欧博allbetAI简历过时了？DINQ用项目图谱验证真能力

欧博allbetAI简历过时了？DINQ用项目图谱验证真能力

以传统招聘平台借助A4纸简历来筛选人才之际, DINQ凭借AI技术对人才评估逻辑予以了重构, 该产品把散落在GitHub、arXiv等平台的真实产出, 进行聚合形成人脉图谱以及职业画像, 以项目协作关系替换传统弱连接, 本文深入剖析其怎样借助动态知识图谱达成从「简历匹配」至「能力验证」的跨越, 给招聘行业带来全新解决办法！

大概起码有一个是大家使用其中一个过脉脉的时候和领英, 然后Boss直聘, 前程无忧, 智联招聘或者大概起码有一个是大家被此破防过的时候牛客网内推。

又到了一年之中金三银四的预热阶段, 已然有朋友开始询问我该如何运用AI去修改简历了。AI在撰写长文方面颇为擅长, 然而在写简历这件事上着实困难, 需要将90%的经历舍弃掉, 并且还得把我觉得最具价值的那10%的内容, 塞进一张A4大小的简历里。

就是这样一份, 已然被挤压到了极致程度的简历, 竟然尚有能够继续压缩的空间, 待到放置于脉脉以及领英之上时, 呈现出来的就变成了工作经历, 教育经历, 还有技能这干巴巴的三大类别之状, 而其中的作品集, 开源项目, 学术论文, 统统都没有得以展示的机会。

整个过程欧博网投注册，我们都在不停地做减法。

这两天, 我碰到了一个名为DINQ的产品, 它在做加法, 它试图在一张卡片之中, 于一次点击之际, 将我们所有的信息都予以展示出来。

https://dinq.me/?from=aiwarts

在之前的时候, 我也曾使用过与之相类似的, 比如说Bento, 还有BuyMyCoffee, 以及Bonjour, 它们呈现的皆是自定义模块的卡片展示模式。然而, DINQ存在着不一样的地方, 那便是属于它的Network人脉图谱, 还有Career Trajectory职业画像, 以及Discover人才搜索。

在聊这些功能之前, 我觉得有必要回头去看一下我们的求职方式, 于过去几十年它经历了怎样的变化, 变化到现在是四面转变至六面, 进而成为八面, 甚至发展到十面。

最早的招聘欧博allbetAI简历过时了？DINQ用项目图谱验证真能力，靠的是公开张贴和口口相传。

到十九世纪之时, 报纸的分类广告得以出现, 使得找工作这件事情进入了大规模信息匹配的早期阶段, 在那个时候, HR的聊天工具乃是电话, 候选人的投递工具是信封。

然后呢, 接着出现了猎头, 还有人才市场, 以及校园招聘会这些形式, 它们使得关系网朝着职业化转变, 将供需双方汇聚于一个物理空间之中, 促使筛选能够以规模化的方式开展。

随后, 便是我们所熟知的互联网时代, 招聘信息由报纸迁移至网站, 简历从A4纸转变为电子文件, 人才筛选也开始被算法深度地予以介入。

每次招聘渠道进行迭代, 从本质上来说, 做的都是同一件事情, 这事就是把那种称之为噪音的给过滤掉, 以此让具有价值性的信号变得更加集中, 是这样的没错吧。

历经迭代直至如今, 最具价值的信号并非仅仅是一份处于静态状态的简历, 而是那些分散在各类平台之上的真实数据啊。

理解了这一点AI简历欧博会员网，你就能明白DINQ在做什么了。

它借助聚合你于各个平台的输出, 进而构建一个更为丰富的信号源。我所要做的, 便是上传一份简历, 再将日常输出的链接, 诸如 GitHub、arXiv、X、领英等都打包进去。它会耗费一些时间, 把这些年散落于各个角落的经历给串联起来。

于是, 它借助Network人脉图谱, 以及Career Trajectory职业画像, 去展现那些更丰富的信号。

人脉图谱所构建的, 并非脉脉和领英那种, 你们都在XX大学, 都在XX公司, 有着多少共同好友, 充斥无效信息的弱关系。而是谁和谁一同交付过什么项目的强关系, 一起编写过代码的关系, 一起撰写过论文的关系, 甚至大学导师也会成为我人脉网中的一部分。

当我去看自身的Network图谱之际, 我便会再度认知到自身当下的技术于这一领域所处的位置, Career Trajectory职业画像, 我将其称作招聘界的MBTI。

DINQ 先是依据我的公开信息以及写入的链接, 对我更倾向于哪类角色进行一个归类, 像是开发者、创始人、研究员。这里面的角色并非我简历上所填写的职位名称, 而是它凭借经历, 并结合产出, 还有影响力以及合作关系（也就是刚刚提到的人脉图谱）推断出来的职业原型。

接着要做的是去把这些原型变为占比, 随后给出具有代表性的样本, 左侧的那根竖条是一个呈现了堆叠占比情况的条, 其中25%对应着一个原型桶, 35%对应着另一个原型桶, 40%对应着又一个原型桶。

右侧, 每一块, 都给予了一个代表人物, 作为样本, 来进行解释, 而我的表述是, 25%是Developer开发者, 35%是Founder创始人, 40%是Researcher研究员。

上面都是真人，我可以只通过这个卡就找到他们的联系方式。

倘若DINQ仅仅去做一个具备漂亮外观的个人名片工具, 那么它所能达到的上限是极为显著的。切实促使它拥有机会跻身成为行业基础设施的, 乃是它的Discover人才搜索功能。

查看一下, 关于DeepSeek Conditional Memory via Scalable Lookup:A New Axis of Sparsity for Large Language Models这篇论文, 其作者是哪些人。

那咱们来举个例子哈, 要是你打算去搜寻一位曾在字节就职过的、具备撰写大模型强化学习能力的工程师, 在传统的招聘系统当中, 你很有可能会搜索到几千条甚至上万条结果（说不定这数量都算少的啦）。

在这个时候, 就得添加林林总总的硬性指标, 是杭州本地的, 具有985或者211高校背景, 再者是国外Top10名校的, 工作经验在5年以上等等之类 的, 一旦这些硬性条件进行筛选, 就会发觉人又没了, 极端与极端之间, 差异极大哈。

DINQ的搜索呈现为具有动态更新特性的知识图谱, 在搜索DeepSeek论文的作者之际, 能够选择第一作者, 进而生成其相关的人脉图谱。

先寻得与他有着最多合作往来之人脉, 而后还能够去生成一份研究报告, 这份报告看起来极像是另一个版本的DINQ Card, 甚至连给人的薪资估算都已然得出了。

在搜索一个像多模态算法工程师这样的概念时, Agent 思考的路径呈现为这般模样, 此人乃是某篇针对多模态模型的关键论文的共同作者, 其 GitHub 上面存在一个有着高星标的开源项目, 此项目是围绕处理视频以及文本数据展开的, 而且其人脉网络表明, 他同这个领域另外两位被公认的专家有过项目合作。

这就是根本性的不同。

它找寻的是那种有着公开行为以及真实产出所能够进行验证的证据, 并非候选人自身声称的标签。工作成果具备了比起职位头衔还有公司品牌更高的影响力。

在信任能够借助一张真实协作的网络予以建立之际, 发现人才的方式将会发生改变。

我想找做过某类项目的专家时, 搜索的并非关键词, 而是顺着真实协作关系, 找到离自己最近的那个可信入口, 甚至还会期望, 后续版本的DINQ能帮我生成第一条私信草稿。

或者告诉我通过谁来转述会显得更自然。

若是处于往昔, 不存在更为优质高效的途径能于短暂的时间之内呈现那个人, 于是我们被迫压抑自身迁就现状, 借助一张A4纸借以留存自己的全部内容。

然而, AI赋予了我们全新的可能性。我们能够选择将自身重新拼凑起来。以此展示一个更为完整且更为真实的自我。