技术复盘方法：别把科研失败写成悼词

上周旁听一个科研组复盘。投影仪上一条漂亮折线。结论四个字：效果未达预期。我差点把咖啡喷出来。这哪叫复盘——这是给失败做遗体告别。

技术复盘方法的核心不是解释过去，是提高下一次实验的胜率。科研场景更狠：一次失败可能烧掉半年，数据噪声大，审稿人还盯着你能不能复现。对吧，光说“辛苦了”没用。

先把时间线钉在墙上，别写流水账

复盘第一步，拉时间线。不是“1月跑数据、2月训模型”这种流水账。要标决策点：哪天改了损失函数，谁拍的板，当时相信什么，证据有多硬，代价多大。每个决策点后面必须跟一行：当时的假设、观察到的证据、缺席的证据。缺证据的地方，往往就是坑。

说实话，很多团队复盘只盯最终指标。指标掉了，大家开始猜。猜数据、猜代码、猜算力。猜到最后变成玄学。别这样。把实验记录、代码提交、数据版本、会议纪要摊在一张桌上。时间线一拉，因果链就露头。

把假设和证据拆开审，像审稿人审自己

科研里最贵的不是算力，是错误假设。复盘时拿一张纸，把结论改写成可检验句：如果A成立，应该观察到B；如果B没出现，是A错了，还是测量错了？这一步很枯燥。但值。

看三样东西：对照是否干净、混淆变量是否被控制、统计功效够不够。机器学习实验再加三样：数据泄漏、预处理口径、随机种子。模型指标突然变好，先别庆祝。查数据切分。指标突然变差，别急着换模型。查标注规则有没有改。行业里现在推模型卡、数据卡、可复现仓库，不是形式主义。复盘时你就知道，缺一行版本号，能让人多熬两周。

归因要分层，别把所有锅甩给算力

我见过太多复盘会，最后结论是“算力不够”。这话有时对。多数时候是偷懒。把失败拆四层：数据层、方法层、工程层、协作层。数据层问口径和覆盖；方法层问假设和基线；工程层问依赖锁定、非确定性、环境差异；协作层问交接和评审。每层挑一个最可能的故障点，写证据。别开地图炮。

失败也分类：猜想错、测量错、执行错、沟通错。分类不是贴标签，是决定行动项。猜想错就补先验实验；测量错就改评估协议；执行错就加自动化检查；沟通错就把接口写死。混在一起，复盘就变成情绪发泄。对了，阴性结果别扔。科研里阴性结果经常比阳性结果更诚实。建个失败案例库，比堆十篇成功学有用。

反事实推演，找杠杆点，不找后悔药

问三个问题：如果早两周停掉这条路，会怎样？如果换一个基线，结论还成立吗？如果增加一个阴性对照，最可能推翻什么？这不是后悔。是找杠杆点。科研项目最怕在低信息量路线上反复烧钱。反事实推演能把“继续/停止”的阈值提前写出来。

行动项要可验证。别写“加强沟通”“优化流程”。写具体：下周三前把数据版本号写进实验记录模板，缺一项不允许启动训练；下次组会前补三个基线，结果贴进复盘文档；模型上线前跑一遍可复现脚本，随机种子固定三次。行动项别超过五条。多了没人做。真的。

复盘会怎么开，决定复盘是不是表演

先放事实，再放情绪。主持人先自曝一个失误，别一上来抓典型。白板画时间线，每人写“我当时的判断和证据”，沉默三分钟再说话。禁止用“我觉得”替代证据。也禁止人身攻击。科研团队尤其要保护说真话的人。否则下次没人敢说“我早就觉得数据有问题”。那复盘就完了。

工具能用，但别把工具当复盘。MLflow、W&B、DVC能记参数和版本，记不了因果。看板很漂亮，漂亮不等于想清楚了。复盘文档最后要沉淀成三样东西：失败案例库、检查清单、实验模板。下次实验前强制读十分钟。别写悼词。写施工图。