德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Llm
Nlp
Pytorch
Rag
Tensorflow
Vllm
机器学习
深度学习
值不值得投
76综合评分
综合评分 76
外企平台、前沿大模型技术栈、技术成长空间大，适合追求技术深度与稳定发展的AI算法工程师。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
2.8万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
44 个在招 · 其中机器学习工程 4 个
市场机会
选择不多
沈阳 · 机器学习工程 · 4 个在招
职位详情
关于这个职位
该职位负责机器学习、深度学习及自然语言处理领域的算法设计与开发，构建面向业务场景的定制化AI解决方案
你需要探索大语言模型在企业级场景的落地，优化推理流程并管理AI模型的全生命周期，推动AI技术在汽车制造领域的创新应用
最低要求
本科及以上学历，计算机科学、数学、工业工程、人工智能应用等相关专业
扎实的数学基础，熟悉线性代数、概率统计、最优化理论
精通Python编程语言，熟悉Pandas、Scikit-learn等数据处理工具
熟练掌握TensorFlow、PyTorch、MindSpore等至少一种深度学习框架
具备至少3年AI算法研发或者大模型应用开发相关经验
独立主导或完整参与过至少2个AI项目的算法设计、开发与落地
英语可作为工作语言
工作职责
计划和实现现有产品和新产品的生产工艺
负责机器学习、深度学习、自然语言处理(NLP)等领域的算法设计与开发，构建面向业务场景的定制化AI解决方案
负责独立完成数据挖掘、特征工程、模型训练与调优工作，提升模型在准确率、泛化能力、实时性等方面的表现
探索大规模语言模型（LLM）在对话系统、知识图谱、内容生成、智能推荐等应用场景，推动大模型技术在企业级场景的落地
设计实现Prompt Engineering方案，结合LangChain、LlamaIndex等工具构建基于LLM的企业级AI应用系统
熟悉数据处理技术（数据清洗、特征提取）及工具（如Pandas、Scikit-learn），利用机器学习算法完成数据的聚类分布等，支撑结构LLM微调数据集工作
优化LLM推理流程，利用vLLM、Ollama、TGI等推理框架提升服务性能，降低延迟，提高吞吐量
掌握量化、蒸馏等模型轻量化技术
参与大模型继续预训练、微调、RAG（检索增强生成）、Agent（智能体）领域适配等工作，提升模型在垂直领域的表现
完成AI模型从训练、调参、测试到部署的全生命周期管理，确保模型在生产环境中的稳定性与高性能
在其专业领域内担任内部及外部联络人，参与内部工作组协作
编制内部相关文件并按需进行内部汇报
识别公司内部本领域持续教育需求
规划并实施复杂主题的内部及外部培训（含国内与国际培训）
协助制定并优化本专业领域的内部标准与流程
观察/识别专业领域趋势以制定方案
提出行动建议（如规划方法等）
在其专业领域内主要开展概念性工作
管理、控制和协调子项目，依据检查清单和绩效指标监控项目执行与目标达成情况
进行复杂分析以优化流程并制定改进措施
AI 洞察
优缺点分析
优点
- 接触前沿的大模型技术栈（LLM、RAG、Agent），技术成长空间大
- 跨国企业平台，英语工作环境，有助于提升国际化视野和跨部门协作能力
- 大模型技术迭代极快，需要持续学习以保持技术敏锐度
- 作为传统汽车零部件企业的AI岗，可能面临业务场景落地与传统流程融合的沟通成本
- 具备3年以上AI算法经验，对大模型落地有热情，且希望在稳定外企平台中深耕AI技术的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向AI技术专家或AI算法团队负责人方向发展，深入大模型底层技术
- 拓展至企业级AI产品架构设计，推动AI技术在传统制造业的深度融合
- 负责机器学习、深度学习及NLP算法的设计与开发，构建定制化AI解决方案
- 探索并落地大语言模型（LLM）在企业级场景的应用，优化推理流程并管理模型全生命周期
- 精通Python及主流深度学习框架（PyTorch/TensorFlow），具备扎实的数学基础
- 拥有大模型微调、RAG、Agent开发及推理优化（vLLM等）的实战经验
申请策略
- 了解德科斯米尔在汽车内饰和线束系统的业务背景，思考AI技术如何赋能其生产制造或企业运营场景
- 突出大模型（LLM）落地经验，如RAG、Agent开发、模型微调及推理优化的具体项目成果
- 强调独立主导AI项目从设计到部署的全生命周期管理能力及业务收益
- 深入学习LangChain、LlamaIndex等LLM应用框架，熟悉vLLM等推理加速工具
- 提升英语沟通能力，以适应跨国企业的全英文工作语言要求
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出技术选型的思考过程、解决复杂问题的具体步骤以及最终的业务收益（如延迟降低、准确率提升）
- 请分享一个你主导的大模型（LLM）落地项目，遇到了哪些技术挑战及解决方案？
- 在优化LLM推理流程时，你是如何使用vLLM或量化技术降低延迟的？
- 如何设计一个基于RAG的企业级知识问答系统？
- 请描述你如何进行数据挖掘和特征工程以提升模型泛化能力？
- 复习大模型核心原理（Transformer、Attention）、微调技术（LoRA等）及RAG架构
- 准备全英文的自我介绍及项目技术细节描述，以应对英语工作语言的要求
职位点评
薪资福利75
成长发展85
工作生活70
使命价值65
薪资福利
75中等
跨国企业薪资福利体系完善，沈阳地区AI算法岗薪资具备竞争力，但传统制造业的薪资上限可能不及纯互联网企业。
薪资信号市场水准 (2千–3.5万/月)
成长发展
85较高
岗位涉及LLM、RAG、Agent等前沿AI技术，技术栈非常现代，且包含内部培训与持续教育规划，技术成长空间大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、NLP、LangChain、vLLM、RAG、Agent
成长机会持续教育需求、内部及外部培训
业务类型ambiguous
工作生活
70中等
跨国企业通常注重工作生活平衡，但JD未明确说明办公模式与工时，且涉及项目管理和跨部门协作，可能存在一定的工作压力。
工作模式未明确
办公地点工厂/生产基地
加班情况未提及（无法判断）
使命价值
65中等
汽车制造行业属于成熟行业，AI赋能传统制造业具有一定的产业升级意义，但社会直接影响力相对有限。
行业发展稳定成熟行业
社会影响中性/一般
使命信号提升驾驶体验、汽车创新
创新程度积极采用新技术
Watch Jobs