DINQ

一、产品基因：AI人才生态的「技术捕手」

公司背景：由连续创业者Sam Gao创立的Qingke AI组织开发，背靠漕河泾开发区AI Hacker House生态网络，已构建覆盖全球的AI人才数据库。

技术底座：

graph LR
A[多源数据采集] --> B[动态清洗融合]
B --> C[能力量化建模]
C --> D[智能推荐系统]

• 实时接入GitHub/Google Scholar/arXiv等20+技术平台
• 自研事件驱动架构确保信息时效性
• 实体识别引擎消解跨平台身份歧义

二、谁在用DINQ？这些场景正在颠覆传统招聘

表：DINQ企业级用户矩阵（数据来源：DINQ官方案例库）

三、5大核心功能解剖：比猎头更懂技术人才

1. 语义化人才发现引擎
   ⚙️ 技术原理：检索增强生成（RAG）+ 知识图谱嵌入
   支持自然语言查询如：“寻找专注多模态大模型且有产品化经验的PyTorch专家”，系统自动解析技术栈、项目经验等50+维度。

2. 三维动态画像系统

   pie
   title 能力评估维度权重
   “代码贡献” ： 35
   “学术影响” ： 30
   “工程实践” ： 25
   “社区声望” ： 10

   通过雷达图+时间线可视化成长轨迹，例如分析Hugging Face技术总监Thomas Wolf时，精准标注其核心项目PyTorch-Transformers的代码贡献比（占GitHub总活动96.8%）。

3. 学术影响力毒舌评测（Roast）
   基于H指数修正模型和引用网络分析，在评估数学家王虹时指出：“虽然H指数19远超领域均值，但需提升期刊多样性”（原话引用）。

4. 人才流动热力图
   应用时空序列预测模型，成功预警2024年Q2 OpenAI人才向中国初创公司流动趋势，准确率达82%。

5. 薪资智能定价
   融合市场竞价数据+学术产出指标，为顶尖AI人才生成身价区间（如：多模态专家预估年薪$800K-$1.2M）。

四、高手都在用的3个实战技巧

1. 反向人才映射术
   在搜索框输入竞品公司名称+技术方向（例："Google Ads+Agent优化"），立即发现其核心技术成员的公开项目贡献。

2. 关系链穿透查询
   通过「共同作者图谱」定位目标人才的学术合作关系，曾帮助某医疗AI团队3天内搭建完整技术顾问网络。

3. Agent监控预警
   对心仪人才点击「追踪」按钮，当其有新论文/代码提交时自动推送通知，比LinkedIn动态快3-7天。

🔗 访问地址

官网直达：https://dinq.io
目前开放企业内测申请，个人研究者可提交Google Scholar链接获取分析报告

💡 冷启动建议：新用户建议先分析行业标杆人物（如Hugging Face联创Thomas Wolf），体验DINQ的深度解析能力，再逐步构建自己的「人才追踪清单」。