對話 DigClaw：每天消耗數十億 Token，他們如何從弱信號中挖掘商機？

用 AI 重新定義“發現價值”及“資源匹配資產”的成本和速度。

作者丨成妍菁

編輯丨董子博

DigClaw 的故事起始于對商業世界中“信息差”的重新審視 。

在傳統的 B2B 商業邏輯里，尋找合作伙伴或獲客的方式十幾年如一日——依賴行業關系、媒體報道，或是翻閱那些已經完成工商變更的靜態數據庫。

但對于追求極致增長的企業而言，當一個名字出現在公開名錄上時，往往意味著競爭已經白熱化。

在DigClaw創始團隊看來，人的每一個行為都是一種“意圖的投射”。例如，一個大廠高管的跳槽或一家公司大規模招聘技術崗位，在社會學視角下是組織能量的重組，在商業視角下則是“算力采購需求”或“數字化轉型”的預警。

DigClaw 創始團隊意識到，快速變革的AI時代下，利用大模型捕捉并處理這些商業“弱信號”成為可能，而這將徹底重構 B2B 獲客的基礎設施。

2025 年，DigClaw 正式起航，試圖用 AI 重構信息基礎設施，用商業“弱信號”識別“你在什么階段、什么業務、什么場景之下需要什么產品”，并轉化為 B2B 企業可落地的商業阿爾法。

在DigClaw的后臺，大模型 Agent 每天消耗 數十億 Token，通過對全球超10 萬名頂尖人才和百萬級公司的實時監測，像一臺 7x24 小時運行的“超級雷達”，主動從 全球海量信息中剝離出真實的商業意圖 。

目前，DigClaw打造出了首個科技行業大模型，已為國內多家主流云廠商、全球頭部硬件廠商、AI大廠、投資機構等提供全鏈路的 AI 產品與服務。

目前，公司已經形成商業閉環，也獲得了中科創星和中關村資本的天使輪投資。據AI科技評論了解，在推進新一輪融資時，相比于純財務機構，DigClaw更傾向于引入產業戰投方或地方政府資金，以期在訂單增長與更宏大的產業協同上獲取勢能。

在這次對話中，DigClaw創始團隊與我們詳細分享了：為什么B2B業務需要一套“AI 情報系統”、AI 如何改變商機被發現的方式，以及 Agent 與數據平臺在未來商業世界中的角色。

以下是AI科技評論和DigClaw的對話實錄：

01

“在共識達成之前，信號早已發出”

AI科技評論：你們的核心產品功能是什么？與市面上現有的數據庫（如天眼查）相比，優勢在哪里？

DigClaw：傳統的數據庫只看企業的“靜態屬性”（如注冊資本、所在地、社保繳納等工商信息和融資歷史等），是信息的滯后呈現。一旦企業“融資成功”或“新聞見報”的標簽出現，意味著這已成為全行業共享的已知事實，先驗性的信息差即刻消失。

而DigClaw的 Sourcing Agent 追蹤的是人和企業的“動態信號”。是將數據從被動的記錄工具轉化為主動的增長引擎，為客戶提供決策依據。

我們不滿足于展示結果，而是通過關鍵人穿透和意圖建模下鉆到商業的底層邏輯：比如，我們全面轉向追蹤人才招聘、技術棧演進、高管社交動態等微觀行為。我們不只是羅列專利，而是通過綜合分析人才畫像、技術演進和專利申請，量化企業對 AI 的渴求度，從而精準預測未來三個月的采購需求。

傳統平臺告知你“發生了什么”，而 DigClaw 通過“事件觸發營銷”告知你“將要發生什么”，在客戶意識到需求之前就完成介入。

簡單來說，我們不只是在找一個名字，我們是在描繪一個人、一家企業的智力遷移圖譜及業務律動。DigClaw通過分析數百個維度的信號，捕捉個體、企業在海量噪聲中流露出的“長期潛力”，將難以量化的“信息”結構化為確定性的商機。

即識別“你在什么階段、什么業務、什么場景之下需要什么產品。”

AI科技評論：你們一天要消耗多少 Token ？成本能否 cover 住？

DigClaw：目前平均每天大概在數十億 Token 左右，甚至還可以更多，因為數據源非常多。我們的 AI 基本相當于每天把全網所有與科創相關的信息讀一遍。成本完全可以 cover 住。首先，所有的主流云廠商（包括騰訊云、AWS、Google、阿里云等）都是我們的客戶或合作伙伴，我們每個月能拿到一些免費的算力券 。其次，作為阿里云的頭部大客戶，我們的消耗量很大，能夠拿到低于五折的極低折扣。因此算力成本不會成為我們經營的阻礙 。

AI科技評論：這一年下來，你們的產品商業化售賣情況如何？采取的是訂閱制嗎？

DigClaw：過去一年，我們在 ToB 領域更多是提供“數據定制服務”，客戶主要是頭部云廠商（火山引擎、惠普、英特爾、科大訊飛、阿里云等），客單價在大幾萬到百萬量級 。今年我們的戰略思路發生轉變，計劃將核心能力封裝成標準化的產品，去服務更廣大的中小客戶群 。收費模式大概率是“搜索調用費 + 監測訂閱費” 。

我們并不是采用成本極高的實時大模型去全網搜，而是建立在自身已經沉淀的 100 多萬條公司數據庫之上 。當用戶提出需求時，系統會將需求與數據庫里的上百萬條數據挨個碰撞匹配，雖然可能需要跑幾個小時，但結果一定是最準、最全的。我們更像是一個 AI 分析師，在為你提供長期的 Mapping 和監測服務 。

AI科技評論：為什么不直接使用OpenClaw的模式去做數據檢索和分析？

DigClaw：我們從第一天就在用相關技術，但單純依賴大模型存在幾個致命缺陷：

1.大模型解決不了反爬蟲問題，很難獲取全量數據；

2.大模型只能做流程自動化，解決不了深度的數學推理和數據分析問；

3.我們采取的是人機結合的方式：用最強的模型（如 GPT）提供建模思路，具有數學和物理背景的分析師與大模型反復溝通調整參數，驗證信號的真偽，然后外包給系統去跑測試結果 。本質上是將分析師的 Know-how 封裝成了規則和系統去對外服務。

AI科技評論：國內大廠都在做模型并卷起價格戰，甚至提供各種 Agent 工具，你們怎么看待這個趨勢？

DigClaw：大廠做這些本質是為了賣 Token。OpenAPI 的發展讓大模型從開發者的專屬變成了普通運營人員也能使用的工具，用戶群體極度擴張 。 從我們的親身經歷來看，23 年初我們還在用不同模型做工程優化（因為成本貴且不穩定），但到了 24 年，千問、豆包等國產模型能力已經趕上國外大廠，并且給了極其夸張的補貼（幾乎免費送算力） 。未來這個市場大概率和云計算一樣，誰便宜、誰補貼大、誰銷售猛就用誰的，本質還是資本游戲 。

02

重新定義“資源匹配資產”的成本和速度

AI科技評論：隨著大廠全面入局，垂直類 AI 應用（尤其是 ToB/ToC 界限模糊的產品）未來的終局是不是都會被大廠收購？

DigClaw:首先，被大廠收購未嘗不是一件好事，能在更大的生態中去服務2B客戶，也能發揮更大的價值。

其次，我并不認為我們是一個AI應用工具，我們核心是一個底層的AI數據”大腦“，基于我們對這些數據的Sourcing和分析能力，這些數據可以在不同的企業場景中產生不同價值。雖然當下我們在B2B業務中主要是幫助市場部解決高效獲客，探索藍海市場的商業價值，但未來我們人才數據挖掘能力也可以賦能到企業招聘等多元化場景。這些都是我們很想去探索的邊界。

AI科技評論：現階段許多用戶對 AI 的認知兩極分化（認為無所不能或一無是處），這種技術邊界的模糊會對你們的服務造成困擾嗎？

DigClaw：并沒有產生太大困擾，因為我們過去一年的大客戶（如火山引擎、阿里云、科大訊飛等）都是市場上最專業的人，他們非常清楚 AI 的技術邊界。

對于大客戶來說，相比于自己用大模型部署一個做到 70 分的系統，使用我們打磨了兩年多、能做到 90 分的水下數據 Mapping 服務，在漏斗轉化效果上有本質差距 。我們提供的是極其明確的“數據+建聯”價值，而不是大而全的泛能力 。

AI科技評論：大模型一直存在“幻覺”問題，如果污染了數據庫怎么辦？你們如何保證數據的準確率？

DigClaw：這是一個非常核心的問題。我們絕對不會讓大模型一步到位去生成某個公司的全量信息，大模型在我們的長流程里只負責最簡單的“特定特征抽取”（如命名實體抽取）。即使抽取后，我們還有另外的多個 Agent 去做多層審查和篩選 。

如果多個信息源存在矛盾，我們會賦予信源不同的權重，并通過“人設匹配”（例如驗證該創始人此前的學術背景是否與當前項目賽道吻合）來自動交叉驗證 。目前這套自動化處理機制的準確率基本能達到 98% 以上。總之，我們既使用傳統數據庫，也使用向量數據庫。但在實踐中我們發現，單純依賴向量搜索其實并不夠準確。

AI科技評論：未來你們如何平衡“重度定制化服務”和“標品化”的關系？

DigClaw：整個2B市場有一個共識，就是2B一定要做深。為什么SaaS被淘汰了，因為整個2B市場不存在一個標準化的解決方案。

DigClaw的底層邏輯是用標準化的 AI 引擎驅動深度的定制化洞察。我們自研的 Sourcing Agent，這是一個高度標準化的底層智能引擎。但在交付層面，交付層面的“階梯式賦能”：匹配客戶不同階段的需求。而AI的推理學習能力，讓種匹配不同客戶不同需求的能力得到跨越式成長。

未來，我們還會基于我們對創業者的精準對稱，延展到 Business to Startups（B2S）業務，致力于推動“資產與資源的高效匹配”，而不是局限于傳統的甲方乙方服務模式。

AI科技評論：公司目前的融資和盈利狀態如何？未來的攻關難點在哪里？

DigClaw：我們目前已獲得中科創星、中關村資本的投資。而且通過持續的自我造血能力，已實現商業閉環 。我們融資更多是為了戰略協同，以及進一步強化我們的計算底座，將我們的 AI 引擎部署到更核心的產業節點中。

目前的難點更多是在于如何在大規模的 B2B 市場中建立“AI 決策”的信任閉環。雖然我們的算法在一級投資場景里跑出了 3個月100% 的下一輪融資勝率，這是實打實的“數學級正確”，但在商業世界中，打通從”冷數據“到”真實握手“的信任鏈路仍需要密集的價值介入。

我們正在攻關的是如何讓 AI 產生的“動態意圖信號”更無縫地接入企業的決策流，通過“戰略級 AI Mapping”徹底取代低效的傳統名單模式。

我們最終的愿景是構建一套面向未來創新生態中的“增長導航儀”：通過對全球 10 萬名頂尖人才和百萬級公司的實時監測，讓每一個創新的信號都能被量化，并轉化為確定性的客戶與商機。我們是在用 AI 重新定義“發現價值”及“資源匹配資產”的成本和速度。

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。