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)
Nlp
Pytorch
Rag
Tensorflow
Vllm
大语言模型
机器学习
深度学习
AI 估算 · 15k–25k
沈阳AI算法岗，3年经验，外企，市场薪资中上，综合月薪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，实际负责AI算法与大规模语言模型（LLM）的开发与落地
你将从事机器学习、深度学习、NLP等领域的算法设计，构建面向业务场景的定制化AI解决方案，并参与大模型的微调、RAG及Agent适配
职位要求3年以上AI经验，适合有扎实数学基础和Python技能、对前沿AI技术有热情的工程师
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
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
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（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
- 聚焦前沿AI技术（LLM、RAG、Agent），技能积累快，市场竞争力强
- 外企平台，流程规范，有国际培训和内部标准制定机会，视野开阔
- 沈阳生活成本相对一线城市低，薪资在当地有竞争力，工作稳定性高
- 职位要求跨领域能力（AI算法+工程落地），需要持续学习新技术
- 工作地点在沈阳，相比北京/上海，AI技术生态和人才密度较低
- 适合有3年以上AI开发经验、热爱前沿技术、希望在外企稳定发展且接受沈阳工作地点的求职者
缺点 / 挑战
- 涉及模型部署与性能优化，生产环境压力可能较大，需应对延迟和吞吐量挑战
角色解读
- 技术路线：从AI算法工程师逐步成长为高级算法专家或架构师，深入LLM/多模态等领域
- 管理路线：可转向技术团队管理，担任项目经理或技术负责人，协调跨团队协作
- 行业方向：汽车行业AI应用专家，或横向拓展至其他制造业AI场景
- 设计和开发机器学习、深度学习及NLP算法，构建定制化AI解决方案
- 负责大规模语言模型（LLM）的落地应用，包括对话系统、知识图谱、内容生成等场景
- 优化LLM推理流程，应用量化、蒸馏等轻量化技术提升模型性能
- 管理AI模型全生命周期，从训练、调优到部署，确保生产环境稳定
- 扎实的数学基础（线性代数、概率统计、最优化）和Python编程能力
- 熟练掌握至少一种深度学习框架（TensorFlow、PyTorch、MindSpore）
- 熟悉数据处理工具（Pandas、Scikit-learn）和LLM相关工具（LangChain、vLLM等）
- 具备3年以上AI算法或大模型应用开发经验，主导过至少2个AI项目
申请策略
- 了解德科斯米尔在汽车行业的技术方向，思考AI如何与工业工程结合，展示业务理解
- 准备一个完整的AI项目案例，涵盖从需求到部署的全过程，突出你在其中的角色和贡献
- 突出AI项目经验，尤其是独立主导的算法设计、开发、部署案例，量化成果（如准确率提升、延迟降低）
- 强调大模型相关实践，如LLM微调、RAG、Agent、Prompt Engineering等具体项目
- 展示数学基础（线性代数、概率统计）和Python技能，列出使用的框架和工具
- 如有开源贡献或技术博客，可体现主动学习和分享能力
- 补充LangChain、LlamaIndex、vLLM等LLM工具链的实践经验
- 深入学习模型轻量化技术（量化、蒸馏），掌握推理优化方法
面试指南
- STAR法则：描述情境、任务、行动、结果，突出个人贡献和量化指标
- 技术对比：解释不同方法或工具的优缺点，展示深度理解和选型能力
- 解决问题：陈述遇到的问题、分析过程、解决方案和效果，体现系统性思维
- 请详细介绍一个你主导的AI项目，包括技术选型、模型优化和最终效果
- 你对大语言模型（LLM）的微调和RAG有什么实践经验？遇到过哪些挑战？
- 如何优化LLM推理的延迟和吞吐量？请谈谈你了解的量化或蒸馏技术
- 请解释一下LangChain和LlamaIndex的区别，你在项目中如何使用它们？
- 为什么选择从工业工程方向转向AI？你认为AI在汽车制造业有哪些应用价值？
职位点评
68
综合评分
沈阳外企AI算法岗，聚焦LLM前沿技术，技术成长性强，但现场办公且WLB一般。
更适合这类人
最适合注重技术成长和前沿学习机会的求职者，愿意在沈阳长期发展，对WLB要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展88
工作生活50
使命价值65
薪资福利
70中等
外企薪资在沈阳有竞争力，福利可能包括五险一金等，但JD未明确提及薪资和福利，薪资信号为未披露。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
88较高
职位涉及LLM、RAG等前沿技术，有内部培训和国际交流机会，成长空间大，但JD未明确提及晋升通道。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、大语言模型、LLM、RAG、Agent、LangChain、vLLM、量化、蒸馏
成长机会内部培训、外部培训、持续教育
业务类型profit_center
工作生活
50较低
职位要求现场办公，未提及弹性工作或远程，沈阳地点稳定但WLB信号不明。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
65中等
汽车行业稳定成长，AI技术有正向应用价值，但社会影响力一般，JD未强调使命感。
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