德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 7 小时前普通员工/个人贡献者
沈阳市
中级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
机器学习
大型语言模型
深度学习
数据挖掘
PyTorch
RAG
自然语言处理
TensorFlow
AI 估算 · 15k–25k
该职位为AI算法岗，要求3年经验，外企巨头沈阳，薪资竞争力较强，但沈阳整体薪资水平低于一线城市，估算月薪15-25K。
职位详情
关于这个职位
该职位是德科斯米尔（沈阳）的工业工程ES岗位，实际工作聚焦于AI算法与大型语言模型（LLM）的开发与落地
您将负责设计机器学习、深度学习及NLP算法，构建企业级AI解决方案，并参与模型的全生命周期管理
适合具有AI算法背景、希望在外企汽车零部件行业应用前沿技术的求职者
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、数学等相关专业
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
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
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
- 外企平台，制度完善，福利待遇正规，工作稳定性高
- 接触前沿AI技术（LLM、RAG等），技术成长快，项目经验含金量高
- 所在行业（汽车零部件）与AI结合紧密，未来应用场景广阔
- 沈阳生活成本较低，薪资具有竞争力，性价比高
- 职位描述混合了工业工程和AI职责，实际工作可能涉及跨领域协调，需要快速适应
- 要求多技能栈（ML/DL/NLP/LLM/工程），对个人学习能力要求高
- 作为汽车行业供应商，可能需应对严格的质量标准和较长的项目周期
- 适合具备3年以上AI算法经验、希望在外企稳定环境中深入应用LLM技术、并愿意在沈阳长期发展的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向AI算法专家或技术负责人方向发展，加深在LLM和工业AI领域的专业度
- 有机会转型为AI项目经理或技术顾问，结合汽车行业经验拓展职业路径
- 在外企环境中积累国际化项目经验，未来可向更高阶的AI架构师或研发管理岗进阶
- 设计和开发机器学习、深度学习及NLP算法，为汽车行业业务场景定制AI解决方案
- 探索并落地大型语言模型（LLM）在对话系统、知识图谱、内容生成等方面的应用
- 管理AI模型从训练到部署的全生命周期，确保生产环境的稳定性和高性能
- 参与内部培训、标准制定和子项目协调，推动专业领域内的持续改进
- 扎实的数学基础（线性代数、概率统计、优化理论）和Python编程能力
- 熟悉至少一种深度学习框架（TensorFlow, PyTorch, MindSpore）及相关数据处理工具
- 具备LLM应用开发经验，熟悉LangChain、RAG、模型微调等前沿技术
- 良好的英语沟通能力，能够作为工作语言进行内外部协作
申请策略
- 在面试中强调对AI在制造业应用的理解，展现跨领域思考能力
- 关注公司文化（德科斯米尔是德企，注重严谨和精益），准备相关行为面试问题
- 突出AI项目的完整经历，包含算法设计、开发、部署全流程，强调技术细节和业务价值
- 重点展示LLM相关项目经验，如RAG、Prompt Engineering、模型微调等，并注明使用的框架（LangChain等）
- 强调数学基础和编程能力，列出熟练掌握的框架和工具（PyTorch, TensorFlow, Python等）
- 体现英语工作能力，如参与国际项目或使用英语文档、会议等
- 补充工业工程或汽车行业背景知识，了解生产流程和业务场景，有助于提升方案落地能力
- 深入掌握LLM推理优化技术（vLLM, Ollama, 量化蒸馏），增加技术深度
面试指南
- 使用STAR法则（情境、任务、行动、结果）来结构化回答项目经验，重点突出成果和量化指标
- 对于技术问题，先阐述概念原理，再结合具体实践案例说明，最后总结利弊
- 展示问题解决思路：分析问题->提出多种方案->实验验证->选择最优->复盘改进
- 请详细介绍一个你主导的AI项目，包括算法选择、模型优化和落地挑战
- 你对LLM的RAG技术如何理解？在项目中如何实现？
- 请解释模型微调和预训练的区别，以及在什么场景下使用
- 如何优化LLM推理的延迟和吞吐量？
- 你如何处理数据不平衡或特征工程中的实际问题？
职位点评
70
综合评分
外企AI算法岗，前沿技术栈，薪资市场水准，发展空间大，但工作灵活度一般。
更适合这类人
最适合重视技术成长和发展机会的求职者，对工作生活平衡要求不高，且愿意在沈阳长期发展。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展85
工作生活55
使命价值65
薪资福利
75中等
外企巨头，沈阳地区薪资有竞争力，福利完善（五险一金、年终奖等），但未在JD中明确列出具体福利。
薪资信号市场水准 (15K-25K/月)
成长发展
85较高
职位涉及前沿AI技术（LLM、RAG等），有内部培训和持续教育机会，技术成长空间大。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、自然语言处理、大型语言模型、LangChain、RAG、PyTorch、TensorFlow
成长机会继续教育、培训
业务类型ambiguous
工作生活
55较低
沈阳现场办公，未提及远程或弹性工作，可能加班（汽车行业旺季），但外企WLB相对较好。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
65中等
汽车行业稳定，AI赋能制造业有一定社会价值，但职位直接使命感不强。
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
Watch Jobs