当DeepSeek和OpenAI的核心贡献者越来越年轻，传统的简历筛选方式正在逐渐失效。一位来自前阿里达摩院的研究员，正尝试用Agent架构编织一张能够捕捉“下一个Ilya Sutskever”的智能网络。
2024年，高岱恒（Sam）做出了一个重要决定：离开他工作了四年的阿里达摩院。
作为一名92年出生的算法研究员，他正处于传统职业发展的黄金时期。然而，在AI领域内部，一种难以名状的焦虑感正在扩散。Sam观察到，从Flash Attention到首个开源大模型Llama，再到近期让DeepSeek声名鹊起的GRPO算法，这些自2022年以来最具突破性的“Ground Breaking”技术，几乎都是由30岁以下的年轻人主导完成的。
“Llama发布的那个月，第一作者Hugo Touvron只有29岁；OpenAI打造ChatGPT的核心成员Alec Radford，当时也只是富兰克林·欧林工程学院的一名本科生。”Sam在接受采访时感慨道，“在这个行业，如果你到了30岁还在从事单纯的模型微调工作，你会发现这部分任务正在演变为类似‘数据清洗’的体力劳动，而创造力的巅峰期似乎正悄然远去。”
既然无法在传统的年龄赛道上竞争，那么不如选择加入他们，或者，为这群人铺路。
Sam与他的合伙人孙辰昕（Kelvin）决定转换赛道。他们试图解决一个在AI时代变得日益棘手的问题：如何才能找到那些散落在世界各地、真正理解并能够构建AI的‘Builder’？
他们的答案是Dinq，一个基于Agent架构的AI人才搜索引擎，致力于打造一个面向AI人才（研究员、工程师）的垂直社交与招聘平台。在零市场推广的情况下，这款产品在内测阶段就吸引了来自Meta、xAI、OpenAI的核心贡献者，甚至IKEA AI Lab的首席科学家也主动完成了注册。
这不仅是一个关于AI时代如何招聘的故事，更深层次地，它关乎在AI时代我们该如何重新评估“人”的价值。
简历已“死”，GitHub万岁
在硅谷，传统的招聘逻辑正在失去效力。
过去，猎头们习惯于在LinkedIn上筛选“斯坦福毕业”、“谷歌工作经历”等标签。但在AI领域，这种基于头衔的筛选方法已然失效。“很多年轻的AI人才并不频繁更新领英，或者他们的履历看起来平平无奇，但在开源社区里却是真正的大神。比如Sora2的研究员Harold Li，你在领英上只能看到他毕业于UCLA，是一名博士生。”Sam解释道。
Dinq的核心逻辑是：在AI时代，你的实际成果远比一份精心修饰的简历更加诚实。
用户无需手动填写冗长的简历，只需提供自己的GitHub或Google Scholar链接，AI便会自动抓取相关数据并生成一份动态的个人主页，清晰展示论文引用量、代码仓库Star数量等关键量化指标。
也就是说，当你输入某个人的GitHub或Google Scholar链接后，Dinq的智能体便会开始自动工作。它基于ReAct（Reasoning + Acting）架构，如同一位经验丰富的技术面试官般进行深度推理：
首先是评估代码的含金量。 这个人是否为HuggingFace的Transformers库提交过Pull Request？是核心功能贡献，还是简单的文档修复？
接着是审视学术影响力。 不仅仅查看总引用数，智能体会深入论文详情页面进行深度抓取，从多达3000人的作者名单中精准定位到他的贡献次序，甚至能识别出他是某个知名项目的核心贡献者。
最后是考察社交影响力。 他在Twitter或Reddit等技术社区参与讨论的活跃度如何？
“我们曾进行过一次测试，目标是寻找OpenAI视频生成模型Sora2的核心华人贡献者。竞品搜索出来的结果是一大批不相关的工程师，而我们的智能体能够精准地列出那十几位真正的核心成员。”Sam对此充满自信。
这种精准度的背后，是一套复杂的系统工程。Dinq利用Anthropic的Claude Opus 4.5模型作为进行意图识别的“大脑（Planner）”，指挥专门针对GitHub、Arxiv等平台定制的子智能体进行深度检索，并利用MCP（模型上下文协议）来高效连接不同的数据源。
“这不仅仅是在找人，同时也在为大模型准备高质量的‘燃料’。”Sam认为，Dinq本质上是在进行数据的智能编排与聚合。通用大模型调用单一渠道的信息往往是片面的，而Dinq将分散在全网的碎片化数据，整合成了一份AI能够深度理解的“全息档案”。
信任传导：从“你是谁”到“你认识谁”
试用Dinq时，可以发现一个有趣的功能：Network（关系网络）。
当搜索某位知名研究员时，系统不仅展示了他的个人履历，还会生成一张可视化的核心合作关系图谱——他最为紧密的6位合作者是谁？是Meta的前同事，还是其在伯克利读博时的导师？
“在学术和技术圈，信任是可以传递的。”Sam解释道，“如果你不了解一个人，但发现他的核心合作者是领域内公认的大牛，或者他的校友圈都在从事最前沿的研究，那么这种‘非事实性’的延展信息，往往比简历上的自我介绍更具参考价值。”
这实际上切中了企业端招聘中最隐痛的需求：背景调查与信任建立。
通过智能体的推理能力，Dinq试图将这种隐性的人际网络关系显性化。Sam透露，团队目前还在测试利用多模态模型分析候选人的“主观特质”，通过分析其博客写作风格、代码提交习惯等，来推测候选人的性格特点和潜在的职业榜样。
“我们甚至能够回答‘帮我找一个与这位候选人背景类似，但更年轻的异性专家’这样模糊且复杂的指令。”在内部的基准测试中，处理这种抽象搜索需求的能力远超传统的关键词匹配方法。
以官方提示词库中的一个例子“寻找AI Agent产品的GTM（进入市场）专家。关注领域：- 产品驱动增长 - 开发者采用策略 - 早期规模化阶段；产品类型：AI原生或开发者工具；偏好：拥有已验证的增长履历”为例：
可以看到，Dinq首先将需求拆解为四个关键维度的交集，确立了搜索的“靶心”，包括产品类型、增长模式、所处阶段以及核心能力。
随后，Dinq采用了“从概念到实体”的搜索路径进行多维度的广度探索：
- 关键词搜索：检索“AI agent GTM experts”、“Developer adoption strategy”、“PLG for AI tools”等组合，寻找行业白皮书、播客嘉宾名单和高引用的技术博客。
- 标杆公司锚定：锁定该领域公认的成功公司，反向查找其早期核心增长负责人或市场战略的操盘手。
在找到初步的候选人列表后，会进行两轮筛选以确保匹配度：
- 第一轮（相关性）：剔除仅有纯销售背景或仅有Web2消费级产品经验的人选，保留具备SaaS、AI、开源复合背景的专家。
- 第二轮（含金量）：重点核查其过往业绩是否包含“从0到1”或“从1到10”的关键战役。
最后，将筛选出的专家按专长进行结构化分类，例如分为PLG专家、开发者生态专家、企业级销售转型专家等。
Dinq的价值在于，它将模糊的需求（如“AI Agent”、“GTM专家”），转化为了具体的“搜索锚点”（即：不找宽泛的“营销专家”，而是精准定位“PLG操盘手”和“开发者社区负责人”）。同时，通过锚定Notion、Twilio等成功企业来“顺藤摸瓜”，保证了产出名单的质量下限。这是一种风险最小化的智能搜索策略。
Agent原生的招聘未来
作为一名“92年的AI圈老兵”，Sam对年轻一代的观察既充满危机感，也饱含希望。
Dinq创始人Sam
“现在的00后，遇到代码bug直接丢给Cursor处理，遇到文书工作丢给ChatGPT。他们是Agent Native（AI原生）的一代。”Sam认为，这群人的求职方式也将发生根本性的变革。
现在的年轻人依然在海投简历的过程中感到挫败，效率低下是一个问题，但更关键的，是底层匹配逻辑的问题。
Sam构想的未来图景是：未来的AI开发者们将不再需要手动刷Boss直聘或Indeed，而是直接向自己的Personal Agent（个人智能体）陈述需求：“我想找一个重视开源文化的AI基础设施团队，最好在湾区。”
智能体会根据你的代码风格、过往项目贡献和在全网的影响力数据，自动去匹配最适合的工作机会，并完成初步的沟通与投递流程。Dinq目前提供的“测身价”、“自动生成主页”功能只是第一步，它的终极目标是成为这个智能化流程中的核心基础设施。
“未来的工作中，具体任务与所需智能是高度纠缠的。”Sam说道。在这个体系中，那些能够熟练驾驭AI工具、拥有独特技术审美和创造力的“超级个体”，其价值将被无限放大。
在采访的最后，Sam提到了他发起的“青稞社区”，这是一个旨在汇聚AGI时代青年科学家与开发者的社区。目前已经聚集了超过3万名年轻的研究员和开发者，他们中的许多人，很可能就是下一个OpenAI或DeepSeek的核心缔造者。
“智力的垄断一旦形成，往往需要百年时间才能被打破。”Sam提起一篇《自然》杂志的研究，指出在60多个关键的AI技术领域中，华人研究者已经占据了压倒性的优势。
相比打造一个传统的招聘软件，Dinq更渴望为这个即将到来的“智力资本时代”修建底层基础设施。据悉，Dinq已完成一轮由蓝驰创投投资的种子轮融资，目前正在洽谈新一轮融资。
当一位埃及的足球教练开始用AI分析青训数据，当一位宜家的科学家在深夜注册Dinq的账号，我们知道，一些曾被视为遥远未来的场景，已经开始成为当下世界运行的一部分。
在这个时代，定义你的不再是名片上的头衔，而是你留在这个数字世界里的每一次代码提交（Commit），每一篇学术论文，以及你与这个日益智能的世界的每一次深度交互。
本文由云栈社区编辑优化，关注我们获取更多人工智能与开源技术前沿资讯。
发表于 3 天前
|
查看: 7|
回复: 0
