這種討論既可以由導(dǎo)師發(fā)起，也可以由需要用人的經(jīng)理發(fā)起。比如我曾在新兵訓(xùn)練營里指導(dǎo)過一個之前在Google工作的資深工程師（Senior Staff Engineer），原先在Google屬于前3%行列的，水平很高，沒過幾天就有好幾個組的經(jīng)理跟我說想找這個人談?wù)?。?dāng)然，這種情況下，我不希望經(jīng)理直接去找這個人。我要先做個篩選，畢竟對雙方都了解的只有我一個人，如果是我覺得合適的組，再問下該工程師，看他是否感興趣。另外，要避免過度的“推銷”，這會讓員工迷惑、陷入過多選擇。畢竟對Facebook很重要的組有很多，有趣的組也很多，如果每個組都來向新人推銷一遍，新人的想法就混亂了，反而沒辦法做出選擇。

導(dǎo)師還有一個很重要的任務(wù)，就是當(dāng)某幾個特別重要的崗位急缺人的時候，要花力氣去“忽悠”合適的人到這些組去。這個時候，導(dǎo)師會循循善誘，極力爭取喚起新人對這些組重要性的認同和對其業(yè)務(wù)的興趣。我做過幾例這樣的推銷工作。老實說，這不是最自然的匹配方式，因為誘導(dǎo)性太強。

新兵訓(xùn)練營結(jié)束后，也會發(fā)生淘汰的情況，但概率很低。印象中，在我離開Facebook時，像這種情況淘汰掉的總共不超過10個人，而參加過新兵訓(xùn)練營的工程師和產(chǎn)品經(jīng)理一共有500多人，淘汰率不到2%。

在我曾經(jīng)帶過的一期中，有一位伯克利大學(xué)畢業(yè)的專攻機器學(xué)習(xí)（Machine Learning）的博士，美國人，有三年多工作經(jīng)歷，很年輕。他很聰明，但有典型的博士風(fēng)格——凡事都要弄得特別深入、特別細致。這導(dǎo)致了一個問題：速度太慢。一個我自己去做只用一兩個小時就能完成的代碼修復(fù)，一般期待新人最多半天完成，但這位博士為了把前前后后弄得一清二楚，花幾天時間都搞不定。我們之間有過多次關(guān)于質(zhì)和量如何平衡的討論，也達成了他應(yīng)該加快速度、增加產(chǎn)出的結(jié)論。我在多次的表現(xiàn)評級上都給了他“搖擺（Shaky）”的評價，但似乎改善不多。第四周，我們給了他最后的機會，讓他嘗試給動態(tài)消息組的機器學(xué)習(xí)算法部分做一個改進。機器學(xué)習(xí)算法的一個特點是對試驗的設(shè)計、數(shù)據(jù)的獲取和分析要求很高，相對于其他產(chǎn)品項目，對質(zhì)量的要求較高、時間的要求較低，比較適合研究型人才的胃口。所以，這種安排也是希望他能更容易展現(xiàn)自己的特長。從組里的反應(yīng)來看，對他的表現(xiàn)還算滿意。最后我們就讓他進了這個組，沒有讓他走人。對于表現(xiàn)不良的新人，雖然總體上Facebook是求快，但在某方面有造詣的工程師，F(xiàn)acebook還是盡可能為他尋找合適的崗位。

這里面其實也反映出一個問題，就是研究型人才如何在一家節(jié)奏很快的技術(shù)公司立足。Facebook也在慢慢地摸索。

就我個人做導(dǎo)師的經(jīng)歷而言，新兵訓(xùn)練營結(jié)束后我還會繼續(xù)跟蹤（這不是公司統(tǒng)一要求的）。新兵營畢業(yè)一個月和三個月后，我會跟這些新員工再進行“一對一”談話，了解他們感覺怎么樣，新兵營對他們有沒有幫助，是否適應(yīng)目前的工作，有沒有文化溝通上的沖突等。