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机器学习工程
机器学习工程
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
值不值得投
75综合评分
综合评分 75
前沿LLM技术栈、外企稳定平台、沈阳本地就业、发展性动机强
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
2.4万
与机器学习工程中位数基本持平
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 220 个在招 · 其中机器学习工程 20 个
市场机会
选择适中
沈阳 · 机器学习工程 · 20 个在招
职位详情
关于这个职位
该职位主要负责AI算法与大规模语言模型（LLM）的应用开发，包括Prompt Engineering、RAG及Agent适配
需精通Python及深度学习框架，具备3年以上相关经验，负责从数据清洗、模型训练到部署的全生命周期管理，并优化推理性能
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
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
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、Llama Index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
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
- 聚焦前沿的大模型技术应用，技术栈先进（LangChain, vLLM等）
- 跨国企业背景，提供规范的流程和国际化视野
- 稳定的制造业巨头平台
- 非纯互联网大厂，AI可能更多服务于内部业务或制造场景，创新自由度相对受限
- 需要兼顾工艺工程背景，对复合能力有要求
- 希望在大模型应用领域深耕，且偏好稳定外企平台的技术专家型求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向首席AI科学家、AI架构师方向发展，或转型为负责企业级AI战略的技术管理者
- 负责设计和开发AI算法，特别是针对大规模语言模型（LLM）的应用落地，包括Prompt Engineering、RAG和Agent开发
- 精通Python及主流深度学习框架（PyTorch/TensorFlow），深入理解LLM原理及微调技术，具备数据处理和模型部署优化能力
申请策略
- 准备英文简历，因为JD明确要求英语作为工作语言
- 展示对汽车制造或工业场景AI落地的理解
- 重点突出LLM相关的项目经验，特别是RAG、Agent搭建及模型推理优化的具体案例
- 强调Python编程能力和数学基础
- 加强LangChain/LlamaIndex等框架的实际应用熟练度
- 提升模型量化、蒸馏等轻量化技术的实战经验
面试指南
- 使用STAR法则（情境、任务、行动、结果）描述项目
- 重点阐述技术选型理由、遇到的瓶颈及具体的优化手段（如量化、缓存、索引优化）
- 请介绍一个你主导的LLM应用项目，你是如何解决幻觉或延迟问题的？
- 如何在资源有限的情况下优化LLM的推理速度？
- 请解释RAG的原理及其在企业知识库中的应用难点
- 你如何处理非结构化数据以支持模型微调？
- 复习LLM核心概念（Transformer, Attention机制）
- 准备1-2个完整的端到端AI项目案例
职位点评
薪资福利75
成长发展85
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，通常提供具有竞争力的薪酬体系和完善的福利保障，但沈阳地区的薪资绝对值相比一线城市有一定差距。
薪资信号未披露（AI估算：1.8千–3.0万/月）
成长发展
85较高
职位涉及最前沿的LLM、RAG、Agent等技术，技术栈非常现代，有利于保持技术竞争力和职业成长。
技术前沿前沿/新兴技术
技术栈LLM、LangChain、RAG、Agent、vLLM、Prompt Engineering
业务类型profit_center
工作生活
65中等
传统制造业外企通常比互联网公司更注重WLB，但具体加班情况未在JD中明确说明，需进一步确认。
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
通过AI技术优化汽车制造工艺和内饰产品，具有一定的行业价值和社会影响力，属于稳健跟随主流的创新模式。
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