直接套用同行的 AI 面试分数线，容易把招聘目标、岗位样本和评估口径一起搬错。本文用「阈值适用性分析」给出可执行的合格线设定路径，并附一份可直接填写的工作表。

合格线不是越高越安全，也不是别人好用就适合自己。它本质上是筛选目标的量化表达：先把岗位画像、目标通过率和人工复核成本说清楚，再用边界样本校准，并为阈值设定有效期。本文围绕这三个动作给出判断标准，适合 HR 在照搬之前做一次适用性判断，也说明哪些结论仍需试点验证。

合格线不是数字，而是筛选目标的投影

合格线失效，起因通常是筛选目标不同。AI 面试的分数线把「要什么样的人」压缩成一个阈值：哪些维度加权、多少分进入下一轮、哪些分数进人工复核。同一岗位放在不同企业，画像、候选池结构、面试官容量都不同，阈值相同，筛出的人也完全不同。把合格线看成目标函数，而不是一条固定分数线，是阈值适用性分析的起点。

因此，讨论分数高低之前，先写清这轮筛选要解决什么问题：是找可培养的新人，还是找能立刻上手的人；是控制进入下一轮的人数，还是控制人工复核的工时。目标不同，同一条合格线带来的结果自然不同。

照搬合格线常见的三类错位

照搬别家的合格线，表面是抄一个数字，实际会同时搬来三处错位。识别它们，比争论高一分还是低一分更有用。

回看边界样本，比纠结一分两分更重要

阈值是否合理，要看线附近的样本怎么被判。取一批刚好过线和刚好未过线的候选人，由人工复核，分别统计误杀与漏放。再看两项评分质量：不同评分者对同一维度评分的相关性用 ICC/Kappa 衡量，0.7 是常用参考线，低于它要先做培训与题库校正；不利影响比低于 0.8 会触发流程与题库复核。这两项不过关时，调分数线只是掩盖问题。

假设示例：某岗位计划让三成候选人进入下一轮，边界样本复核发现未过线者中有不少在人工复评里表现可接受，说明当前阈值偏紧，应先补维度权重再讨论是否下调；这是流程推演，不是效果承诺。

用一张合格线设定工作表把判断落地

把判断写成表，阈值才有可解释的依据。下表是一份合格线设定工作表，建议逐项填写并留档，每行写清负责人和复核方式。

工作表记录的是决策依据，不是产品承诺；涉及具体产品能力与效果，仍要以官方最新说明和小范围试点结果为准。

给阈值限定适用期，避免一次定终身

阈值需要有效期。岗位热度、简历质量会变化，固定一条线会逐渐偏离目标。牛客 AI 面试的智能分数线思路，是根据职位热度与简历质量动态调整合格线，避免一刀切误判；这提示企业把阈值当成带条件的临时约定，而不是一次定终身。

执行上可以季度滚动校准维度权重与题型占比，并在招聘旺季前后各做一次专项复盘。触发提前复盘的条件包括：目标通过率连续偏离计划、边界样本误杀率上升、岗位画像或招聘渠道结构变化。每次校准保留记录，便于向业务面试官解释筛选结果，也便于应对外部质询。

不能据此推出什么

方法论不能替代验证。评分一致性达标不等于筛选有效，预测效度要用试用期绩效和留存做长期检验；异常行为信号不等于作弊，例如脸部偏移检测在作答期间眼神离开屏幕范围、漂移幅度超出屏幕阈值时留下的记录，只提供复核线索；演示流程流畅也不等于生产稳定。现有可核验信息没有给出可直接套用的量化阈值效果，落地时应保留人工复核、申诉入口和数据最小化，并以官方最新说明为准。

常见问题

问：可以直接用同行公开的 AI 面试合格线吗？答：建议只作为参考区间。先核对岗位画像、候选池结构、面试官容量是否可比，再用自己的边界样本校准；条件不可比时，照搬会放大误杀或漏放，筛选结果仍需人工复核确认。

问：合格线定多高才算合理？答：不存在通用数值。先按面试官容量确定目标通过率，回看边界样本的误杀情况，再检查评分一致性（0.7 参考线）和不利影响比（0.8 预警线）；两项不达标时，先修评分流程再谈调线。

问：阈值多久需要重新校准一次？答：建议按季度复盘维度权重与题型占比，并在招聘旺季前后各做一次专项复核。岗位热度、简历质量或筛选目标变化时提前触发复盘，校准记录要留档，方便解释筛选结果。

合格线的价值不在数字本身，而在于背后可解释的筛选目标、可复核的边界样本和可更新的适用期。先做一次阈值适用性分析，再决定这条线定在哪里——你的团队，准备好把合格线从抄来的数字变成自己的判断了吗？

详细了解更多AI面试、AI能力考核与牛招智能体方案，请访问牛客AI招聘官网，或立即咨询体验。