德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
Vllm
数据挖掘
值不值得投
74综合评分
综合评分 74
跨国车企平台、前沿大模型技术栈、技术成长空间大，薪资在沈阳具竞争力但WLB视项目而定。
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
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
54 个在招
市场机会
选择不多
沈阳 · 人工智能 · 1 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（NLP）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
你将探索大语言模型（LLM）在对话系统、知识图谱等场景的落地，并负责模型从训练、调优到部署的全生命周期管理
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，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，Llamalndex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
- 接触前沿的大语言模型（LLM）及Agent技术，技术栈非常现代
- 跨国汽车零部件巨头平台，业务场景丰富，有利于将AI技术落地于实体制造业
- 需要兼顾算法研发与内部流程优化、跨部门沟通及培训等非纯技术工作
- 具备3年左右AI/大模型开发经验，希望在实体制造业探索AI落地，且具备良好英语沟通能力的算法工程师
缺点 / 挑战
- 传统制造业的AI落地可能面临数据质量、业务部门配合度及算力资源等挑战
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，也可向AI项目负责人或技术管理方向转型，参与制定企业级AI战略与标准
- 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）在对话系统、知识图谱等企业级场景的应用，优化推理流程并管理模型全生命周期
- 扎实的数学基础与Python编程能力，精通PyTorch/TensorFlow等深度学习框架
- 具备大模型微调、RAG、Agent开发及推理优化（vLLM等）的实战经验，且英语可作为工作语言
申请策略
- 了解德科斯米尔在汽车内饰和线束系统的业务背景，思考AI技术如何赋能其生产制造或供应链管理
- 准备好英文面试，因为该岗位要求英语作为工作语言
- 突出大模型（LLM）微调、RAG、Agent开发及推理优化的具体项目经验
- 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
- 深入掌握vLLM、Ollama等推理框架及模型量化/蒸馏技术
- 熟悉LangChain/LlamaIndex等企业级LLM应用开发工具链
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经验，重点突出技术选型理由、性能优化指标及业务收益
- 对于落地难点，从数据、算力、业务融合三个维度进行结构化分析
- 请介绍一个你独立主导的大模型应用落地项目，遇到了哪些技术挑战及如何解决？
- 在优化LLM推理流程时，你如何使用vLLM或量化技术来降低延迟并提高吞吐量？
- 如何设计一个基于RAG的企业级知识问答系统，如何解决检索不准或幻觉问题？
- 在传统制造业场景下，你认为AI算法落地最大的难点是什么？
- 复习大模型核心原理（如Transformer架构、Attention机制）及微调技术（LoRA、P-Tuning等）
- 准备一段流畅的英文自我介绍及项目介绍，以应对英语工作语言的要求
职位点评
薪资福利70
成长发展85
工作生活65
使命价值75
薪资福利
70中等
沈阳地区3年AI算法经验薪资处于当地中上水平，提供一定稳定性，但整体薪资上限不及一线城市互联网企业。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
技术栈涵盖LLM、RAG、Agent等当前最前沿的AI技术，且涉及模型全生命周期管理，技术成长空间大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、NLP、LLM、LangChain、RAG、vLLM、Prompt Engineering
成长机会持续教育需求、内部及外部培训
业务类型ambiguous
工作生活
65中等
JD中提及管理子项目、复杂分析及国内外培训，可能存在一定的工作压力或出差需求，具体WLB情况未明确。
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
75中等
将前沿AI技术应用于传统汽车制造业，推动产业升级与智能制造，具有一定的行业价值与社会意义。
行业发展稳定成熟行业
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
Watch Jobs