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
Vllm
数据挖掘
值不值得投
77综合评分
综合评分 77
外企背景、大模型前沿技术栈、注重技术成长与业务落地，薪资中上，WLB视项目情况而定。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
2万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
53 个在招 · 其中机器学习工程 3 个
市场机会
选择不多
沈阳 · 机器学习工程 · 3 个在招
职位详情
关于这个职位
该职位主要负责机器学习、深度学习及自然语言处理算法的设计与开发，构建面向业务场景的定制化AI解决方案
工作涵盖大模型（LLM）的探索、微调、RAG及Agent适配，并负责AI模型从训练到部署的全生命周期管理，推动大模型技术在企业级场景的落地
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、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
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
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
- 处于大模型和AI技术落地的核心前沿，能积累丰富的LLM应用、微调及推理优化经验
- 外企背景提供相对规范的工作流程和国际化视野，英语工作环境有助于提升跨国沟通能力
- 适合具备3年以上AI算法经验，对大模型技术有浓厚兴趣，且希望在实体制造业中推动AI技术落地的技术型人才
缺点 / 挑战
- 大模型技术在传统制造业的落地可能面临业务场景复杂、数据质量参差不齐等挑战
- 需要同时兼顾底层算法优化与上层业务应用，对技术广度和深度要求较高
角色解读
- 从AI算法工程师向大模型技术专家或AI架构师发展，深耕底层算法与推理优化
- 凭借项目管理和跨部门协作经验，向AI技术管理岗位（如AI团队负责人）转型
- 负责机器学习、深度学习及NLP算法的设计与开发，构建定制化AI解决方案
- 探索并落地大语言模型（LLM）在企业级场景的应用，包括RAG、Agent、微调及推理优化
- 管理AI模型全生命周期，并参与相关子项目的管理与内部技术培训
- 精通Python及主流深度学习框架（PyTorch/TensorFlow），具备扎实的数学基础
- 熟练掌握LLM相关技术栈（LangChain、vLLM、RAG、Prompt Engineering），并有至少3年AI算法或大模型应用开发及落地经验
- 英语可作为工作语言，具备跨国沟通与文档编制能力
申请策略
- 在求职信或面试中，强调自己不仅懂算法，还能将技术转化为实际业务价值，展现跨部门沟通和项目管理的潜力
- 重点突出大模型（LLM）相关项目经验，如RAG、Agent开发、模型微调及推理加速（vLLM等）
- 展示独立主导AI项目从设计到落地的完整闭环能力，以及英语工作能力
- 深入学习大模型推理优化技术（如量化、蒸馏）及前沿的Agent框架
- 了解汽车制造或工业工程领域的基础知识，以便更好地将AI技术与实际业务场景结合
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经验，突出个人贡献与业务价值
- 在技术问题上，先阐述核心原理，再结合具体业务场景说明选型理由和调优细节
- 请详细介绍一个你独立主导的大模型应用落地项目，遇到了哪些技术难点，如何解决的？
- 在优化LLM推理流程时，你使用过哪些框架（如vLLM）？如何平衡吞吐量与延迟？
- 针对RAG或Agent系统，你是如何设计Prompt或优化检索策略以提升准确率的？
- 在传统制造业场景下，你认为大模型技术最大的应用潜力和落地难点是什么？
- 复习大模型微调（LoRA、P-Tuning等）、RAG架构设计及推理加速原理
- 了解德科斯米尔的主营业务（汽车内饰、线束），思考AI技术如何赋能其生产或管理流程
职位点评
薪资福利75
成长发展85
工作生活70
使命价值75
薪资福利
75中等
沈阳地区3年大模型算法经验薪资处于市场中上水平，外企福利体系相对完善，但受限于地域整体薪资天花板，爆发力有限。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
岗位涉及大模型全生命周期管理及前沿技术落地，技术栈非常新，且包含内部培训和标准制定，个人技术成长与行业视野拓展空间大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、NLP、RAG、LangChain、vLLM、Prompt Engineering
成长机会持续教育、内部及外部培训
业务类型ambiguous
工作生活
70中等
外企通常注重工作生活平衡，但岗位涉及大模型落地和子项目管理，可能存在一定的项目交付压力，具体WLB情况需视团队而定。
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
75中等
将前沿AI技术应用于传统汽车制造业，推动产业升级和智能制造，具有较高的行业转型价值和社会意义。
行业发展高速增长赛道
社会影响中性/一般
使命信号提升驾驶体验、汽车创新
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