作者｜宋思杭
编辑｜苗正卿
头图｜视觉中国
这是虎嗅 WAIC" 追踪 Token 商业新范式 " 系列文章第 4 期。
过去半年，一个原本只属于开发者圈子的词，突然开始在 AI 行业流行起来—— Token-maxxing。
在海外，越来越多人开始在社交媒体上晒自己的 Claude Code 账单。有开发者一个月消耗数万美元 Token，也有人为了获得更多额度，同时开通多个账号。在国内，从 OpenClaw 到各种 Agent 产品爆发之后，关于 Token 消耗、模型额度和 API 成本的讨论也越来越频繁。
甚至一些公司开始限制员工的 Token 额度。
过去，Token 只是模型公司的计费单位；今天，它正在变成企业的一项经营成本。
对于模型公司而言，Token 意味着收入；对于 Agent 公司而言，Token 意味着成本；对于越来越多企业而言，Token 则开始成为一种新的生产力指标。
DINQ 就是其中一个典型样本。
对此，DINQ 创始人高岱恒告诉虎嗅：" 目前公司每个月在 DINQ 上的 Token 调用成本达到数万美元。"
对于一家不到 10 人的创业公司而言，这是一笔无法忽视的开支。
这是一家用 AI Agent 帮助企业找到合适人才的平台。用户只需要用自然语言描述想寻找的人才画像，系统便会自动完成搜索、筛选和分析。目前，其客户已经包括头部 AI 大模型公司和科技企业。
就在上周，关于 DeepSeek 500 亿融资的传闻，终于靴子落地。
从外界看来，背靠幻方量化的 DeepSeek 似乎并不缺钱。实际上，真正让梁文锋改变对融资态度的是，核心人才流失，外部抢人大战加速。据接近 DeepSeek 方面知情人士告诉虎嗅，字节以 10 倍的价格挖人，梁文锋不得已才选择通过融资，靠股权留人。
过去一年，中国 AI 行业的人才争夺战愈发激烈。大模型公司、AI Agent 公司、具身智能公司都在争抢同一批顶尖人才。为了吸引研究员、算法工程师和 Agent 研发人才，企业们不断提高薪资、推出股权激励，甚至提前将招聘战场推进到校园。
其中，月之暗面（又称 "Kimi"）是最典型的代表之一。今年以来，Kimi 持续启动校园招聘计划，并通过股权激励等方式留住核心人才。对于头部 AI 公司而言，人才已经成为比算力更稀缺的资源。
那么问题来了，人才究竟在哪？
一个越来越明显的现象是，当越来越多 AI 公司开始寻找同一批人才时，传统招聘平台已经很难满足需求。对于大模型公司而言，他们寻找的往往不是标准化岗位，而是做过强化学习、参与过 TPU 研发、发表过顶会论文，或在某个前沿方向上已经展现潜力的人。这些信息往往散落在 GitHub、OpenReview、个人主页、论文网站以及各种社交媒体上，而非传统招聘平台的简历库中。
这也是 DINQ 出现的背景。
而有意思的是，在帮助客户寻找人才的同时，DINQ 自己也在经历另一场关于 Token 的成本战争。
以下为虎嗅与 DINQ 创始人高岱恒的对话，经整理：
Token 为什么突然变成了一种生意？
虎嗅：最近行业里突然开始讨论 Token-maxxing。Token 其实一直存在，为什么今年突然变成了一个行业话题？
高岱恒：我觉得最核心的原因还是 Agent。过去大家当然也会消耗 Token，但那个时候大部分场景还是聊天。一次问答的 Token 消耗是有限的，所以没有人特别在意。
真正的变化是从去年下半年开始的。随着 Claude Code、Cursor 这类产品出现，很多人第一次发现，一个人一天可以消耗掉远超以往的 Token。到了今年，随着各种 Agent 产品成熟，每个人都开始拥有一个能够持续工作的 " 数字员工 "，Token 消耗量进一步被放大。
以前一个人可能同时只能做一件事情，但现在你可以让不同 Agent 同时工作。一个 Agent 帮你写代码，一个 Agent 帮你搜集行业信息，一个 Agent 帮你做研究，还有一个 Agent 帮你处理文档。
当越来越多任务被 Agent 接管以后，Token 第一次从后台走到了前台。大家开始发现，这东西真的要花钱。
虎嗅：所以 Token-maxxing 本质上是在追求更高的生产力？
高岱恒：我觉得是。如果一个人本来想法很多，但过去受限于自己的时间和精力，他一次只能推进一件事情。现在有了 Agent 以后，他可以同时推进很多件事情。
所以 Token-maxxing 并不是为了消耗 Token，而是在放大一个人的生产力。但这里有一个现实问题，就是账能不能算得过来。你会发现很多公司一边鼓励员工使用 AI，一边又在限制 Token 额度。原因很简单，因为成本是真实存在的。尤其是当你开始用最强模型做复杂任务的时候，Token 消耗会迅速增加。最终企业还是要回到一个问题：这些 Token 究竟创造了多少价值。
虎嗅：DINQ 自己每个月也会消耗大量 Token，你们怎么看待这个成本？
高岱恒：对于我们来说，Token 已经是一项重要成本。目前公司每个月的 Token 支出大概在 1 万美元以上、10 万美元以下。
但我们其实一直在想办法降低这部分成本。很多人会觉得，模型越强越好。但实际上并不是所有任务都需要最聪明的模型。比如做评测、做 Benchmark、做一些标准化测试，完全可以使用成本更低的模型。包括很多搜索环节，通过系统设计和工程优化，也能够减少对于高性能模型的依赖。
所以对于 Agent 公司来说，一个重要能力就是学会用更低的成本完成同样的事情。这也是为什么我们会越来越关注 Token。
虎嗅：除了 Agent 公司之外，还有哪些人在因为 Token 赚钱？
高岱恒：目前整个产业链里，真正赚到钱的主要还是模型公司。另外还有一类比较特殊的角色，就是 Token 中转服务。很多公司会通过各种方式采购模型额度，再以更低价格提供给下游用户。过去几个月，这类业务增长非常快。因为当 Agent 开始大规模消耗 Token 以后，市场上自然会出现降低成本的需求。但从本质上讲，无论是中转服务还是 Agent 公司，他们最终买的还是模型公司的 Token。所以整个产业链的中心依然是模型。Agent 负责消耗 Token，模型公司负责提供 Token。
虎嗅：很多人觉得 Agent 会成为最大的商业机会，但目前赚钱最多的似乎还是模型公司。
高岱恒：至少从现在来看是这样。因为 Agent 最大的价值是提升效率。但效率提升有一个天然问题，就是它很难完全拿走创造出来的价值。比如一个企业原来需要一个人完成某项工作，现在 Agent 帮他提升了效率。但企业未必愿意把节省下来的全部价值都支付给 Agent 公司。
所以你会发现，很多 Agent 公司其实都在努力寻找更明确的价值闭环。而模型公司不一样，只要有人使用 Agent，背后就一定会消耗 Token。从这个角度来看，模型公司天然处于产业链更靠上的位置。
AI 人才为什么越来越难找？
虎嗅：为什么传统招聘平台越来越难满足 AI 公司的需求？
高岱恒：AI 行业找人的逻辑变了。
过去大家找的是职位，今天很多公司找的是能力。比如有客户会直接告诉我们：" 帮我找在 Google 做 TPU 的华人工程师。" 或者 " 帮我找一些做 Coding Agent 的年轻研究者。" 甚至有人会说：" 帮我找一个年轻版的某某科学家。"
这种需求本质上不是关键词搜索能够解决的。因为这些人的信息并不一定存在于招聘网站，而是分散在 GitHub、OpenReview、论文、个人主页、技术社区等地方。所以今天真正有价值的数据，其实是这些公开的技术数据。
虎嗅：现在 AI 公司最想找什么样的人？
高岱恒：大概有两类。第一类是已经做出成果的人，比如做过模型训练、强化学习、Agent 或者具身智能的人。第二类是年轻的潜力人才。很多公司其实并不一定只盯着最有名的人，因为最顶尖的人往往已经创业了，或者在大厂担任核心岗位，所以越来越多公司开始关注年轻研究者，比如做 Coding Agent 方向的人，现在市场价格非常高。
有些企业发现自己搜出来的人全是行业明星，于是会继续追问：能不能帮我找一些更年轻的人？然后系统就会进一步筛选出那些已经做出项目、但还没有完全进入市场视野的人。很多时候企业真正想找的，反而是这种人。
虎嗅：今年以来，你们最大的变化是什么？
高岱恒：我们最大的变化还是商业化。
半年前我们其实还处于产品验证阶段，当时更多是在打磨产品和能力。但过去几个月，我们陆续开始服务一些真正有招聘需求的客户。现在我们的客户主要集中在 AI 行业，包括腾讯、Kimi，以及一些 AI 实验室和具身智能公司。这些客户都面临同一个问题：找不到人。
今天很多企业想出海，或者想做新的 AI 方向，他们需要招聘懂商业化、懂技术、懂供应链、懂海外市场的人。但传统招聘平台很难覆盖这类需求。尤其是在 AI 行业，企业寻找的往往不是一个标准岗位，而是某个具体方向的人才。比如最近很火的 Post-training、Coding Agent、强化学习等方向，企业希望找到真正做出成果的人。又或者具身智能公司希望找到做过规控、灵巧手、运动控制的人。
这些人很多并不活跃在传统招聘平台上。
虎嗅：DINQ 现在看起来只有一个功能，就是帮企业找人。为什么会把产品做得这么简单？
高岱恒：我一直觉得，AI 时代做产品最重要的问题不是提升一点效率，而是解决过去解决不了的问题。如果只是把原来 10 分钟的事情缩短到 5 分钟，用户大概率还是会留在原来的平台里。但如果你能够帮他找到过去根本找不到的人，那价值就完全不一样了。
所以 DINQ 从一开始其实只做一件事，就是找人。用户只需要用自然语言描述自己的需求，我们就会把对应的人找出来，包括他做过什么项目、有哪些成果、什么背景、联系方式在哪里等等。
比如今天很多 AI 公司并不是简单地招一个算法工程师，而是希望找到做过强化学习的人、做过 Post-training 的人、做过 Coding Agent 的人，甚至是某个非常细分方向里已经做出成果但还没有被市场充分发现的人。这种需求已经不是传统招聘平台能够解决的了。
虎嗅：如果用户自己都不知道想找什么样的人怎么办？
高岱恒：其实大部分人都不知道自己到底想找什么样的人。
很多企业找到我们的时候，能说出来的只有几个关键词。比如他说想找做 Coding Agent 的人，或者想找强化学习的人。但这些描述其实非常模糊。
所以我们会在 Agent 层面做需求补全。系统会根据用户的输入不断追问，比如这些人是偏研究还是偏工程？希望找资深一点的还是年轻一点的？有没有行业背景要求？用户不需要重新写一大段描述，只需要选择系统给出的选项就可以。
这个过程其实很像人与人之间的沟通。很多时候你看到一个候选人之后，才会意识到这个人太资深了，或者这个人不符合你的需求。然后你再进一步调整自己的要求。所以找人本身并不是一次搜索，而是一个不断交互、不断缩小范围的过程。
虎嗅：有没有一些比较典型的案例？
高岱恒：比如之前有客户直接提出一个需求，希望找到 Google 里所有做 TPU 的华人工程师。对于这种非常明确的需求，传统招聘平台基本上没有办法完成，因为这些人的信息并不在招聘网站里。
还有一些公司会来找做 Coding Agent 的人。最开始系统搜出来的都是行业里最知名的人，但客户马上就会反馈说，这些人已经在核心岗位上了，或者已经创业了，不太可能出来。于是系统会继续往下筛，寻找一些更年轻的人。
后来我们发现，很多企业真正感兴趣的其实不是行业明星，而是那些已经开始做出成果、但还没有完全进入市场视野的年轻研究者。尤其是现在很多 00 后研究员成长速度非常快，这类人的需求其实越来越高。
虎嗅：你觉得 DINQ 最核心的壁垒是什么？
高岱恒：是数据。很多人会觉得 Agent 或者模型能力是最重要的，但对于我们来说，数据才是真正的核心。因为人才搜索本质上是一个数据问题。你能不能找到人，很大程度上取决于你掌握了多少公开信息。
今天很多 AI 人才的信息并不在简历里，而是在 GitHub、OpenReview、论文数据库、个人主页以及各种技术社区里。我们做的事情，本质上就是把这些分散的数据不断聚合、索引和关联起来。比如 GitHub 的数据，我们已经索引了接近两亿条。用户最终关心的问题其实很简单：人够不够多、信息够不够全、搜索够不够快。而这些问题最终都指向数据。
所以虽然我们团队不到 10 个人，但真正投入精力最多的并不是模型研发，而是数据建设。因为用户的需求是无限扩张的。今天大家找 AI 人才，明天可能找机器人专家，后天可能找火箭材料或者新能源方向的人。每多一个新领域，背后其实都意味着新的数据体系需要被建立起来。
Token 会成为新的商业范式吗？
虎嗅：从企业的角度来看，今年大家对 Token 的态度发生了什么变化？
高岱恒：我觉得最大的变化是，大家开始知道 Token 应该怎么用了。过去很多企业其实并不理解 Token 是什么。因为这种计费模式本身就比较新。大家看到的是一个抽象数字，很难直接对应到业务价值。但过去一年，随着各种 Agent 进入实际工作场景，企业开始慢慢建立起自己的认知。他们知道哪些环节值得消耗 Token，哪些环节不值得；知道什么地方必须用最好的模型，什么地方可以用更便宜的模型。
所以今天很多企业讨论的已经不是要不要用 Token，而是如何降低 Token 成本。
虎嗅：为什么成本突然变得这么重要？
高岱恒：大家看到了真实账单。以前很多人觉得 AI 特别便宜，或者觉得模型公司给出的套餐价格已经足够了。但随着 Agent 开始处理复杂任务，情况发生了变化。比如写代码、处理长文档、分析大型知识库，这些任务往往会产生非常长的上下文。很多企业最开始根本没有意识到 Token 会消耗这么快。直到某一天看到账单的时候，才发现原来一次复杂任务可能就会消耗掉几十美元。对于个人用户来说，这可能只是一次尝试。但对于企业来说，如果每天都有大量 Agent 运行，这就是一笔必须认真计算的成本。
虎嗅：所以未来企业会专门管理 Token 吗？
高岱恒：一定会。过去企业管理的是服务器成本、带宽成本、人力成本。未来一定会出现专门的 Token 预算。因为 Token 已经越来越接近一种基础生产资料。今天很多 Agent 公司、AI 应用公司，内部都会统计自己的 Token 消耗情况，也会持续优化成本结构。本质上和企业管理云计算资源是一样的。当一个资源足够重要、足够昂贵的时候，它就一定会被管理。
虎嗅：你怎么看未来 Token 市场的发展？
高岱恒：我觉得有一个趋势会越来越明显。便宜 Token 会越来越多，贵 Token 会越来越少。因为绝大多数用户其实并不需要最聪明的模型。很多场景下，一个六七十分的模型就已经足够解决问题。今天大家之所以愿意为最强模型买单，是因为它们确实领先很多。但随着模型能力逐渐收敛，大量场景会转向更便宜的模型。最终形成一种分层市场。最贵的 Token 服务于少数高价值场景，比如金融、安全、科研等领域；而更多普通场景，则会由成本更低的模型承担。
Token 本质上还是生产力。过去大家讨论 AI 的时候，更关注模型能力，但随着 Agent 进入真实业务场景，企业开始关注另外一个问题：这些能力到底能不能转化成价值。而 Token 恰好成为了衡量这个过程的一个单位。它连接了模型、Agent、数据和企业。
所以我觉得未来大家讨论的不一定是用了多少 Token，而是每一个 Token 究竟创造了多少价值。这可能才是 Token 商业范式真正有意思的地方。
