自动评分能替代人工判断的,只是那些规则明确、样本同质、后果可回退的检查项;一旦样本开始出现例外,或者错误代价不可逆,评分就只能当线索,不能当结论。判断标准不是分数准不准,而是这个分数错了以后,下一步动作会不会被带偏。
把工具报告里的项目按两个维度过一遍:判断依据是否能用规则写清,以及误判的代价是否可承受。
实际操作上,可以先做一次抽样:从工具标记为“有问题”的页面里随机抽 20 条,逐条人工核对。如果人工结论和评分一致的比例很高,说明这类项目可以继续交给工具;如果分歧集中在某一类页面上,那类页面就是不能照搬评分的边界。
很多评分在单页测试时看着很准,一旦铺到全站就开始失真。常见信号有三类。
遇到评分与人工判断冲突的页面,先明确三种处理各自成立的条件,再动手。
假设一个例子:某站有 300 个城市分站页,工具评分显示其中约 200 个“内容重复度过高”。人工抽查发现,其中约 40 个城市有本地服务团队和真实案例,其余只有模板替换。此时合理的做法是保留那 40 个并补充本地信息,其余合并到区域页。这个判断无法由评分单独给出,因为评分看不到“哪个城市真的有团队”这一事实。
把工具评分从“结论”降级为“排序依据”。具体动作是:导出评分最低的一批 URL,但不直接批量处理,而是先按模板分组,每组抽 5 条人工判断,记录判断结果与评分是否一致。
这个动作的结果会直接决定下一步:如果某组一致率高,该组可以按评分批量处理;如果某组分歧大,就为该组单独写人工判断规则,并把评分从该组的决策链里移除。这样做的代价是多花一轮人工,收益是避免把整组页面按错误信号改掉——批量改错比漏改更难回退。
不同工具的评分维度和权重并不公开一致,具体某项分数由哪些因子构成、是否随版本调整,需要以你实际使用的工具说明或供应商答复为准,不要按印象推断。在把评分写进团队流程之前,至少确认三点:评分维度覆盖了哪些检查项、分数变化是否可追溯到具体改动、以及工具是否会因数据抓取不全而给出偏低分。抓取量下降或某项统计归零,也可能是抓取预算、robots 设置或采样范围变化导致的,不能单独作为“页面有问题”的证据。
归根到底,自动评分适合处理规则清晰、错了能改的项目;涉及意图判断、业务约束和不可逆取舍的部分,仍然要留给人来拍板,工具只负责把需要看的页面排到前面。