Industrial Engineering ES

优缺点分析

角色解读

• 可在AI算法、LLM应用架构、RAG/Agent工程化等方向持续深耕，成长为技术专家
• 随着企业级AI项目经验积累，可向AI平台建设、技术方案负责人或子项目负责人方向发展
• 在跨国汽车零部件企业中，还可结合制造业务场景拓展工业AI、数据智能等复合能力
• 负责机器学习、深度学习、NLP和LLM相关算法的设计、训练、调优与部署，面向企业业务场景构建AI应用
• 参与LLM微调、RAG、Agent适配、Prompt Engineering和推理优化，推动大模型技术在垂直领域落地
• 管理AI模型全生命周期，并承担专业领域内的内部标准制定、培训、文档编制和子项目协调
• 扎实的数学基础，包括线性代数、概率统计和最优化理论
• 熟练使用Python及Pandas、Scikit-learn等数据处理工具，掌握TensorFlow、PyTorch或MindSpore等深度学习框架
• 具备AI算法和大模型应用开发经验，能独立完成数据挖掘、特征工程、模型训练、调优和部署
• 熟悉LLM应用技术栈，如LangChain、LlamaIndex、RAG、vLLM、Ollama、TGI，以及量化、蒸馏等轻量化方法

申请策略

• 投递前确认该岗位究竟偏AI算法还是工业工程，避免职位标题与实际职责不一致带来的预期偏差
• 面试中主动了解团队的数据基础、算力资源、业务场景和考核方式，判断LLM落地空间
• 突出Python、PyTorch/TensorFlow、NLP、LLM微调、RAG、Agent和推理优化等与JD高度匹配的技术栈
• 用项目案例说明你独立主导或完整参与过AI项目，覆盖数据挖掘、特征工程、模型训练、调优和部署全流程
• 量化模型效果，如准确率、泛化能力、延迟、吞吐量或业务收益，但需确保数据真实可解释
• 体现跨团队协作、内部培训、文档沉淀或子项目协调经验，匹配岗位对联络人和标准制定的要求
• 提前熟悉LangChain、LlamaIndex、vLLM、Ollama、TGI等LLM应用与推理工具
• 准备RAG、Agent、Prompt Engineering、模型量化和蒸馏的实践案例或技术方案

面试指南

• 项目类问题用STAR结构：背景与目标、你的职责、技术方案与关键取舍、结果与复盘
• 技术方案问题先讲业务约束和评价指标，再讲架构选择、实验对比和上线监控
• 协作类问题强调需求澄清、数据与算力条件、跨团队分工、风险管理和持续迭代
• 请介绍一个你主导或完整参与的AI项目，说明问题定义、数据、模型、部署和最终效果
• 你如何设计RAG或Agent方案解决企业知识问答/智能推荐场景？遇到过哪些问题？
• 请说明你对LLM微调、Prompt Engineering、量化或蒸馏的理解及实际使用经验
• 如何优化LLM推理服务的延迟和吞吐量？你使用过哪些框架和方法？
• 你如何与业务部门协作，推动AI模型在生产环境中稳定运行？