DINQ：以 AI Agent 發掘並分析 AI 人才的智慧引擎

AI 人才難找，難在分散。真正做過大型模型、多模態或推理最佳化的工程師與研究者，成果多半留在論文預印本、開源倉庫與會議報告裡，傳統招募系統用職稱與關鍵字篩履歷，很難把這些人找出來。DINQ 改由 AI Agent 處理：先在全球公開資料中定位候選人，再用結構化畫像說明「他究竟強在哪裡」。

DINQ 是專注 AI 領域的人才引擎，核心是用 AI Agent 從全球公開來源辨識頂尖 AI 研究者與開發者，協助企業與研究機構找到符合需求的候選人。它的定位不是另一個履歷庫，而是把「公開技術痕跡」轉成「可判斷的人才訊號」。

資料層整合多個權威公開來源，例如 Google Scholar 與 GitHub。學術產出、程式碼活躍度與技術堆疊偏好被彙整成同一份候選人檔案，用來綜合評估學術成就、技術能力與實務經驗。

除了網頁端直接使用，DINQ 另提供 DINQ-as-a-Service（DaaS）模式，可嵌入企業既有的招募系統，讓搜尋與畫像能力進入現行流程，而不必再開一套工具。

DINQ 的主要功能

全球人才搜尋

AI Agent 在公開來源中定位 AI 人才，回答的不是「有多少人投過履歷」，而是「有多少人真的在做這件事」，適合從零建立候選池的團隊。

多來源資料整合

把學術與程式碼訊號併入同一份檔案，避免把「論文很強但缺少落地」或「倉庫很活躍但缺乏系統性研究」誤判為合適人選。

語意化搜尋

除了姓名或學者頁面網址，也能用自然語言描述需求，例如「專注多模態模型且有產品化經驗的研究者」，排序會參考技術背景而不只是字面關鍵字。

細緻篩選條件

可組合技術堆疊、經驗年資、地理位置與薪資預期，把寬泛的候選池收斂到能逐一評估的規模。

深度候選人洞察

單一候選人可展開多維度分析，並指定分析深度，輸出關鍵屬性與潛力判斷，而不只是年表式的履歷。

視覺化人才畫像

技能雷達圖、成長軌跡時間軸與影響力指數，用一張圖看清能力結構與職涯路徑。

協作網絡圖譜

平台梳理學術共同作者、產業連結與影響力傳播路徑，用來判斷候選人的協作半徑與業界位置。

即時趨勢洞察

以彙總分析呈現熱門技術方向、人才流動熱力圖，以及各細分領域的薪資參考。

事件驅動更新

檔案持續追蹤，新論文或新倉庫會即時反映，而不是停在建立檔案當天。

DaaS 整合與演示申請

企業可把服務接進既有招募系統；正式投入前也能申請演示，先確認流程與資料邊界。

如何使用

1. 註冊帳號，確認席次與團隊權限的分配方式。
2. 從一個具體需求開始：貼上學者頁面網址、輸入姓名，或以自然語言描述目標畫像。
3. 用篩選條件收斂結果：技術堆疊、經驗年資、地點與薪資預期逐項設定。
4. 打開深度洞察頁，對照技能雷達圖與成長軌跡，判斷能力結構是否契合職缺。
5. 需要評估團隊適配時，進入協作網絡圖譜檢視學術與產業連結。
6. 以趨勢洞察中的薪資參考校準待遇區間，再進入聯繫階段。
7. 企業用戶先申請演示，確認 DaaS 與現有系統的對接方式與資料邊界。

適用對象

• 正在組建 AI 團隊的招募負責人：需要在履歷庫之外找到真正做過相關技術的人。
• 研究機構與實驗室：尋找特定方向的合作者，重點在學術產出而非任職經歷。
• 用人主管與技術面試官：希望在第一次通話前建立技術判斷。
• 投資與產業研究人員：關注人才流向與細分領域薪資水準。
• AI 研究者與工程師：用外部視角衡量自身位置，把成果說清楚。

使用前需知的限制

• 公開資料未揭露定價、方案與免費額度，計費方式需向官方確認後才能編預算。
• 能力邊界依賴公開資料。未公開的內部專案、專有系統與非英語社群覆蓋較弱，評分應視為訊號而非結論。
• 僅明確提到少數來源，完整資料源清單、更新頻率與回溯年限尚未公開。
• 影響力指數與技能雷達的計算口徑未公開，跨領域直接比較分數意義有限。
• 涉及個人資料處理，來源合法性、保存期限與刪除機制需依所在地法規自行核實。
• 語意搜尋效果與描述品質高度相關，需求寫得含糊時結果會明顯發散。

常見問題

與一般招募網站差在哪裡？

招募網站顯示誰在找工作，DINQ 顯示誰在做這件事，因此能觸及沒有主動求職的被動候選人。

一定要知道姓名才能用嗎？

不用。可以從學者頁面網址開始，或直接用自然語言描述需要的畫像。

畫像能直接當錄用依據嗎？

建議只作為篩選輔助。面試表現、協作經驗與團隊適配無法從公開訊號看出來。

既有招募系統需要換掉嗎？

不必。DaaS 模式可把搜尋與洞察能力接進現行系統。