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
特征工程
值不值得投
73综合评分
综合评分 73
聚焦LLM与企业级AI落地，技术栈前沿，外企平台稳定，适合专注技术研发的工程师。
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
3.5万
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 150 个在招 · 其中机器学习工程 11 个
市场机会
选择适中
沈阳 · 机器学习工程 · 11 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
主导大模型（LLM）在企业级场景的落地应用，涵盖Prompt工程、RAG架构搭建与推理性能优化
独立完成数据清洗、模型训练调优至生产部署的全生命周期管理，并推动内部技术标准制定与团队赋能
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、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
- 技术栈高度前沿，直接接触LLM、RAG、Agent等企业级AI核心应用
- 外企平台提供规范的研发流程与稳定的项目资源，利于积累高质量落地案例
- 跨部门协作机会多，可接触汽车制造与供应链真实业务场景
- 制造业背景下的AI落地常需兼顾硬件限制与实时性要求，调试周期较长
- 子项目管理与内部培训职责可能分散部分纯研发精力
- 适合具备扎实算法基础、渴望将大模型技术转化为实际业务价值，且能在规范外企环境中稳步推进项目交付的技术型工程师
缺点 / 挑战
- 大模型快速迭代带来持续学习压力，需紧跟开源社区与最新论文进展
角色解读
- 可向AI算法专家或首席架构师方向发展，深入垂直领域大模型研发
- 也可转向技术管理岗，带领AI研发团队负责更多业务线的智能化转型
- 长期可拓展至AI产品化或技术顾问角色
- 负责机器学习与深度学习算法的研发，针对特定业务场景定制AI解决方案
- 主导大模型在企业级应用中的落地，包括Prompt设计、RAG架构搭建、推理加速与模型微调
- 管理AI模型从数据准备、训练调优到生产部署的全生命周期
- 精通Python及主流数据处理库，熟练掌握至少一种深度学习框架
- 具备大模型全链路开发能力（预训练、微调、RAG、Agent适配）
- 熟悉推理优化框架与模型轻量化技术，具备扎实的数学与统计学基础
申请策略
- 提前了解德科斯米尔在汽车线束与内饰领域的业务痛点，思考AI如何赋能生产调度或质量检测
- 准备1-2个可量化的模型优化案例，重点展示推理延迟降低与吞吐量提升的具体数值
- 突出至少2个完整的AI项目闭环经历，明确标注业务场景、模型选型、性能指标提升数据
- 详细列出LLM相关实战经验（如RAG架构设计、Prompt优化策略、推理加速效果）
- 强调Python编程能力与深度学习框架熟练度，附GitHub或技术博客链接
- 补充向量数据库（如Milvus、FAISS）与LangChain生态的深度使用经验
- 强化模型量化、剪枝、蒸馏等轻量化技术的实操演练
- 提升英语技术文档阅读与跨文化团队协作能力
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答，重点突出技术决策依据与量化产出
- 针对性能优化类问题，先说明基线瓶颈，再分步骤阐述框架选择、参数调整、硬件适配与压测验证过程
- 涉及业务落地时，强调需求对齐、MVP验证与迭代反馈机制
- 请分享一个你主导的LLM应用落地项目，说明业务目标、技术选型与最终效果
- 在资源受限的生产环境中，如何优化大模型推理延迟并保证响应实时性？
- 面对垂直领域数据稀缺的情况，你会采用哪些策略进行模型微调或数据增强？
- 如何评估RAG系统的检索质量与生成准确性？有哪些关键指标与调优手段？
- 在跨部门协作中，如何将业务需求转化为可执行的AI技术方案？
职位点评
薪资福利72
成长发展85
工作生活60
使命价值68
薪资福利
72中等
外企背景提供稳定薪酬结构与规范福利体系，薪资水平符合沈阳地区AI技术岗市场中上标准，整体保障性强。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
85较高
聚焦大模型、RAG与Agent等前沿技术栈，提供从算法研发到企业级落地的完整实践机会，技术成长空间显著。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agent、LangChain、vLLM、Prompt Engineering、PyTorch、TensorFlow
业务类型ambiguous
工作生活
60中等
制造业基地通常以现场办公为主，具体通勤与工时安排需结合厂区实际政策确认，灵活性相对有限。
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
68中等
深耕汽车线束与内饰创新领域，通过智能化技术赋能传统制造升级，行业基本盘稳固但社会变革属性较弱。
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