搜索候选人
用自然语言描述要找的人，DINQ 会帮你细化搜索条件，并开始搜索匹配人才。
搜索可以帮助你从招聘需求出发，得到一批匹配候选人。你只需要用自然语言描述想找什么样的人，DINQ 会帮助你澄清细节、优化条件，并从公开来源中搜索相关档案。
当你已经有比较明确的理想候选人画像，但不想在多个平台之间手动搜索时，可以使用 搜索。
什么时候使用搜索
搜索特别适合以下场景：
- 高度技术化的细分领域： 在 AI、ML、基础设施、量化、安全、机器人等细分领域，或前沿研究方向中，搜索专业人才。
- 按真实产出物色人才： 根据开源贡献、已发布项目、论文或真实代码仓库等实际成果发现候选人。
- 绕过死板的布尔筛选： 用自然语言描述复杂招聘条件，而不是填写大量筛选框。
- 迭代粗略想法： 通过对话把早期招聘想法变成更清晰的搜索提示词。
- 反向解析 JD： 上传或粘贴 JD，让 DINQ 提取要求并搜索匹配档案。
运行第一次搜索
进入 Search，用自然语言描述你的招聘需求。你不需要提前写好完整 JD，只要像和同事说明需求一样描述即可。
示例：
我想找做过 LLM inference optimization 的工程师，最好有 CUDA、TensorRT 或 vLLM 经验。有开源作品更好。地点可以灵活，优先北美或远程。
你也可以从更简单的描述开始：
帮我找 20 个做 AI agent infrastructure 的工程师，最好有开源贡献。
你提供的上下文越多，DINQ 搜索效果越好。常见有用信息包括：
- 角色或方向： AI 研究员、ML 工程师、基础设施工程师、量化研究员。
- 关键技能： LLM、CUDA、React、TypeScript、PyTorch、机器人。
- 经验级别： Senior、founding engineer、team lead、创业背景。
- 地点： Bay Area、New York、London、Singapore、remote。
- 隐藏条件： 从 0 到 1 做过项目、开源足迹强、研究引用高。
确认并开始搜索
正式开始前，DINQ 会把你的需求整理成最终搜索提示词供你预览。如果有不准确的地方，你可以编辑，或继续细化。
确认后，DINQ 会开始搜索，并实时展示执行进度。因为 DINQ 会连接职业资料、GitHub 仓库、论文、个人网站和公开项目等公开信号，搜索过程可能需要一些时间。
保存候选人
发现有潜力的候选人后，可以保存到候选名单。候选名单适合用于：
- 建立特定岗位的人才池。
- 整理一次搜索中的候选人。
- 与 hiring manager 分享档案。
- 标记需要进一步验证或触达的候选人。