间。这个空间有没有被用好，最终仍然要回到具体的行动和结果上。
以上。