评估候选人

补全档案

在搜索结果表格的 档案 列点击 生成档案，完成后可通过 查看档案 打开；也可以从候选人入口打开档案面板。勾选多名候选人后，使用结果工具栏的 生成档案 批量处理。

生成时会显示确认身份、生成基础档案、评估职业信号、补充来源和精修等进度。表格里的百分比和填充进度条是生成进度估算，不是候选人匹配度，也不是剩余时间承诺；请以生成完成状态为准。切换候选人不等于停止已启动的生成，请留意完成状态和余额。

新版档案按可用证据展示：

• 匹配结果： 当前需求的匹配分数、结论、理由和标签。
• 教育与经历： 公开教育、工作背景。
• 能力与成果： 核心指标、代表作、合作者或同事。
• 职业状态： 职业阶段、任期、看机会指数，以及可用的岗位和接触建议。
• 近期动态与来源： 近 90 天公开动态、来源链接、生成时间和资料完整度。

没有公开信息的项目可能为空，生成失败也可能只保留部分内容。“未找到”不等于此人没有相关经历；看机会指数和招募建议是模型推测，不是对方明确表示愿意换工作。

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。

档案计费与复用

搜索页新版档案成功生成每份 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时，可复用缓存而不再扣费。主动 重新生成档案 会跳过缓存，成功后再次扣费。邮箱查询另外计费，不包含在这 5 Credits 中。

搜索页、候选名单和人才雷达目前并非全部使用同一档案面板。本文的新字段与批量生成步骤针对搜索页；其他入口以实际显示为准。

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。

具体入口和三种平台的使用方法见 人才分析。