当传统招聘平台还在用A4纸简历筛选人才时，DINQ通过AI技术重构了人才评估逻辑。这款产品将散落在GitHub、arXiv等平台的真实产出聚合为人脉图谱和职业画像，用项目协作关系替代传统弱连接。本文深度解析其如何通过动态知识图谱实现从「简历匹配」到「能力验证」的跨越，为招聘行业带来全新解决方案。

脉脉和领英估计大家至少用过其中一个吧，Boss直聘，前程无忧，智联招聘，牛客网内推也至少被其中一个破防过吧。

又是一年金三银四预热，已经有朋友开始问我怎么用AI改简历了。AI写长文在行，写简历是真难，要把90%经历丢掉，还能留下10%我认为最有价值的内容塞到一张A4大的简历。

就这样一个被压到极致的简历还有压缩空间，放到脉脉和领英就成了工作经历，教育经历，技能干巴巴三大类，作品集，开源项目，学术论文都没展示的机会。

整个过程，我们都在不停地做减法。

这两天我蹲到了一个在做加法的产品，DINQ，它尝试在一张卡片里，在一次点击中把我们所有信息都展示出来。

https://dinq.me/?from=aiwarts

我之前也用过类似的，像是Bento，BuyMyCoffee，Bonjour，都是自定义模块的卡片展示模式。但DINQ不同的点在于它的Network人脉图谱，Career Trajectory职业画像，以及Discover人才搜索。

在聊这些功能之前，我觉得有必要回头看看我们的求职方式，在过去几十年经历了怎样改变，变到现在八面，甚至十面。

最早的招聘，靠的是公开张贴和口口相传。

到十九世纪，报纸的分类广告出现，让找工作这件事进入了大规模信息匹配的早期阶段。那个时候，HR的聊天工具是电话，候选人的投递工具是信封。

再后来又出现了猎头、人才市场、校园招聘会这些形态，它们把关系网变得职业化，把供需双方集中到了一个物理空间里，让筛选能够规模化地进行。

然后就是我们熟悉的互联网时代，招聘信息从报纸搬到了网站，简历从A4纸变成了电子文件，人才筛选也开始被算法深度介入。

每一次招聘渠道的迭代，本质上都是做同一件事，过滤噪音，让有价值的信号更集中。

迭代到现在，最有价值的信号不应该只是一份静态的简历，应该是散落在各个平台上的真实数据。

理解了这一点，你就能明白DINQ在做什么了。

它通过聚合你在各个平台的输出，来构建一个更丰富的信号源。我要做的，就是上传一份简历，再把日常输出的链接，比如GitHub、arXiv、X、领英都打包进来。它会花点时间，把这些年散落在各个角落的经历给串联起来。

然后，它通过Network人脉图谱和Career Trajectory职业画像来呈现这些更丰富的信号。

人脉图谱构建的不是是脉脉和领英那种你们都在XX大学，都在XX公司，你们有多少个共同好友的那种充满无效信息的弱关系，是谁和谁一起交付过什么项目的强关系，一起写过代码的，一起写过论文的，甚至大学导师也会成为我的人脉网之一。

当我看自己的Network图谱时，我会重新认识到自己现在的技术在这行所处的位置，Career Trajectory职业画像我愿称之为招聘界的MBTI

DINQ 先是基于我的公开信息和写入的链接，把我更偏向哪类角色做一个归类，比如开发者，创始人，研究员。这里的角色不是我简历上填的职位名，是它从经历，产出，影响力，合作关系（也就是刚刚的人脉图谱）里推断出来的职业原型。

接着就是把这些原型做成占比，然后给出代表性样本，左侧那根竖条是一个堆叠占比条，25%、35%、40%分别对应三个原型桶。

右侧每一块给了一个代表人物当作样本解释，我的话是25%Developer开发者，35% Founder 创始人，40%Researcher 研究员。

上面都是真人，我可以只通过这个卡就找到他们的联系方式。

如果DINQ只做一个漂亮的个人名片工具，那它的天花板是很明显的。真正让它有机会成为行业基础设施的，是它的Discover人才搜索功能。

搜索一下DeepSeek Conditional Memory via Scalable Lookup:A New Axis of Sparsity for Large Language Models论文的作者

打个比方，如果你想搜索一个在字节任职过的会写大模型强化学习的工程师，在传统的招聘系统你可能会搜到几千上万条（甚至这都说少了）。

这时候就得加各种各样的硬性指标，杭州本地，985或211高校背景，国外Top10名校，工作经验5年以上等等等，这些硬性条件一筛就会发现人又没了，极与极。

而DINQ的搜索是动态更新的知识图谱。搜DeepSeek论文的作者的时候可以选择一作，生成TA的人脉图谱。

找到跟他合作最多的人脉后，还可以生成一个研究报告，看起来非常像另一版本的DINQ Card，甚至给人薪资估算出来了。。。

当搜索一个概念，比如多模态算法工程师时，Agent的思考的路径是这样的，这个人他是某篇关于多模态模型的关键论文的共同作者，他的GitHub上有一个高星标的开源项目，是关于处理视频和文本数据的，并且他的人脉网络显示，他与这个领域的另外两位公认的专家有过项目合作。

这就是根本性的不同。

它搜索的，是公开行为和真实产出的可验证证据，而不是候选人自我声明的标签。工作成果拥有了比职位头衔和公司品牌更高的权重。

当信任可以通过一张真实协作的网络来建立时，发现人才的方式也会改变。

当我想寻找一个做过某类项目的专家时，我搜索的不是关键词，而是沿着真实的协作关系，找到离我最近的那个可信的入口，我甚至会希望，后续版本的DINQ能帮我生成第一条私信的草稿

或者告诉我通过谁来转述会显得更自然。

在过去，没有更好的方式在短时间来展示一个人，我们只能委屈求全，用一张A4纸来存储自己的一切。

但AI给了我们新的可能性，我们可以选择把自己重新拼回来，展示一个更完整更真实的自己。