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AI算法
AI算法
Llm
Machine Learning
Nlp
Pytorch
Tensorflow
值不值得投
74综合评分
综合评分 74
沈阳跨国车企AI算法岗，聚焦LLM前沿技术应用，技术成长性强，工作生活平衡待确认
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AI算法中位数基本持平
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 230 个在招
职位详情
关于这个职位
该职位主要负责机器学习、深度学习及大语言模型（LLM）的算法设计与开发
候选人需独立完成数据挖掘、模型训练调优及推理优化，构建面向业务场景的企业级AI解决方案，并参与模型全生命周期管理
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
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管理周期管理，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
- 接触最前沿的大模型（LLM）和企业级AI应用落地场景
- 跨国巨头企业平台，资源稳定，技术栈先进
- 能够将在AI领域的通用技能与汽车制造行业深度结合，形成差异化竞争力
- 提供内部培训及国际交流机会，有利于职业视野拓展
- 需要同时兼顾算法研发与生产工艺优化，对跨界理解能力要求高
- 作为非互联网大厂，可能在AI算力资源和顶级人才密度上略逊于纯科技公司
- 适合具备扎实AI理论基础，对大模型应用有热情，且希望进入实体制造业进行技术落地的资深算法工程师
缺点 / 挑战
- LLM领域技术迭代极快，需保持高强度的持续学习压力
角色解读
- 向高级AI算法专家或首席科学家方向发展，深耕前沿技术
- 转向AI技术管理岗位，带领团队进行大型AI项目交付
- 成为跨领域复合型人才，连接AI技术与汽车制造工艺
- 负责AI算法（特别是LLM和大模型应用）的设计、开发、训练与部署
- 构建企业级AI应用系统，包括Prompt Engineering、RAG及Agent适配
- 优化模型推理性能，进行数据清洗、特征工程及模型轻量化处理
- 参与工艺流程优化，将AI技术应用于实际生产场景
- 精通Python及主流深度学习框架（PyTorch/TensorFlow）
- 深入理解LLM原理，掌握LangChain、vLLM等工具链
- 具备扎实的数学基础和数据处理能力（Pandas/Scikit-learn）
- 拥有3年以上AI项目落地经验，具备独立解决复杂问题的能力
申请策略
- 准备英文简历，因为职位要求英语作为工作语言
- 在面试中展示对汽车行业数字化转型的理解，体现技术与业务的结合思维
- 突出LLM相关项目经验，特别是RAG、Agent、Prompt Engineering的具体实践
- 强调模型优化成果，如推理速度提升、延迟降低、吞吐量增加等量化指标
- 展示完整的AI项目生命周期管理能力，从数据准备到生产部署
- 提及任何与工业工程或制造业结合的AI项目经历，以增加匹配度
- 深入学习LangChain、LlamaIndex等LLM应用开发框架
- 掌握模型量化、蒸馏等轻量化技术及vLLM等推理加速工具
面试指南
- 使用STAR法则（情境、任务、行动、结果）描述项目经历，重点突出技术决策背后的思考
- 对于技术问题，先阐述基本原理，再结合具体案例说明解决方案，最后用数据证明效果
- 展现对新技术的敏感度，说明自己如何跟踪行业动态并保持技能更新
- 请详细介绍一个你主导的LLM应用项目，包括技术选型、难点攻克及最终效果
- 你是如何优化LLM推理性能的？请具体说明使用的工具和达到的指标
- 在构建企业级AI应用时，如何处理数据隐私和安全问题？
- 如何将AI算法应用到具体的生产工艺优化中？请举例说明
- 你对LangChain和RAG技术的理解是什么？在实际项目中如何解决幻觉问题？
职位点评
薪资福利75
成长发展85
工作生活60
使命价值70
薪资福利
75中等
跨国车企通常提供具有竞争力的薪酬体系和完善的福利保障，尤其在沈阳这样的二线城市，高薪岗位的购买力较强。
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LLM、RAG、Agent等前沿技术领域，且要求参与内部培训和标准制定，提供了良好的技术成长和专业影响力构建空间。
技术前沿前沿/新兴技术
技术栈LLM、LangChain、RAG、Agent、vLLM、PyTorch、TensorFlow
成长机会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、识别公司内部本领域持续教育需求
业务类型profit_center
工作生活
60中等
作为传统制造业背景的跨国企业，工作节奏可能相对互联网大厂稍缓，但AI研发本身具有高强度特性，且JD未明确提及弹性工作制。
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技术创新提升汽车驾驶体验和制造工艺，具有一定的社会价值和技术使命感，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
使命信号enhance your driving experience、automotive innovations
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