DRAXLMAIER logo
德科斯米尔
Industrial Engineering ES

Industrial Engineering ES

发布于 34 分钟前

普通员工/个人贡献者

AI 估算 · 1.8–3.0万 · AI 参考估算
中级经验
本科
全职员工仅现场办公AI算法
AI算法
Llama Index
Llm
Nlp
Prompt Engineering
Rag
Vllm
机器学习
深度学习

值不值得投

67综合评分

综合评分 67

沈阳汽车零部件场景下的AI算法与大模型应用岗,技术前沿、成长性强,薪资与办公模式未披露。

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 310 个在招 · 其中AI算法 16 个

市场机会

选择适中

沈阳 · AI算法 · 16 个在招

职位详情

关于这个职位

该岗位面向汽车零部件制造场景,负责AI算法与大模型应用方案的设计、开发、调优和落地

工作重点包括机器学习、NLP、LLM微调、RAG、Agent、推理优化及模型全生命周期管理,同时参与内部标准流程和培训建设

最低要求

At least Bachelor’s degree in computer science, mathematics, and Computer Science, Industrial Engineering, AI Applications, Mathematics and etc.

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
Solid foundation in mathematics, with proficiency in linear algebra, probability and statistics, and optimization theory.
扎实的数学基础,熟悉线性代数,概率统计,最优化理论
Proficient in Python programming language, familiar with data processing tools such as Pandas and Scikit-learn.
精通Python编程语言,熟悉Pandas,Scikit-learn等数据处理工具
Proficient in at least one deep learning framework such as TensorFlow, PyTorch, or MindSpore.
熟练掌握TensorFlow,PyTorch,MindSpore等至少一种深度学习框架
At least 3 years of experience in AI algorithm development or large-scale model application development.
具备至少3年AI算法研发或者大模型应用开发相关经验
Experienced in independently leading or fully participating in algorithm design, development, and deployment for at least 2 AI projects.
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
English can be used as working language.
英语可作为工作语言

工作职责

Plan and realize production processes for existing and new products.

计划和实现现有产品和新产品的生产工艺
Responsible for designing and developing algorithms in the fields of machine learning, deep learning, and natural language processing (NLP), building customized AI solutions tailored to specific business scenarios..
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
Responsible for independently conducting data mining, feature engineering, model training, and optimization to enhance model performance in accuracy, generalization capability, and real-time responsiveness.
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
Explore large-scale language models (LLMs) in applications such as conversational systems, knowledge graphs, content generation, and intelligent recommendations, driving the implementation of large-model technology in enterprise-level scenarios.
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
Design and implement a prompt engineering solution, leveraging tools such as LangChain and Llama Index to build enterprise-grade AI application systems powered by large language models (LLMs).
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
Proficient in data processing techniques (data cleaning, feature extraction) and tools (e.g., Pandas, Scikit-learn), utilizing machine learning algorithms to perform tasks such as data clustering and distribution analysis to support structural LLM fine-tuning datasets.
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
Optimize LLM inference workflows by leveraging inference frameworks such as vLLM, Ollama, and TGI to enhance service performance, reduce latency, and increase throughput; master model lightweighting techniques including quantization and distillation.
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
Participate in the continued pre-training, fine-tuning, RAG (Retrieval-Augmented Generation), and agent adaptation of large models to enhance their performance in vertical domains.
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
Manage the entire lifecycle of AI models—from training, hyperparameter tuning, and testing to deployment—ensuring stability and high performance in production environments.
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
Act as internal and external contact person within his/her own area of expertise; cooperate in internal working groups.
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
Create internal publications (e.g. documentation, etc.) and present as required (internally)
编制内部相关文件并按需进行内部汇报
Recognize general need for continuing education in his/her own field within the company; plan and conduct internal and external training on complex topics, both domestically and in other countries
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)
Support in determining and optimizing internal standards and processes within his/her own area of expertise.
协助制定并优化本专业领域的内部标准与流程
Observe/identify trends in his/her area of expertise in order to develop concepts; suggest recommendations for action (e.g. planning methods, etc.).
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)
Conduct mainly conceptual activities within his/her area of expertise.
在其专业领域内主要开展概念性工作
Manage, control and coordinate sub-projects; monitor project handling and goal achievement, based on checklists and performance indicators.
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
Conduct complex analyses to optimize and determine measures for improvement.
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

  • 岗位覆盖机器学习、NLP、LLM、RAG、Agent和推理优化,技术栈较新,有利于积累大模型企业级落地经验
  • 业务场景来自汽车零部件制造,能够把算法能力与生产工艺、质量标准、内部流程优化结合,行业应用价值明确
  • JD提到内部培训、文档、标准流程和子项目协调,说明岗位不仅写代码,也有机会提升跨团队沟通和项目推进能力
  • 英语可作为工作语言,适合希望积累跨国企业协作语境的求职者
  • JD未明确办公模式、加班情况和具体福利,求职者需要在面试中进一步确认工作方式与团队节奏
  • 适合具备Python、深度学习和大模型应用落地经验,愿意在制造业场景中做AI工程化与业务结合的求职者

缺点 / 挑战

  • 岗位要求至少3年AI算法或大模型应用经验,并主导或完整参与过至少2个项目,入门门槛较高
  • 技术范围很宽,从数据处理、模型训练到LLM推理优化和生产部署都需要覆盖,对工程化和算法能力要求都较高

角色解读

  • 可向资深AI算法工程师或大模型应用专家发展,深耕模型微调、RAG、Agent和推理性能优化
  • 可转向AI解决方案架构或技术项目负责人,负责企业级AI场景规划、跨部门协同和项目落地
  • 也可结合工业工程与制造业务背景,发展为智能制造、工业AI或数字化生产优化方向的专业人才
  • 负责面向汽车制造与业务场景的AI算法开发,包括机器学习、深度学习、NLP和大模型应用方案设计
  • 完成数据挖掘、特征工程、模型训练、调参、测试和部署,持续优化准确率、泛化能力、实时性和生产稳定性
  • 探索LLM在对话系统、知识图谱、内容生成、智能推荐等场景的落地,参与继续预训练、微调、RAG和Agent适配
  • 承担内部联络、文档编制、培训组织、标准流程优化和子项目协调工作,推动AI能力在组织内复用
  • 需要具备扎实的Python编程能力,并熟悉Pandas、Scikit-learn等数据处理工具
  • 需要掌握线性代数、概率统计、最优化理论等数学基础,能够支撑算法设计与模型优化
  • 需要熟悉至少一种深度学习框架,如TensorFlow、PyTorch或MindSpore,并具备AI项目落地经验
  • 需要了解LangChain、Llama Index、vLLM、Ollama、TGI、量化、蒸馏、RAG和Agent等大模型应用与推理优化技术

申请策略

  • 申请时建议将简历重点从“会哪些模型”转向“解决了什么业务问题、如何部署、产生什么效果”
  • 面试前了解德科斯米尔汽车线束和内饰业务,思考AI如何服务生产工艺、内部知识管理和质量改进
  • 重点突出至少2个AI项目的完整落地经历,包括业务背景、数据规模、模型方案、部署方式和最终效果指标
  • 强化Python、Pandas、Scikit-learn、PyTorch或TensorFlow等技术栈,并写明你在数据挖掘、特征工程、训练调优中的具体贡献
  • 如果有LLM项目,建议突出RAG、Agent、Prompt Engineering、LangChain、Llama Index、vLLM、量化或蒸馏等实践经验
  • 补充英语协作、跨部门沟通、文档编写、培训或项目协调经历,匹配JD中的内部联络和流程优化要求
  • 可提前准备一个可展示的大模型应用项目,覆盖数据构建、微调或RAG、推理部署、延迟与吞吐优化
  • 加强对模型评估指标的理解,如准确率、泛化能力、实时性、吞吐、延迟和生产稳定性

面试指南

  • 项目类问题用“背景-目标-数据-方案-难点-结果-复盘”的结构回答,重点量化效果
  • 技术类问题先说明业务约束,再讲模型选型、评估指标、部署方案和性能优化方法,避免只讲工具名
  • 协作类问题用具体案例说明你如何澄清需求、协调资源、处理分歧并推动上线
  • 请介绍一个你主导或完整参与的AI项目,包括业务场景、技术方案、部署方式和效果指标
  • 你如何构建一个企业级RAG或Agent应用?如何处理知识库更新、检索质量和幻觉问题?
  • 如何使用vLLM、Ollama或TGI优化大模型推理性能?你关注哪些延迟、吞吐和成本指标?
  • 在数据量有限或数据质量较差时,你会如何做数据清洗、特征工程和模型调优?
  • 你如何与工艺、质量、IT或业务部门协作,推动AI方案从概念验证走向生产落地?

职位点评

薪资福利62
成长发展86
工作生活45
使命价值72

薪资福利

62中等

JD未披露薪资和福利信息,但岗位要求三年以上经验及大模型落地能力,通常对应中高级技术岗位。补偿性动机只能基于岗位要求判断,福利信息不足。

薪资信号未披露(AI估算:1.8千–3.0万/月)

成长发展

86较高

岗位明确涉及机器学习、深度学习、NLP、LLM、RAG、Agent、模型微调和推理优化,技术成长空间较大。JD还提到培训、标准流程优化和子项目协调,有利于综合能力提升。

技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、LLM、Prompt Engineering、LangChain、Llama Index、Pandas、Scikit-learn、TensorFlow、PyTorch、MindSpore、vLLM、Ollama、TGI、RAG、Agent、量化、蒸馏
成长机会持续教育、内部及外部培训、优化内部标准与流程、观察/识别专业领域趋势、概念性工作、管理、控制和协调子项目
业务类型ambiguous

工作生活

45较低

JD仅说明Location: Shenyang和全职,没有明确远程、混合办公、弹性工时或加班信息。生活化动机可判断的信息有限。

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

72中等

岗位服务于汽车制造、生产工艺优化和企业级AI应用落地,具有一定产业创新价值。JD未直接表达社会使命或价值导向,意义感主要来自技术落地和流程改进。

行业发展新兴领域(暂难判断)
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs