评估候选人
结合职位要求和公开信号判断候选人是否值得跟进。
DINQ 候选人档案会把多个公开来源中的信息整理到一个结构化视图里，帮助你判断候选人是否相关、可信，以及是否值得联系。
你可以用档案回答这些问题：
- 候选人的真实工作是否和岗位匹配？
- 公开经历是否有可验证的证据支持？
- 他们的项目、论文或贡献是否符合技术要求？
- 有哪些具体上下文可以帮助你写出更好的触达消息？
补全档案
补全档案可能包括职业背景、公开链接、GitHub 活动、论文、项目、教育背景、工作经历、社交资料、联系方式和 AI 生成的说明。
DINQ 档案用于辅助评估，不应替代人工判断或自动化决策。请始终结合来源链接和你的招聘标准进行判断。
理解 Match Scores
Match Scores 用来提示候选人与搜索需求的匹配程度。它们基于多个公开信号生成，不只是简单关键词匹配。
你可以把 Match Scores 作为排序和优先评估的起点。高分可以帮助你决定先看谁，但不应替代你对候选人作品、经历和匹配度的判断。
重点看什么
评估候选人时，建议从多个维度交叉查看：
- GitHub： 主要技术栈、项目质量、贡献模式、仓库活跃度、stars、下游使用情况和开源影响力。
- 论文与研究： 研究方向、论文质量、引用趋势、h-index、会议发表情况，以及研究偏理论还是应用。
- LinkedIn 和工作经历： 公司、职位、任职时长、组织规模、职业轨迹，以及它们是否和公开技术产出一致。
- 项目和作品： 线上产品、demo、个人网站、独立开源项目和其他公开 proof of work。
- 联系方式和触达上下文： 可用联系方式，以及可以在消息中引用的具体切入点。
交叉验证测试
不要只依赖单一数据点或职位头衔。建议用公开证据交叉验证候选人的能力声明。
- 基础设施测试： 如果候选人看起来有 LLM infrastructure 经验，检查他们的 GitHub 仓库或贡献是否体现相关代码、系统或框架使用经验。
- 研究测试： 如果候选人看起来是 AI 研究员，查看论文、引用、合作网络和会议发表是否支持这一判断。
- 资历测试： 如果候选人看起来资深，寻找项目 ownership、架构决策、领导经验或复杂协作的证据。
- 创业建设者测试： 如果你需要从 0 到 1 的 builder，寻找他们是否独立发布过项目、产品、仓库或技术系统。
Talent Analysis
Talent Analysis 会把公开档案链接转化为结构化洞察，覆盖工程、研究和职业背景。
你可以用 Talent Analysis：
- 在内部讨论前评估工程师或研究员的公开技术能力。
- 找到可以在触达中引用的具体项目、代码或论文细节。
- 更一致地比较跨平台资料。
- 为招聘团队提供更清晰的候选人评估证据。
Talent Analysis 依赖公开可用记录。生成洞察的深度和准确性取决于来源数据是否充足、是否及时更新。