德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公AI算法
AI算法
Llm
Machine Learning
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
Vllm
值不值得投
77综合评分
综合评分 77
跨国车企背景，聚焦LLM前沿技术落地，技术成长空间大，工作稳定性高
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
2.8万
比AI算法中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 230 个在招
职位详情
关于这个职位
该职位主要负责机器学习、深度学习及大语言模型（LLM）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
候选人需独立完成数据挖掘、模型训练优化及推理流程加速，并参与大模型在垂直领域的微调与应用落地，确保生产环境的高性能与稳定性
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、概率统计和最优化理论
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或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
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
- 技术栈前沿：直接接触LLM、RAG、Agent等当前最热门的AI技术领域
- 平台稳定：德科斯米尔为跨国巨头，提供稳定的工作环境和规范的流程
- 国际化视野：英语作为工作语言，有机会参与国际项目与交流
- 落地场景丰富：在汽车制造这一实体产业中应用AI，具有独特的业务价值
- 技术更新快：LLM领域迭代迅速，需要持续高强度的学习以保持竞争力
- 复合要求高：既需要深厚的算法功底，又需要具备将技术转化为业务价值的能力
- 适合拥有3年以上AI实战经验，对大模型技术有浓厚兴趣，且希望在实体产业中发挥技术价值的工程师
缺点 / 挑战
- 传统行业数字化挑战：在传统制造业中推行AI可能需要克服数据质量或基础设施限制
角色解读
- 纵向深耕：成为AI大模型领域的资深专家或首席科学家，专注于前沿技术突破
- 横向拓展：转向AI产品经理或技术负责人角色，统筹更大规模的AI项目与技术团队
- 行业转型：凭借在汽车制造领域的AI落地经验，向智能制造或工业互联网方向延伸
- 核心职责是设计和开发机器学习、深度学习及NLP算法，特别是针对大语言模型（LLM）的应用落地
- 负责从数据预处理、模型训练调优到推理加速（如使用vLLM）的全流程，解决业务场景中的AI问题
- 参与LLM的微调、RAG架构搭建及Agent开发，并负责模型在生产环境的部署与维护
- 承担技术分享、内部培训及流程优化工作，作为领域专家支持团队发展
- 精通Python及主流深度学习框架（PyTorch/TensorFlow），具备扎实的数学基础
- 深入理解LLM技术栈，包括Prompt Engineering、RAG、Agent及模型轻量化技术
- 拥有至少3年AI算法研发经验，且有完整的AI项目落地案例
- 具备良好的英语工作能力及跨部门沟通协调能力
申请策略
- 准备英文简历，因为职位要求英语作为工作语言
- 面试前了解德科斯米尔在汽车内饰和线束领域的业务背景，思考AI如何赋能这些场景
- 准备1-2个完整的AI项目案例，重点阐述遇到的技术难点及解决方案
- 突出LLM相关项目经验，详细描述在Prompt Engineering、RAG或Agent方面的具体实践
- 强调模型优化能力，如推理加速（vLLM等）和模型轻量化（量化、蒸馏）的具体成果
- 展示全生命周期管理经验，包括从数据准备到生产部署的完整闭环案例
- 体现英语工作能力及跨团队协作经验
- 深入研究LangChain、LlamaIndex等LLM应用开发框架的最新特性
面试指南
- STAR法则：情境（Situation）、任务（Task）、行动（Action）、结果（Result）
- 技术深度：不仅描述做了什么，还要解释为什么选择该技术，对比了哪些方案
- 业务价值：强调技术如何解决实际业务问题，带来多少效率提升或成本节约
- 反思与总结：提及项目中遇到的挑战及后续改进思路
- 请详细介绍一个你主导的LLM应用项目，包括技术选型、难点攻克及最终效果
- 你是如何进行Prompt Engineering优化的？有哪些最佳实践？
- 请解释一下RAG的工作原理，以及如何解决检索增强生成中的幻觉问题？
- 在使用vLLM或TGI进行模型推理优化时，你做过哪些具体的调优工作？
职位点评
薪资福利75
成长发展90
工作生活65
使命价值70
薪资福利
75中等
作为跨国巨头企业，通常提供具有市场竞争力的薪资和完善的外企福利体系，但在沈阳地区的绝对薪资水平可能低于一线城市互联网大厂。
薪资信号未披露（AI估算：2.0千–3.5万/月）
成长发展
90较高
职位涉及LLM、RAG、Agent等前沿技术，且要求独立负责项目落地和技术培训，提供了极佳的技术成长和专业影响力构建机会。
技术前沿前沿/新兴技术
技术栈LLM、NLP、Deep Learning、LangChain、RAG、Prompt Engineering、vLLM
成长机会plan and conduct internal and external training、develop concepts、suggest recommendations for action
业务类型profit_center
工作生活
65中等
外企通常注重工作生活平衡，但AI算法岗位本身具有较高的技术挑战性，且职位描述中包含“管理子项目”、“复杂分析”等职责，可能伴随一定的工作压力。
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
70中等
在传统的汽车制造行业中引入AI技术，有助于推动产业升级和智能化转型，具有一定的社会价值和行业前瞻性。
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
德科斯米尔 的其他在招职位
相似职位推荐
Watch Jobs