对话 DigClaw：每天消耗数十亿 Token，他们如何从弱信号中挖掘商机？

用 AI 重新定义“发现价值”及“资源匹配资产”的成本和速度。

DigClaw 的故事起始于对商业世界中“信息差”的重新审视 。

在传统的 B2B 商业逻辑里，寻找合作伙伴或获客的方式十几年如一日——依赖行业关系、媒体报道，或是翻阅那些已经完成工商变更的静态数据库。

但对于追求极致增长的企业而言，当一个名字出现在公开名录上时，往往意味着竞争已经白热化。

在DigClaw创始团队看来，人的每一个行为都是一种“意图的投射”。例如，一个大厂高管的跳槽或一家公司大规模招聘技术岗位，在社会学视角下是组织能量的重组，在商业视角下则是“算力采购需求”或“数字化转型”的预警。

DigClaw 创始团队意识到，快速变革的AI时代下，利用大模型捕捉并处理这些商业“弱信号”成为可能，而这将彻底重构 B2B 获客的基础设施。

2025 年，DigClaw 正式起航，试图用 AI 重构信息基础设施，用商业“弱信号”识别“你在什么阶段、什么业务、什么场景之下需要什么产品”，并转化为 B2B 企业可落地的商业阿尔法。

在DigClaw的后台，大模型 Agent 每天消耗 数十亿 Token，通过对全球超10 万名顶尖人才和百万级公司的实时监测，像一台 7x24 小时运行的“超级雷达”，主动从 全球海量信息中剥离出真实的商业意图 。

目前，DigClaw打造出了首个科技行业大模型，已为国内多家主流云厂商、全球头部硬件厂商、AI大厂、投资机构等提供全链路的 AI 产品与服务。

目前，公司已经形成商业闭环，也获得了中科创星和中关村资本的天使轮投资。据AI科技评论了解，在推进新一轮融资时，相比于纯财务机构，DigClaw更倾向于引入产业战投方或地方政府资金，以期在订单增长与更宏大的产业协同上获取势能。

在这次对话中，DigClaw创始团队与我们详细分享了：为什么B2B业务需要一套“AI 情报系统”、AI 如何改变商机被发现的方式，以及 Agent 与数据平台在未来商业世界中的角色。

以下是AI科技评论和DigClaw的对话实录：

01

“在共识达成之前，信号早已发出”

AI科技评论：你们的核心产品功能是什么？与市面上现有的数据库（如天眼查）相比，优势在哪里？

DigClaw：传统的数据库只看企业的“静态属性”（如注册资本、所在地、社保缴纳等工商信息和融资历史等），是信息的滞后呈现。一旦企业“融资成功”或“新闻见报”的标签出现，意味着这已成为全行业共享的已知事实，先验性的信息差即刻消失。

而 DigClaw 的 Sourcing Agent 追踪的是人和企业的“动态信号”。是将数据从被动的记录工具转化为主动的增长引擎，为客户提供决策依据。

我们不满足于展示结果，而是通过关键人穿透和意图建模下钻到商业的底层逻辑：比如，我们全面转向追踪人才招聘、技术栈演进、高管社交动态等微观行为。我们不只是罗列专利，而是通过综合分析人才画像、技术演进和专利申请，量化企业对 AI 的渴求度，从而精准预测未来三个月的采购需求。

传统平台告知你“发生了什么”，而 DigClaw 通过“事件触发营销”告知你“将要发生什么”，在客户意识到需求之前就完成介入。

简单来说，我们不只是在找一个名字，我们是在描绘一个人、一家企业的智力迁移图谱及业务律动。DigClaw通过分析数百个维度的信号，捕捉个体、企业在海量噪声中流露出的“长期潜力”，将难以量化的“信息”结构化为确定性的商机。

即识别“你在什么阶段、什么业务、什么场景之下需要什么产品。”

AI科技评论：你们一天要消耗多少 Token ？成本能否 cover 住？

DigClaw：目前平均每天大概在数十亿 Token 左右，甚至还可以更多，因为数据源非常多。我们的 AI 基本相当于每天把全网所有与科创相关的信息读一遍。成本完全可以 cover 住。首先，所有的主流云厂商（包括腾讯云、AWS、Google、阿里云等）都是我们的客户或合作伙伴，我们每个月能拿到一些免费的算力券 。其次，作为阿里云的头部大客户，我们的消耗量很大，能够拿到低于五折的极低折扣。因此算力成本不会成为我们经营的阻碍 。

AI科技评论：这一年下来，你们的产品商业化售卖情况如何？采取的是订阅制吗？

DigClaw：过去一年，我们在 ToB 领域更多是提供“数据定制服务”，客户主要是头部云厂商（火山引擎、惠普、英特尔、科大讯飞、阿里云等），客单价在大几万到百万量级 。今年我们的战略思路发生转变，计划将核心能力封装成标准化的产品，去服务更广大的中小客户群 。收费模式大概率是“搜索调用费 + 监测订阅费” 。

我们并不是采用成本极高的实时大模型去全网搜，而是建立在自身已经沉淀的 100 多万条公司数据库之上 。当用户提出需求时，系统会将需求与数据库里的上百万条数据挨个碰撞匹配，虽然可能需要跑几个小时，但结果一定是最准、最全的。我们更像是一个 AI 分析师，在为你提供长期的 Mapping 和监测服务 。

AI科技评论：为什么不直接使用 OpenClaw 的模式去做数据检索和分析？

DigClaw：我们从第一天就在用相关技术，但单纯依赖大模型存在几个致命缺陷：

1.大模型解决不了反爬虫问题，很难获取全量数据；

2.大模型只能做流程自动化，解决不了深度的数学推理和数据分析问；

3.我们采取的是人机结合的方式：用最强的模型（如 GPT）提供建模思路，具有数学和物理背景的分析师与大模型反复沟通调整参数，验证信号的真伪，然后外包给系统去跑测试结果 。本质上是将分析师的 Know-how 封装成了规则和系统去对外服务。

AI科技评论：国内大厂都在做模型并卷起价格战，甚至提供各种 Agent 工具，你们怎么看待这个趋势？

DigClaw：大厂做这些本质是为了卖 Token。OpenAPI 的发展让大模型从开发者的专属变成了普通运营人员也能使用的工具，用户群体极度扩张 。 从我们的亲身经历来看，23 年初我们还在用不同模型做工程优化（因为成本贵且不稳定），但到了 24 年，千问、豆包等国产模型能力已经赶上国外大厂，并且给了极其夸张的补贴（几乎免费送算力） 。未来这个市场大概率和云计算一样，谁便宜、谁补贴大、谁销售猛就用谁的，本质还是资本游戏 。

02

重新定义“资源匹配资产”的成本和速度

AI科技评论：随着大厂全面入局，垂直类 AI 应用（尤其是 ToB/ToC 界限模糊的产品）未来的终局是不是都会被大厂收购？

DigClaw:首先，被大厂收购未尝不是一件好事，能在更大的生态中去服务2B客户，也能发挥更大的价值。

其次，我并不认为我们是一个AI应用工具，我们核心是一个底层的AI数据”大脑“，基于我们对这些数据的Sourcing和分析能力，这些数据可以在不同的企业场景中产生不同价值。虽然当下我们在B2B业务中主要是帮助市场部解决高效获客，探索蓝海市场的商业价值，但未来我们人才数据挖掘能力也可以赋能到企业招聘等多元化场景。这些都是我们很想去探索的边界。

AI科技评论：现阶段许多用户对 AI 的认知两极分化（认为无所不能或一无是处），这种技术边界的模糊会对你们的服务造成困扰吗？

DigClaw：并没有产生太大困扰，因为我们过去一年的大客户（如火山引擎、阿里云、科大讯飞等）都是市场上最专业的人，他们非常清楚 AI 的技术边界。

对于大客户来说，相比于自己用大模型部署一个做到 70 分的系统，使用我们打磨了两年多、能做到 90 分的水下数据 Mapping 服务，在漏斗转化效果上有本质差距 。我们提供的是极其明确的“数据+建联”价值，而不是大而全的泛能力 。

AI科技评论：大模型一直存在“幻觉”问题，如果污染了数据库怎么办？你们如何保证数据的准确率？

DigClaw：这是一个非常核心的问题。我们绝对不会让大模型一步到位去生成某个公司的全量信息，大模型在我们的长流程里只负责最简单的“特定特征抽取”（如命名实体抽取）。即使抽取后，我们还有另外的多个 Agent 去做多层审查和筛选 。

如果多个信息源存在矛盾，我们会赋予信源不同的权重，并通过“人设匹配”（例如验证该创始人此前的学术背景是否与当前项目赛道吻合）来自动交叉验证 。目前这套自动化处理机制的准确率基本能达到 98% 以上。总之，我们既使用传统数据库，也使用向量数据库。但在实践中我们发现，单纯依赖向量搜索其实并不够准确。

AI科技评论：未来你们如何平衡“重度定制化服务”和“标品化”的关系？

DigClaw：整个2B市场有一个共识，就是2B一定要做深。为什么SaaS被淘汰了，因为整个2B市场不存在一个标准化的解决方案。

DigClaw 的底层逻辑是用标准化的 AI 引擎驱动深度的定制化洞察。我们自研的 Sourcing Agent，这是一个高度标准化的底层智能引擎。但在交付层面，交付层面的“阶梯式赋能”：匹配客户不同阶段的需求。而AI的推理学习能力，让种匹配不同客户不同需求的能力得到跨越式成长。

未来，我们还会基于我们对创业者的精准对称，延展到 Business to Startups（B2S）业务，致力于推动“资产与资源的高效匹配”，而不是局限于传统的甲方乙方服务模式。

AI科技评论：公司目前的融资和盈利状态如何？未来的攻关难点在哪里？

DigClaw：我们目前已获得中科创星、中关村资本的投资。而且通过持续的自我造血能力，已实现商业闭环 。我们融资更多是为了战略协同，以及进一步强化我们的计算底座，将我们的 AI 引擎部署到更核心的产业节点中。

目前的难点更多是在于如何在大规模的 B2B 市场中建立“AI 决策”的信任闭环。虽然我们的算法在一级投资场景里跑出了 3个月100% 的下一轮融资胜率，这是实打实的“数学级正确”，但在商业世界中，打通从”冷数据“到”真实握手“的信任链路仍需要密集的价值介入。

我们正在攻关的是如何让 AI 产生的“动态意图信号”更无缝地接入企业的决策流，通过“战略级 AI Mapping”彻底取代低效的传统名单模式。

我们最终的愿景是构建一套面向未来创新生态中的“增长导航仪”：通过对全球 10 万名顶尖人才和百万级公司的实时监测，让每一个创新的信号都能被量化，并转化为确定性的客户与商机。我们是在用 AI 重新定义“发现价值”及“资源匹配资产”的成本和速度。

文章来自于"AI科技评论"，作者 "成妍菁"。