DINQ：用 AI Agent 做 AI 人才发现与候选人深度分析的智能引擎

找 AI 人才难，难在人才分散。真正做过大模型、多模态、推理优化的工程师和研究者，成果往往散落在论文预印本、开源仓库和会议报告里，传统招聘系统按职位名称和关键词筛简历，很难把这些人捞出来。DINQ 把这件事交给 AI Agent：先在全球公开数据里定位候选人，再用结构化画像解释「他到底强在哪」。

DINQ 是一个面向 AI 领域的智能人才引擎，核心能力是用 AI Agent 从全球优质来源中识别顶尖 AI 研究人员与开发者，帮助企业和研究机构找到匹配的候选人。它的定位不是又一个简历库，而是把「公开技术痕迹」翻译成「可判断的人才信号」。

它的数据基础是多个权威公开来源的整合，例如 Google Scholar 与 GitHub。学术成果、代码产出、技术栈偏好这些原本需要人工逐页翻查的信息，被汇总成同一份候选人档案，用于评估学术成就、技术能力与实践经验。

在交付形态上，DINQ 除了网页端直接使用，还提供 DINQ-as-a-Service（简称 DaaS）模式，可嵌入企业已有的招聘系统，把人才搜索与画像能力接到现有流程里，而不是让招聘团队再开一个工具。

DINQ 的主要功能

全球人才搜索

AI Agent 在公开来源中定位 AI 人才，检索目标不是「有多少人投过简历」，而是「有多少人真的在做这件事」。适合需要在大范围内先圈定候选池的场景，例如组建新的模型团队、寻找某个细分方向的技术负责人。

多源数据整合

把 Google Scholar、GitHub 等来源的信息合并到同一份档案，学术成就、技术能力、实践经验三个维度一起看，减少「论文很强但工程落地存疑」或「代码很活跃但缺少系统性研究」这类误判。

语义化智能搜索

除了按姓名或学者主页地址检索，还支持自然语言描述需求，例如直接写「寻找专注于多模态大模型且有产品化经验的研究者」。语义理解会结合技术能力与职业背景，而不只是字面关键词匹配。

细粒度高级筛选

可按技术栈、经验年限、地理位置、薪资预期等维度组合筛选，把宽泛的候选池收窄到可逐一评估的规模。

深度候选人洞察

对单个候选人做多维度分析，并可指定分析深度。输出的是关键属性与潜力判断，而不只是履历罗列。

可视化人才画像

技能雷达图、成长轨迹时间线、影响力指数评估三类视图，用来看清一个人的能力结构和职业发展路径，比读一段自我介绍更直观。

学术与产业人脉图谱

来源把这个能力称为「人才版企查查」：挖掘学术合作网络、工业界人脉图谱与影响力传播路径，用于判断候选人的协作半径和行业位置。

实时趋势洞察

基于大数据分析给出行业趋势判断，包括热门技术方向、人才流动热力图，以及细分领域的实时薪资参考数据。

事件驱动的信息更新

采用事件驱动架构，对人才信息做自动化实时追踪，让档案跟着人的新论文、新仓库一起变，而不是停在入库那一天。

DaaS 集成与演示申请

企业可把服务嵌入现有招聘系统；使用前也能通过 Request a Demo 申请演示，先确认功能与流程是否匹配再决定投入。

如何使用 DINQ

1. 注册并进入平台，确认账号类型与团队权限划分。
2. 从一个具体需求开始：输入候选人的学者主页地址，或直接输入姓名发起检索；也可以改用自然语言描述目标画像。
3. 用高级筛选把结果收敛：技术栈、经验年限、地点、薪资预期逐项设限，避免一次拉出几百人。
4. 打开候选人的深度洞察页，对照技能雷达图、成长轨迹时间线与影响力指数，判断能力结构是否匹配岗位。
5. 需要看协作关系时，进入人脉图谱视图，检查学术合作网络与工业界连接。
6. 把候选人与团队现状对照，用趋势洞察里的薪资参考校准报价区间，再决定是否进入沟通环节。
7. 企业用户评估 DaaS 集成：先申请演示，确认与现有招聘系统的对接方式和数据边界。

DINQ 适合哪些人

• 正在组建 AI 团队的企业招聘负责人：需要在简历库之外找到真正做过相关技术的人。
• 研究机构与实验室：寻找特定方向的合作者或研究人员，需要看学术产出而不只是工作经历。
• 技术面试官与用人经理：需要在沟通前快速建立对候选人的技术判断。
• 投资与行业研究岗位：关注人才流动方向与细分领域薪资水平，用于判断技术赛道热度。
• AI 研究者与工程师个人：用全局视角衡量自身位置，把成果讲清楚。

使用前需要知道的限制

• 公开资料未披露定价、套餐与免费额度，是否按席位、按检索次数还是按 DaaS 项目计费，需要向官方确认后再做预算。
• 能力边界依赖公开数据。未公开的工程项目、内部系统经验、非英语社区的产出覆盖程度有限，评估结果应作为参考信号而非结论。
• 来源仅明确提到 Google Scholar、GitHub 等来源，具体数据源清单、更新频率与回溯年限未完整披露。
• 影响力指数、技能雷达等指标的计算口径未公开，跨领域直接比较分数意义有限，更适合在同一细分方向内横向看。
• 涉及个人信息处理，候选人数据的来源合规性、留存期限与删除机制需按所在地区的隐私法规自行核实。
• 语义搜索与筛选的效果与描述质量强相关，需求写得含糊时结果会明显泛化。

常见问题

DINQ 和普通招聘网站的区别在哪？

普通招聘网站的核心是「谁在找工作」，DINQ 的核心是「谁在做事」。它从学术与代码等公开痕迹出发建立候选人档案，因此能覆盖并未主动求职的被动候选人。

必须知道候选人姓名才能用吗？

不需要。可以输入学者主页地址，也可以用自然语言描述需求，例如某个技术方向加产品化经验，由语义搜索给出候选结果。

分析结果可以直接当录用依据吗？

不建议。画像反映的是公开可验证的技术信号，缺少面试、作品协作和团队适配等信息，应作为筛选与沟通前的判断辅助。

企业已有招聘系统还要换吗？

不必。DINQ 提供 DaaS 模式，可集成到现有招聘系统中，把搜索与洞察能力接进原流程。