德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 4 小时前普通员工/个人贡献者
沈阳市
中级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
机器学习
深度学习
NLP
PyTorch
RAG
TensorFlow
LLM
AI 估算 · 18k–30k
AI算法岗薪资较高，沈阳地区中级岗位月薪约20-30K，结合公司规模与行业水平取中位数。
职位详情
关于这个职位
这是一个面向AI算法与大模型应用开发的研发岗位，归属于德科斯米尔（汽车行业）沈阳工厂
你将负责机器学习、深度学习及NLP领域的算法设计与开发，探索大模型（LLM）在对话系统、知识图谱等场景的落地，并参与模型全生命周期管理
适合具备3年以上AI经验、熟悉Python和深度学习框架的技术人才
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、数学等相关专业
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
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
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
- 企业是知名跨国汽车零部件巨头，平台稳定，资源充足
- 技术栈前沿，涉及LLM、RAG、Agent等热门方向，能积累丰富的AI大模型实战经验
- 工作内容丰富，涵盖算法设计、工程优化和培训汇报，综合能力提升快
- 汽车行业技术迭代相对较慢，部分场景可能偏保守，需要主动推动创新
- 沈阳地区AI人才密度较低，前沿技术交流环境可能不如一线城市
- 适合热爱AI前沿技术、希望在大平台将大模型应用于工业场景的算法工程师
- 也适合有志于从技术向技术管理发展的人
缺点 / 挑战
- 职位要求兼顾算法研发与工程部署，对跨领域能力要求较高
角色解读
- 技术方向：从算法工程师成长为AI架构师或大模型专家，深入前沿技术
- 管理方向：通过项目协调和标准制定，逐步转型为技术经理或团队负责人
- 跨领域发展：结合汽车行业经验，转型为工业AI解决方案专家，推动智能制造
- 设计并开发机器学习、深度学习、NLP算法，构建定制化AI解决方案
- 负责大语言模型（LLM）的落地应用，包括对话系统、知识图谱、内容生成等场景
- 优化模型推理性能，利用推理框架和轻量化技术提升生产环境效率
- 管理AI模型全生命周期，从训练调参到部署维护，并参与内部标准制定
- 精通Python及数据处理工具（Pandas, Scikit-learn），掌握至少一种深度学习框架（PyTorch/TensorFlow）
- 具备扎实的数学基础（线性代数、概率统计、最优化），能独立进行特征工程和模型调优
- 熟悉大模型技术栈，包括LangChain、RAG、Agent、模型量化蒸馏等
- 英语可作为工作语言，具备跨部门协作和培训能力
申请策略
- 关注德科斯米尔在沈阳的业务布局，了解其汽车线束和内饰业务如何与AI结合
- 面试中准备一个完整的LLM项目案例，从需求分析到落地效果
- 突出3年以上AI算法或大模型开发经验，至少2个完整项目经历，特别是LLM落地案例
- 详细描述在特征工程、模型训练、推理优化中的具体贡献和量化成果
- 展示英语能力，如参与国际项目或英文文档编写经历
- 强调对LangChain、RAG、模型轻量化等工具的实际运用
- 系统学习大模型微调、RAG、Agent实现原理，熟悉LangChain/LlamaIndex框架
- 掌握模型量化、蒸馏等推理优化技术，了解vLLM、Ollama等框架
面试指南
- STAR法则：情境-任务-行动-结果，结构化展示项目经验
- 对比分析：从多个方案中选择时，说明权衡因素（如成本、效果、延迟）
- 步骤拆解：对于技术问题，按流程分步说明思路，展示系统化思考能力
- 请描述你参与过的一个大模型落地项目，包括技术选型、遇到的挑战和解决方案
- 如何在企业场景下平衡LLM的推理速度和生成质量？你会采用哪些方法？
- 解释RAG的原理，与微调相比有何优劣？什么场景下你会选择RAG？
- 你如何对模型进行量化或蒸馏？具体步骤和效果评估方法
- 如果你的模型在生产环境中出现性能下降，你会如何排查和优化？
职位点评
70
综合评分
跨国车企AI算法岗，前沿技术栈，成长空间大，但WLB一般。
更适合这类人
适合追求技术成长、愿意在沈阳稳定发展、对WLB要求不苛刻的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展85
工作生活60
使命价值65
薪资福利
70中等
薪资具有竞争力，但具体数字未披露，且沈阳生活成本较低，整体补偿性尚可。
薪资信号未披露（AI估算：18K-30K/月）
成长发展
85较高
技术栈前沿（LLM、RAG等），提供内部培训机会，成长空间大。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、LLM、RAG、Agent、LangChain、PyTorch、TensorFlow
成长机会持续教育、培训
业务类型ambiguous
工作生活
60中等
办公室现场办公，沈阳地点较为具体，未提及弹性工作或远程，WLB信号弱。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
65中等
汽车行业属于稳定成熟行业，AI应用有助于改善生产流程，社会影响力中性。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs