Donna AI：用 AI Agent 替你招聘，一个印度学生团队的大胆赌注

2026-03-13 | Product Hunt | 官网

30秒快速判断

这App干嘛的：招聘方和求职方各有一个 AI Agent，两个 Agent 在后台持续沟通、对齐期望，只有匹配度高的候选人才会出现在你面前。说白了就是把“人脉推荐”这件事交给 AI 来 7x24 小时自动运转。

值不值得关注：概念很性感——“agent-to-agent”是 2026 年最热的叙事之一。但产品处于极早期（还在“早期访问”阶段），创始人是两个印度学生，正在申请 YC。适合作为赛道观察对象，不适合现在就押注使用。

与我有关三问

与我有关吗？

• 目标用户是谁：早期创业公司创始人、HR 负责人，特别是那些痛恨筛简历的人；以及找工作但不想海投的候选人。
• 我是吗：如果你是小团队创始人，每次招聘都靠朋友圈推荐却总觉得“池子不够大”，你就是目标用户。如果你是候选人，讨厌“投了简历石沉大海”的感觉，也是目标用户。
• 什么场景会用到：
  • 创业公司招前 10 个人，需要文化契合但人脉有限 → 用这个
  • 被动求职者想让机会找到自己 → 用这个
  • 大公司标准化高并发招聘 → 不太适合，传统 ATS 更成熟

对我有用吗？

ROI 判断：现在入局太早了。产品还在早期访问阶段，用户量极少意味着候选人池也很小。概念值得跟踪，但别指望今天就能从里面招到人。

喜闻乐见吗？

爽点在哪：

• Agent 聊天界面很直观：招聘方有个叫“Jessica”的 Recruiter Agent，候选人有个“Career Agent”，都通过 Telegram 聊天交互，就像跟一个猎头朋友发消息。
• 薪资预对齐：最烦的事是面了三轮发现薪资谈不拢，Donna 的 Agent 在面试前就把这事儿解决了。

“哇”的瞬间：

“我们对 Donna 的最终目标是创建一个平台，让你的数字分身可以为你进行社交联网。” — @furst_fly (创始人)

这句话点出了真正的远景：不只是招聘，而是让你的数字分身替你社交。这个想象空间很大。

真实评价：

“寻找高意向候选人是最难的部分。即使有很多申请人，合适的人选也很少出现在管道中。” — Mukund Shah, Emergent AI 创始人

“即使是中介机构也不完全了解我们的招聘品味。他们眼中的 7/10 候选人对我们来说通常只有 5/10。” — 某 D2C 创业公司创始人

（注意：这些引言来自官网的验证板块，是创始人调研时收集的，不是 Donna 的用户评价）

独立开发者视角

技术栈

• 前端：Web 端 + Telegram Bot（主交互入口）
• 后端：未公开，有 API 接口（“离你的下一位优秀员工仅一个 API 调用之遥”）
• AI/模型：未公开，使用 Agent 架构做双向持续匹配
• 基础设施：有 Live Hiring Map 实时功能

核心功能实现

核心是两层 Agent 系统：招聘方的 Recruiter Agent 学习创始人的“招聘哲学”（这个词很讲究——不是硬指标，是主观偏好），候选人的 Career Agent 追踪你想要什么样的工作。两个 Agent 在后台 7x24 对话、打分、对齐薪资和角色期望。只有匹配度得分（alignment score）够高的候选人才会被推到面试环节。

这个架构的难点不在 LLM 调用，在于：

1. 如何准确学习“主观偏好”——每个创始人说的“文化契合”意思完全不同。
2. 冷启动问题——候选人池太小时，Agent 匹配没有意义。
3. 双边市场的鸡生蛋问题。

开源情况

• 不开源，GitHub 上无相关代码
• 类似开源项目：没有直接对标的开源 Agent-to-Agent 招聘项目
• 自己做难度：核心架构 2-3 个月能搭出原型，但双边市场的供给侧（候选人池）才是真正的壁垒。

商业模式

• 变现方式：成功付费（Success Fee，成功招聘佣金制）
• 定价：Explorer 免费 / 成功付费 15-20% 年薪 / Enterprise 定制
• 用户量：未公开，从 PH 16 票和 Twitter 讨论来看还非常早期。

巨头风险

高风险。LinkedIn 已经推出了 Hiring Assistant——第一个官方 AI 招聘 Agent。LinkedIn 坐拥 10 亿+ 用户数据，做 Agent 匹配具有天然优势。Mercor 已经拿到 100 亿美元估值、3.5 亿美元 C 轮融资。这个赛道不缺钱也不缺巨头。

Donna 的护城河只能是“做得比巨头更懂印度市场的创业公司招聘”或者“Agent-to-Agent 的双边匹配体验做到极致”。目前看来这两个都还没建立。

产品经理视角

痛点分析

• 解决什么问题：招聘中的“噪音”问题——大量不匹配的申请让筛选成本极高，而真正好的人选靠人脉推荐但人脉有限。
• 痛点有多痛：高频刚需。“每招一个人都要花数小时筛选”是每个创业公司 HR/创始人的日常。

用户画像

• 画像 1：早期创业公司创始人（10-50 人），亲自参与招聘，有强烈的“文化契合”偏好但没法规模化。
• 画像 2：被动求职的高质量候选人，不想海投但想被精准匹配。

功能拆解

竞品差异

可借鉴的点

1. “招聘哲学学习”这个概念很好——把主观偏好结构化，比传统 JD 的硬指标筛选更接近真实决策。
2. “无需申请 → 无噪音”——从源头消灭噪音而不是在噪音中筛选，思路清晰。
3. 成功付费定价——利益对齐，降低尝试门槛。

科技博主视角

创始人故事

• 创始人：Dhruv Agarwal (@furst_fly) 和 Dawar (@Dawar1213)
• 背景：印度学生创业者
• 有一个很棒的故事：他们在 AI India Impact Summit 上，买不起 ₹30,000（约 2500 人民币）的展位，于是第一天先以“学生记者”身份打探到哪些展位空了，第二天花 ₹100 打了一张海报，占了一个取消的展位，连运营了三天。用他们自己的话说：“这是我们对 YC 黑客问题的回答。”
• 正在申请 Y Combinator

争议点/讨论角度

• “AI Agent 替你社交”是不是太科幻了？ 创始人的愿景是“数字分身可以为你社交”——这触碰了一个敏感问题：人际关系可以被代理吗？
• 双边 Agent 谈判的透明度问题：当两个 AI 在替你谈薪资、评估“文化契合度”时，你知道它们在说什么吗？黑箱决策是好是坏？
• 学生创业者挑战 100 亿美元的 Mercor：大卫挑战歌利亚的叙事永远有流量。

热度数据

• PH 排名：投票数较低（16 票/徽章显示 121 票），不算热门发布。
• Twitter 讨论：4 条相关推文，基本都是创始人自己发的。
• 搜索趋势：因为“Donna AI”这个名字至少被 4 个不同产品使用（招聘/法律/音乐/销售），SEO 非常混乱。

内容建议

• 适合写的角度：“当 AI Agent 开始替人类社交，招聘只是第一步”——用 Donna 做引子讲 Agent-to-Agent 大趋势。
• 蹭热点机会：YC 申请季 + Agent 叙事火热，写“两个印度学生如何用 ₹100 闯入 AI 峰会”的创业故事。

早期用户指南

定价分析

上手指南

• 上手时间：预计 10-15 分钟
• 学习曲线：低——通过 Telegram 聊天交互，不用学新界面。
• 步骤：
  1. 访问 trydonna.net 点击“Get early access”注册。
  2. 选择“我正在招聘”或“我正在找工作”。
  3. 在 Telegram 上与你的 Agent 对话，告诉它你的偏好。
  4. 等待 Agent 匹配并推送结果。

坑和吐槽

1. 产品极早期：网站的 About、Blog、Docs、Careers 页面全是空链接 (#)，说明基础设施还没搭好。
2. 候选人池可能很小：刚上线的双边市场，两边人都不多，匹配效果存疑。
3. 品牌名太普通：“Donna AI”至少被 4 家不同公司使用，SEO 混乱，找产品信息很费劲。
4. 没有独立用户评价：Reddit、Twitter 上找不到任何非创始人的使用反馈。

安全和隐私

• 数据存储：未公开具体方案。
• 隐私政策：隐私页面是空链接。
• 安全审计：无。

替代方案

投资人视角

市场分析

• AI 招聘核心市场：约 6.56 亿美元 (2024) → 12-14 亿美元 (2033-2035)，复合年增长率 6.8-7.4%。
• HR 领域的 AI 更大市场：62.5 亿美元 (2026 预测)，复合年增长率 24.8%。
• 智能体 AI (Agentic AI) 赛道：52 亿美元 (2024) → 1966 亿美元 (2034)，复合年增长率 43.8%。
• 驱动因素：87% 的公司已在 2026 年使用 AI 招聘工具，93% 的招聘人员计划增加 AI 使用。

竞争格局

Timing 分析

• 为什么是现在：2026 年是 AI Agent 从概念到落地的转折点——Agent-to-Agent 通信协议（如 MCP 等）开始成熟，让“两个 Agent 对话”从技术上可行。
• 技术成熟度：LLM 能力足够做偏好学习 + 匹配，Telegram Bot 开发成本低。
• 市场准备度：用户对“AI Agent 替我做事”的接受度在快速提升，但对“AI Agent 替我社交”还需要教育。

团队背景

• 创始人：Dhruv Agarwal + Dawar，印度学生创业者。
• 核心团队：未公开规模，估计 2-3 人。
• 过往成绩：首次创业项目，无已知成功记录。

融资情况

• 已融资：未公开（很可能是自筹资金）
• 正在申请 Y Combinator
• 估值：未知

结论

一句话：概念性感但极度早期——“Agent-to-Agent 招聘”是好故事，但 Donna AI 离讲好这个故事还有很长的路。

资源链接

2026-03-13 | Trend-Tracker v7.3 | 数据来源：WebSearch, Twitter/X, Playwright 网站抓取