用户档案（Enrich）
了解候选人基础信息、看机会指数、L1–L4 职级、近期动态和千人千面的分析，结合来源核验档案。
Enrich 是 DINQ 的候选人档案补全与分析功能。 它把分散的公开经历、作品、研究、职业信号和近期动态整理成一份便于评估与联系的档案，并结合本次搜索上下文给出匹配说明和招募建议。
这里的“用户档案”指你正在研究的候选人档案，不是你自己创建并公开发布的 Profile 个人主页。它也不同于 人才分析 中的单平台分析流程。
阅读 Enrich 时，可以按下面五类信息理解候选人：
| 分析 | 帮助理解什么 | 不等于什么 |
|---|---|---|
| 基础信息 | 这个人是谁，在哪里工作，有哪些可核验的经历和公开链接 | 完整背景调查或本人已确认的最新履历 |
| 看机会指数 | 从公开信号判断对新工作机会的可能开放程度 | 本人求职声明、回复率或接受 Offer 的概率 |
| L1–L4 职级 | 以统一的相对分层理解资历和可能承担的工作范围 | 候选人在某家公司的真实职级或薪酬等级 |
| 千人千面的动态分析 | 根据人才类型、搜索上下文和可用证据调整分析重点 | 给所有人套用同一份指标模板，或保证全天实时更新 |
| 近期动态 | 最近有哪些有公开来源的作品、活动或职业变化 | 完整行踪、全部活动记录或实时监控 |
在哪里生成和查看档案
- 在搜索结果的 档案 列点击 生成档案。
- 等待生成；完成后点击 查看档案。
- 需要一次处理多人时，勾选候选人，在工具栏选择 生成档案。
- 查看匹配结果、职业信号、招募建议和来源；不要只看最终分数。
本页详细介绍搜索页的新版档案。候选名单和人才雷达目前仍使用不同的档案面板，并非所有入口都会展示相同字段。
单列与双列布局
Enrich 支持以单列或双列查看 同一个候选人的同一份档案。这是面板宽度带来的展示变化，不是两个人的对比，也不会因切换布局重新生成档案或新增生成费用。
- 单列： 面板较窄时，基础信息和分析模块沿一列上下排列，向下滚动继续查看。
- 双列： 面板足够宽时，左侧展示姓名、职位、机构、简介、匹配结果和教育经历等基础信息；右侧展示能力与成果、职业状态、看机会指数和招募建议等分析结果。近期动态与来源可继续在左侧下方查看。
- 切换方式： 桌面端点击档案面板右上角的 展开宽版 / 收起宽版 图标。实际列数仍取决于可用宽度；窄屏不会为了双列而挤压内容。
基础信息：先确认你看到的是谁
基础信息位于档案顶部，帮助你快速确认人物身份，再决定是否继续阅读分析。不同人物的公开信息完整度不同；没有找到的字段可能留空或使用中性占位。
| 信息 | 页面中的含义 | 建议怎样核对 |
|---|---|---|
| 头像与姓名 | 候选人的姓名、可用的中文名和头像；没有头像时可能展示姓名首字母 | 不要只凭照片或同名判断身份，结合机构、经历和公开主页确认 |
| 当前职位与机构 | 当前公开记录中的职位、公司、实验室或其他机构 | 查看原始职业资料或机构主页，留意是否已经变更 |
| 最高学历与地点 | 可用的学校、学位和公开地点信息 | 地点不等于求职地区偏好，学历缺失也不等于没有学历 |
| 一句话简介 | 对候选人方向、背景或代表性成果的简要概括 | 这是生成的摘要，需要结合下面的经历和作品阅读 |
| 公开平台链接 | GitHub、LinkedIn、Scholar、个人主页等可用链接 | 点击来源核对身份和具体产出；链接出现不代表本人已授权 DINQ 登录该账号 |
| 教育与工作经历 | 学校、机构、学位或职位及起止时间 | 检查时间线、重叠经历与当前任职是否一致；公开记录可能不完整 |
基础信息回答“这个人是谁”，匹配结果 回答“为什么可能适合当前需求”，两者不要混淆。同一个人可以有相同的经历，但在不同岗位需求下有不同的匹配说明。
看到 数据完整度 时，应把它理解为当前档案覆盖了多少类可用信息，而不是资料真实性、候选人能力或录用把握。档案末尾的 数据来源 和生成时间用于进一步核验；生成时间也不表示所有来源都是当天更新的。
顶部的 获取邮箱 是独立的联系方式查询入口，生成基础信息不会自动获得邮箱，也不会发送邮件。相关计费见下文，联系流程见 触达。
看机会指数
看机会指数是 0–100 的模型评估分数，用于辅助判断候选人对新工作机会的可能开放程度。 指数越高，模型认为越值得进一步了解其机会偏好；不代表对方已经在找工作。
| 分数 | 页面分档 | 如何理解 |
|---|---|---|
| 0–39 | 稳定 | 公开信号更偏向当前状态稳定，可以先建立联系、持续关注 |
| 40–69 | 观望 | 可能会考虑合适机会，适合带着具体岗位或合作背景进一步沟通 |
| 70–100 | 积极 | 模型认为开放程度较高，仍需直接确认意愿、时间与条件 |
阅读时要同时看 判断依据：职业阶段、当前任期、近期公开事件等可能提供正向或负向信号。依据旁的正负影响值帮助解释模型为什么这样判断，不是候选人的自我评分，也不要把它们直接相加当作最终分数公式。
页面展示的 ± 反映估计的不确定性，不是保证区间。80 分不是“80% 会跳槽”或“80% 会回复”；指数低也不表示拒绝一切联系。请核对来源和时间，再通过专业、尊重的沟通确认。
L1–L4 职级与资历分布
在 招募建议 > 定级与岗位 中，DINQ 用 L1–L4 表达候选人的相对资历层次，帮助跨不同公司、职位名称和人才背景理解其可能承担的职责。
| 档位 | 含义 | 参考工作范围 |
|---|---|---|
| L1 | 初级 / 应届 | 在指导和明确目标下完成具体任务 |
| L2 | 中级 | 独立负责一个模块、项目环节或研究课题 |
| L3 | 资深 / Staff | 定义方向、负责核心技术，或带领小团队 |
| L4 | 专家 / Principal | 在领域内具有广泛影响力，参与决定组织级方向 |
这是一套 DINQ 的相对资历分层，不是任何特定公司的内部级别，也不按工作年限机械换算。管理路线与专家路线都可能体现较高资历，不是只有管理人数多才能达到更高档位。
档案展示的是 L1–L4 的资历分布，而不只是一个绝对标签。例如，演示分布为 L3 60%、L4 30%、其他档位合计 10%，表示模型更倾向于 L3，同时保留其他可能；不是已经核实此人在现公司的职级。分布接近时尤其需要核对项目职责、影响范围和真实产出。
结合 推荐岗位、接触策略、最佳时机 阅读，会比单独比较 L 值更有用。职级分布不应直接用于确定薪酬、拒绝候选人或替代面试。
千人千面的动态分析
千人千面，是指分析重点会随候选人的人才类型、公开资料和本次搜索上下文变化。 DINQ 不会要求一名研究员、创作者和创业者都用同一组指标证明自己。
| 人才类型 | 可能重点展示的信号 |
|---|---|
| 职场人才 | 工作经历、职责与资历、任期、公开项目，以及同事或协作线索 |
| 创作者 / KOL | 内容、平台影响力和互动、代表内容，以及公开合作线索 |
| 创业者 | 公司与融资阶段、创业经历、代表产品和合作可能性 |
| 青年学者 | 研究方向、论文、引用、学术阶段，以及应届或实习资格线索 |
| 高校教职 | 学术成果、引用与合作网络，以及顾问或研究合作的相关线索 |
| 前沿实验室人才 | 论文与工程成果、实验室经历，以及可用的人才流动信息 |
| 公开资料主要来自 LinkedIn 的人才 | 优先展示可核验的职业经历与任期；缺少的作品或合作信息保留为空，不编造补齐 |
类型是组织分析的方式，不是对个人能力的高低排名。每一类实际显示哪些内容，仍取决于可用证据；公开信息少不等于能力弱。
搜索上下文也会影响匹配说明。 例如，同一候选人用于“大模型推理工程师”和“开发者生态负责人”两种不同需求时，应该核对的作品、相关经历和匹配理由并不一样。档案会使用本次请求携带的匹配上下文和身份线索来分析，而不是把一个分数永久贴在人身上。
这里的“动态”还包括一次生成中的分阶段补充与精修：更多来源到达后，匹配说明、判断依据和招募建议可能更新。它 不代表每次打开档案都会重新检索，也不代表全天自动追踪。相同请求可能复用缓存；需要持续发现人才时，可另看 人才雷达。
近期动态：了解最近发生了什么
近期动态把可用的近 90 天公开事件整理为时间线，帮助你了解候选人最近在做什么，也为核验背景和准备有上下文的联系提供线索。常见类型包括论文、职位变动、开源、演讲、新闻、社媒、荣誉和内容发布。
每条动态按可用信息展示：
- 日期与事件类型： 帮助判断发生时间和活动性质，不要把旧报道当成刚发生的事件。
- 事件摘要： 用简短文字概括发生了什么，重要细节请回原始页面核验。
- 来源链接： 打开论文、项目、机构公告、新闻或公开帖子，确认事件是否属于同一个人。
- 对看机会指数的影响： 部分事件会显示正负影响值，用于解释模型判断；它不是本人对外表达的求职意愿，也不是该事件造成跳槽的证据。
例如，演示场景中一位候选人近期发布了推理优化项目，你可以打开仓库检查其实际贡献，再围绕相关工作准备沟通。单次演讲、发帖或职位变化本身，不足以证明对方正在求职。
近期动态与千人千面的动态分析不是同一件事。 前者整理“最近发生了哪些公开事件”，后者说明“为什么针对这个人、这次需求，采用这些指标和判断”。近期动态可以成为分析依据，但不是每个事件都会改变分数。
时间线取决于生成时能够获取的公开记录，并不是每次打开都重新抓取。使用缓存时，不要把它当作截至此刻的完整动态；没有显示记录也不代表候选人没有活动。持续发现人才可使用 人才雷达，重新生成规则见下文。
结合其他模块阅读
- 匹配结果： 对当前需求的分数、结论、理由和关键词。
- 教育与经历： 可用的学校、机构、岗位和起止时间。
- 核心指标与代表作： 按人才类型选择指标，并关联论文、代码、项目或内容作品。
- 合作者或同事： 有公开依据的关系线索，不代表对方愿意提供推荐。
- 职业阶段与任期： 与 L1–L4 分开阅读；在读阶段、任职年限和职责层次不是同一概念。
- 近期动态与来源： 可用的近 90 天公开事件、来源链接、生成时间和数据完整度。
看机会指数、岗位匹配分数、职业阶段置信度和 L1–L4 分布回答的是不同问题，不要把它们当成同一个评分，也不要用数据完整度代替能力判断。
生成、缓存与计费
搜索页新版档案每次成功生成扣除 5 Credits。同一用户在 7 天内，以相同姓名、匹配上下文、身份线索和语言请求，可复用已有档案而不再扣费。
主动 重新生成档案 会跳过缓存，成功后再次扣费；切换语言或改变请求上下文也可能需要新生成。生成中的补充与精修是该次生成流程的一部分，不要把每条进度提示理解为又开了一次新的收费生成。
获取邮箱是另外的操作，每位候选人成功获取邮箱 20 Credits，不包含在档案生成费用里。完整规则见 定价与 Credits。
如何使用分析结果
先看候选人是否适合当前需求，再结合职级分布理解工作范围，最后用看机会指数和公开依据准备接触方式。发送前可在 触达 中检查收件人和草稿。
所有预测都应与事实字段区分开。模型判断不是本人意愿、背景调查结论或录用决定；未找到信息也不等于不存在。重要判断请回到原始来源，并通过作品评审、面试和本人确认核验。