德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 12 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
软件工程
Llm
Prompt Engineering
Pytorch
Rag
Tensorflow
数据挖掘
机器学习
深度学习
AI 估算 · 15k–25k
具备3年AI经验和大模型技能稀缺，沈阳薪资水平适中，跨国企业福利较好
职位详情
关于这个职位
该职位负责设计和开发机器学习、深度学习及自然语言处理算法，构建面向业务场景的定制化AI解决方案
同时探索大语言模型在对话系统、知识图谱等场景的应用，推动大模型技术落地
需要独立完成数据挖掘、模型训练与优化，并参与模型全生命周期管理
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，Llamalndex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
- 技术前沿：职位涉及大模型、LLM、RAG等热门技术，紧跟AI发展趋势，技能积累价值高
- 平台稳定：德科斯米尔为跨国巨头，提供稳定的工作环境和全球化资源
- 全栈体验：从算法设计到模型部署再到项目管理，能全面锻炼综合能力
- 培训机会：有内部及国际培训职责，有利于个人成长和知识体系构建
- 技术迭代快：需持续学习最新AI技术，保持知识更新
- 跨部门协作：需要担任联络人，沟通协调要求高
- 适合有3年以上AI算法经验、热爱前沿技术、愿意承担项目和管理职责的工程师
缺点 / 挑战
- 工作强度大：涉及多项目并行和管理职责，可能面临较高的工作压力
角色解读
- 技术路线：从AI算法工程师发展为高级算法专家、架构师，深入大模型和AGI领域
- 管理路线：积累项目管理经验后转向技术管理岗位，如AI团队负责人、研发经理
- 行业路线：在汽车行业深耕，成为智能制造/工业AI领域的资深专家
- 设计和开发机器学习、深度学习及NLP算法，构建定制化AI解决方案
- 探索大语言模型在对话、知识图谱、推荐等场景的应用，推动大模型落地
- 优化LLM推理流程，使用vLLM、Ollama等框架提升性能，并进行模型轻量化
- 参与子项目管理，制定内部标准与流程，并承担培训与汇报工作
- 扎实的数学基础（线性代数、概率统计、优化理论）
- 精通Python及数据处理工具（Pandas、Scikit-learn），至少熟悉一种深度学习框架（TensorFlow/PyTorch）
- 熟悉大模型技术栈（RAG、Agent、模型微调、量化蒸馏等）及相关工具（LangChain、LlamaIndex）
- 至少3年AI算法或大模型开发经验，独立主导过至少2个AI项目
申请策略
- 了解德科斯米尔的业务领域（汽车线束、内饰），思考AI如何与工业场景结合
- 准备好展示算法设计思路和项目复盘，面试可能涉及技术深度和解决方案阐述
- 突出AI项目的实际成果，包括算法性能提升、模型落地效果等量化指标
- 强调大模型相关经验，如使用LangChain、RAG、模型微调等
- 展示编程能力（Python）和深度学习框架（TensorFlow/PyTorch）的熟练度
- 如有项目管理经验，务必列出协调和成果交付的案例
- 补充大模型推理优化和轻量化技术（vLLM、量化蒸馏等）
- 深入学习RAG和Agent模式，掌握LlamaIndex等工具
面试指南
- STAR法则：描述情境、任务、行动、结果，突出个人贡献和量化成果
- 技术原理结合实践：先阐述理论，再讲实际应用中的调优和挑战
- 问题解决导向：遇到困难时展示分析过程和最终解决方案
- 请介绍你参与过的一个AI项目，包括算法选型、数据集构建和最终效果
- 如何优化大模型推理速度？你用过哪些推理框架？
- 解释RAG的工作原理，以及如何解决检索相关性不足的问题
- 如何理解Prompt Engineering？给出一个优化Prompt的例子
- 你如何管理和协调子项目？遇到进度滞后如何处理？
职位点评
65
综合评分
前沿大模型技术岗，成长空间大，但现场办公且可能有加班压力。
更适合这类人
适合追求技术成长和前沿挑战的求职者，对工作生活平衡要求不高。
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90
工作生活40
使命价值60
薪资福利
70中等
职位薪资范围符合沈阳市场水平，跨国企业福利稳定，但JD未明确薪资福利细节，补偿性动机满足度中等偏上。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
90较高
职位涉及前沿大模型技术，有内部培训和国际培训职责，成长机会显著，但未明确晋升通道。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agent、LangChain、vLLM、量化蒸馏
成长机会持续教育、培训
业务类型ambiguous
工作生活
40较低
沈阳现场办公，无远程或弹性说明，且JD未提及WLB相关信号，可能工作强度较大。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
60中等
汽车行业为成熟稳定行业，AI应用推动产业升级具有一定社会价值，但JD未提及使命导向。
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