德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 2 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
深度学习
NLP
PyTorch
RAG
TensorFlow
LLM
Scikit-learn
LlamaIndex
AI 估算 · 15k–25k
AI算法需求大，但沈阳城市薪资水平中等，德资巨头稳定性好，薪资竞争力中等偏上。
职位详情
关于这个职位
该职位是德科斯米尔在沈阳的AI算法工程师岗位，负责机器学习、深度学习、自然语言处理及大语言模型（LLM）的算法设计与开发，包括数据挖掘、模型训练、推理优化等，推动AI方案在企业级场景落地
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，提升模型性能
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
熟悉数据处理技术及工具（如Pandas、Scikit-learn），利用机器学习算法完成数据聚类分布等，支撑LLM微调数据集
优化LLM推理流程，利用vLLM、Ollama、TGI等推理框架提升服务性能，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、Agent等领域适配等工作
完成AI模型从训练、调参、测试到部署的全生命周期管理
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
- 德资企业稳定，福利体系完善
- 接触前沿LLM技术，积累大模型实战经验
- 有内部培训和外部交流机会，利于职业成长
- 所在汽车行业智能化趋势明显，发展前景好
- 沈阳AI人才生态较弱，可能缺乏同行交流
- 岗位职责涵盖面广，需同时掌握算法、工程和业务理解
- 适合有3年以上AI经验、热爱大模型技术、希望在外企稳定发展的工程师
缺点 / 挑战
- 可能需跨部门协调，沟通成本较高
角色解读
- 可向AI架构师或技术专家方向发展，深入LLM领域
- 也可转向技术管理岗位，带领团队完成项目
- 通过内部培训和国际交流，拓展跨领域视野
- 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
- 独立进行数据挖掘、特征工程、模型训练与调优，提升模型性能
- 探索LLM在对话系统、知识图谱等场景的应用，推动技术落地
- 管理AI模型全生命周期，包括训练、测试、部署与优化
- 精通Python及数据处理工具（Pandas、Scikit-learn）
- 熟练掌握至少一种深度学习框架（TensorFlow、PyTorch、MindSpore）
- 熟悉LLM相关工具链，如LangChain、LlamaIndex、vLLM等
- 具备良好的英语沟通能力，能作为工作语言
申请策略
- 准备英文简历和英文面试，展示英语工作能力
- 了解德科斯米尔业务和汽车线束生产流程，体现对行业理解
- 突出AI项目经验，尤其是LLM相关项目，说明个人贡献与成果
- 强调Python和深度学习框架的熟练度，展示代码能力
- 如果有工业工程背景或汽车行业经验，应重点提及
- 明确英语水平，可用CET-6或雅思成绩佐证
- 补充LangChain、RAG、Agent等大模型应用技术
- 学习模型轻量化（量化、蒸馏）和推理优化方法
面试指南
- 使用STAR法则（情境、任务、行动、结果）清晰描述项目
- 对于技术选型，说明比较不同方案的优缺点及最终选择理由
- 结合业务场景，强调模型效果与业务指标的关联
- 请描述一个你主导的AI项目，包括算法选型、模型优化和部署过程
- 你对大语言模型（LLM）在对话系统中的应用有何理解？如何实现？
- 如何优化LLM推理性能？举例说明
- 如何处理数据不平衡问题？
- 你如何评估模型在生产环境中的表现？
职位点评
65
综合评分
德资汽车零部件企业AI算法岗，前沿LLM技术，培训完善，但薪资未明确且现场办公。
更适合这类人
该职位最适合重视技术成长和发展机会的求职者，尤其是对大模型和AI算法有热情的工程师。
表现最好
成长发展
相对薄弱
工作生活
薪资福利65
成长发展85
工作生活50
使命价值60
薪资福利
65中等
薪资未明确披露，但德资企业通常提供有竞争力的薪酬和福利，稳定性高。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
职位涉及前沿LLM技术，有明确的继续教育和培训机会，成长空间大。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、MindSpore、LLM、LangChain、LlamaIndex、vLLM、RAG、Agent
成长机会继续教育、内部及外部培训
业务类型ambiguous
工作生活
50较低
仅现场办公，无弹性工作或远程选项，未提及WLB，工作地点在沈阳产业园。
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
60中等
汽车行业稳定，AI技术应用属于创新领域，但社会影响力一般。
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
德科斯米尔 的其他在招职位
相似职位推荐
Watch Jobs