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
Vllm
机器学习
深度学习
值不值得投
72综合评分
综合评分 72
聚焦大模型落地的技术核心岗，成长性强、外企平台稳健，WLB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
2.8万
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
约 130 个在招 · 其中机器学习工程 9 个
市场机会
选择不多
沈阳 · 机器学习工程 · 9 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算法的研发与大模型落地，构建面向业务场景的定制化AI解决方案
主导LLM微调、RAG架构搭建、Prompt工程及推理优化，独立完成数据工程与模型全生命周期管理，并协助优化内部技术标准与流程
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
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
- 依托跨国车企供应链平台，接触真实工业场景与高质量数据
- 技术栈前沿（LLM、RAG、Agent），利于积累大模型落地经验
- 外企文化相对规范，注重员工培训与职业发展
- 工业场景数据治理难度大，模型落地需兼顾实时性与稳定性
- 需平衡算法研发与工艺生产流程优化，跨领域协同要求高
- 适合具备3年以上AI算法经验、对大模型落地有热情、能适应制造业节奏且希望深耕垂直行业应用的求职者
缺点 / 挑战
- 沈阳本地AI高端人才竞争激烈，技术迭代压力较大
角色解读
- 可向高级AI架构师或大模型技术专家方向发展，深入垂直行业应用（如智能制造、自动驾驶）
- 也可转向技术管理岗，负责AI团队建设与核心技术路线规划
- 负责AI算法与大模型技术的研发落地，包括模型训练、微调、推理优化及Prompt工程方案设计
- 主导数据清洗、特征工程与模型评估，确保算法在生产环境的高可用性与高性能
- 作为技术联络人，参与跨部门协作、内部培训及技术文档编写
- 精通Python及主流深度学习框架（PyTorch/TensorFlow），扎实掌握线性代数与概率统计
- 熟悉LLM生态（LangChain、RAG、Agent、vLLM等），具备完整的模型训练至部署全流程经验
- 具备良好的英语沟通能力与项目管理协调能力
申请策略
- 提前了解德科斯米尔在汽车内饰与线束系统的业务布局
- 准备1-2个完整的大模型落地案例，重点说明业务痛点、技术方案与最终收益
- 突出大模型（LLM）微调、RAG架构搭建及推理优化（vLLM/TGI）的具体项目成果
- 量化模型性能提升指标（如准确率、延迟降低比例）
- 强调Python编程与数据处理工具链熟练度
- 补充工业场景下的数据清洗与特征工程实战经验
- 深入学习模型轻量化（量化、蒸馏）与边缘端部署技术
- 强化英语技术文档阅读与撰写能力
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答
- 重点突出技术选型依据、性能瓶颈定位方法、量化对比数据及业务价值转化
- 体现对模型全生命周期的把控能力
- 请详细介绍一个你主导的LLM微调或RAG项目，遇到的最大挑战及如何解决？
- 如何优化大模型推理延迟并提升吞吐量？
- 在工业场景中，如何处理非结构化数据以支撑模型训练？
- 复习Transformer架构、注意力机制及常见微调方法（LoRA、QLoRA）
- 熟悉LangChain/LlamaIndex核心组件
职位点评
薪资福利70
成长发展85
工作生活60
使命价值70
薪资福利
70中等
JD未明确薪资范围，外企制造业通常提供符合当地市场的固定薪酬与合规福利，现金激励偏保守但稳定性强。
薪资信号未披露（AI估算：2.0千–3.5万/月）
成长发展
85较高
技术栈高度聚焦大模型与AI前沿应用，提供内部培训与技术分享机会，职业成长空间明确。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Prompt Engineering、vLLM、LangChain、PyTorch
成长机会规划并实施复杂主题的内部及外部培训、识别公司内部本领域持续教育需求
业务类型ambiguous
工作生活
60中等
未明确提及弹性办公或加班政策，制造业外企通常按标准工时执行，通勤便利度取决于具体厂区位置。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
岗位直接服务于汽车智能化升级，技术落地具有明确的产业价值与社会影响力。
行业发展稳定成熟行业
社会影响正向社会影响力较高
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