德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 1 天前普通员工/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
Nlp
Pytorch
Rag
Tensorflow
Vllm
大语言模型(Llm)
机器学习
深度学习
值不值得投
68综合评分
综合评分 68
聚焦大模型与AI算法研发的前沿技术岗，技术成长性强，适合追求硬核技术积累的求职者
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
3.3万
比机器学习工程中位数低
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 120 个在招 · 其中机器学习工程 8 个
市场机会
选择不多
沈阳 · 机器学习工程 · 8 个在招
职位详情
关于这个职位
负责机器学习、深度学习及NLP算法的设计与开发，构建面向业务场景的定制化AI解决方案
主导大语言模型（LLM）在企业级场景的落地应用，包括Prompt工程、RAG架构、智能体适配及推理优化
独立完成数据挖掘、特征工程、模型训练调优至生产部署的全生命周期管理，并参与相关技术培训与流程优化
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
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
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
进行复杂分析以优化流程并制定改进措施
优先资格
探索大规模语言模型（LLM）在对话系统、知识图谱、内容生成和智能推荐等应用场景
设计实现Prompt Engineering方案，结合LangChain、LlamaIndex等工具构建企业级AI应用系统
优化LLM推理流程，利用vLLM、Ollama、TGI等推理框架提升服务性能，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）领域适配工作
AI 洞察
优缺点分析
优点
- 技术栈高度前沿，直接参与LLM、RAG、Agent等下一代AI核心技术研发
- 项目落地导向明确，可积累从算法设计到工程部署的完整闭环经验
- 跨国企业背景提供规范的技术流程与国际化协作平台，利于职业背书
- 大模型企业级落地场景复杂，需频繁平衡业务指标、算力成本与模型性能
- 技术迭代极快，需保持高强度自学以跟进最新开源模型与推理框架更新
- 制造业技术团队资源相对有限，需在约束条件下自主探索优化路径
- 具备扎实算法基础与工程落地能力，对大模型技术充满热情且能适应快节奏技术迭代的开发者
缺点 / 挑战
暂无明显挑战项
角色解读
- 纵向深耕：向大模型算法专家或AI架构师发展，主导核心模型研发与底层优化
- 横向拓展：转向企业级AI解决方案负责人，统筹业务需求分析与技术落地闭环
- 技术管理：逐步承担团队技术规划与人才培养，向技术总监或研发经理演进
- 负责AI算法与大模型技术的研发落地，覆盖从数据挖掘、特征工程到模型训练调优的全过程
- 设计企业级AI应用架构，结合Prompt工程、RAG与智能体技术解决具体业务场景问题
- 优化大模型推理性能与资源消耗，保障模型在生产环境中的高可用性与低延迟
- 主导AI项目全生命周期管理，输出技术规范并开展团队内部分享与培训
- 精通Python编程，熟练掌握Pandas、Scikit-learn等数据处理与机器学习工具链
- 深入理解Transformer架构，具备PyTorch/TensorFlow等主流深度学习框架实战经验
- 掌握大模型微调（LoRA/P-Tuning）、RAG架构设计及向量检索技术
- 熟悉vLLM、Ollama等推理加速框架，具备模型量化、蒸馏等轻量化优化能力
申请策略
- 提前调研德科斯米尔在汽车线束与内饰领域的数字化痛点，准备针对性技术设想
- 关注公司近期技术动态，面试时展现对制造业AI落地场景的理解与思考
- 突出2个以上完整的AI/大模型项目全链路经验，明确标注业务场景与最终产出
- 量化模型优化成果，如推理延迟降低比例、吞吐量提升数据、准确率/F1分数变化
- 详细列出使用的核心技术栈（框架、工具、部署方案），体现工程化落地能力
- 强调跨部门协作与文档输出经验，展现技术沟通与知识沉淀意识
- 深入掌握LangChain/LlamaIndex生态，熟悉智能体编排与多模态交互设计
- 强化Linux环境下的模型部署与容器化经验，熟悉Docker/Kubernetes基础操作
面试指南
- 采用STAR法则结构化回答：清晰界定业务背景与目标，重点展开技术选型依据、实验对比过程与关键参数调整逻辑
- 突出数据驱动思维：用基准测试（Benchmark）与线上A/B测试数据佐证技术方案的有效性
- 强调工程化视角：不仅讨论算法精度，还需涵盖算力调度、缓存机制、降级策略与监控告警设计
- 请详细介绍一个你主导的大模型落地项目，遇到的最大技术瓶颈是什么？如何解决的？
- 在实际业务场景中，如何权衡大模型的响应延迟、推理成本与生成质量？
- 针对垂直领域数据稀缺的问题，你会采用哪些策略进行模型微调或数据增强？
- 如何设计一套稳定的LLM应用评估体系，确保上线后性能不衰减？
- 系统复习Transformer注意力机制、KV Cache优化及主流微调方法（LoRA/QLoRA）原理
职位点评
薪资福利65
成长发展85
工作生活55
使命价值60
薪资福利
65中等
JD未明确薪资范围，但作为跨国汽车零部件巨头，通常提供符合市场水准的薪酬与完善福利体系。
薪资信号未披露（AI估算：2.5千–4.0万/月）
成长发展
85较高
岗位深度聚焦大模型、RAG、Agent等前沿技术，技术栈先进，有利于快速积累AI工程化经验。
技术前沿前沿/新兴技术
技术栈LLM、RAG、LangChain、vLLM、PyTorch、TensorFlow
业务类型ambiguous
工作生活
55较低
制造业外企通常要求现场办公，JD未提及弹性工时或远程政策，工作节奏可能受项目交付影响。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
60中等
汽车行业属于稳定成熟赛道，岗位侧重企业内部技术赋能，社会影响力体现为行业技术升级。
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