德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 14 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
机器学习工程
Nlp
Pytorch
Rag
Scikit-Learn
Tensorflow
Vllm
大语言模型
AI 估算 · 18k–28k
沈阳AI算法岗位稀缺，3年经验+大模型技能有竞争力，跨国企业薪资中等偏上，综合估算。
职位详情
关于这个职位
这是一个面向企业级场景的AI算法工程师岗位，核心是设计、开发和部署机器学习、深度学习及NLP算法，尤其专注于大语言模型（LLM）的应用落地
你将负责从数据挖掘、模型训练到推理优化的全流程，使用LangChain、vLLM等工具构建智能化解决方案，并参与跨部门协作与培训
适合有3年以上经验、精通Python和深度学习框架的候选人
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、概率统计和最优化理论
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或MindSpore等至少一种深度学习框架
至少3年AI算法研发或大模型应用开发经验
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，支撑结构化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
- 技术前沿，涉及大模型、NLP等热门领域，能积累稀缺的大模型实战经验
- 跨国企业，平台稳定，有机会参与国际培训，开拓视野
- 职责涵盖全流程，从数据到部署，能全面提升综合能力
- 沈阳作为汽车产业城市，AI相关岗位相对较少，行业生态不如一线城市丰富
缺点 / 挑战
- 职位职责与实际标题（Industrial Engineering ES）不符，可能存在工作内容不明确的风险
- 需要同时兼顾算法开发、项目管理、培训等多重角色，对综合能力要求较高
- 适合有3年以上AI算法经验、喜欢技术挑战、愿意在企业级场景中落地大模型应用的工程师
角色解读
- 可向AI算法专家或大模型架构师方向发展，深入技术研究
- 可晋升为技术团队负责人或项目经理，主导AI项目落地
- 积累跨部门协作和培训经验，有机会转向管理岗位
- 负责机器学习、深度学习和NLP算法的设计与开发，针对具体业务场景定制AI解决方案
- 专注于大语言模型（LLM）的应用落地，包括对话系统、知识图谱、内容生成和智能推荐等方向
- 管理AI模型的全生命周期，从训练、调参、测试到部署，确保生产环境的稳定性和性能
- 参与内部培训、流程优化和子项目管理，是专业领域的技术联络人
- 精通Python，熟悉Pandas、Scikit-learn等数据处理工具
- 熟练掌握至少一种深度学习框架（TensorFlow、PyTorch、MindSpore）
- 熟悉大模型相关技术栈，如LangChain、vLLM、RAG、模型微调和量化蒸馏
- 扎实的数学基础，包括线性代数、概率统计和最优化理论
申请策略
- 在简历中明确匹配职位描述，即使标题有偏差，也强调AI算法方向
- 提前了解德科斯米尔公司的业务（汽车零部件），思考AI如何应用于智能制造或生产流程优化
- 突出大模型项目经验，特别是LLM微调、RAG、Agent等实际落地案例
- 强调Python编程能力和数据处理技能，展示Pandas、Scikit-learn的实际运用
- 说明独立主导或完整参与过的AI项目，量化效果和影响
- 如果有跨部门或培训经验，务必提及，体现沟通和协调能力
- 补充LangChain、LlamaIndex等大模型应用框架的实践
- 学习vLLM、Ollama等推理优化工具，掌握模型量化、蒸馏技术
面试指南
- 采用STAR法则（情境-任务-行动-结果）回答项目经验，突出你的角色和贡献
- 对于技术问题，先阐述原理，再结合具体实践，说明如何取舍和优化
- 准备1-2个完整的大模型项目案例，展示从数据到部署的闭环
- 请描述一个你独立主导的AI项目，从数据准备到部署的完整流程，遇到哪些挑战？
- 如何优化大模型推理性能？你熟悉哪些推理框架？
- 谈谈你对RAG技术的理解，以及在实际项目中如何实现？
- 你如何使用LangChain构建企业级LLM应用？
- 如何确保模型在生产环境中的稳定性和实时性？
职位点评
67
综合评分
跨国企业、前沿大模型技术栈，成长空间大，但WLB一般。
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。
更适合这类人
该职位最适合追求技术前沿和个人成长、不介意现场办公的求职者。
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
薪资水平未在JD中披露，但跨国汽车零部件企业通常提供稳定的薪酬和福利；沈阳的生活成本较低，薪资购买力较强。
薪资信号未披露（AI估算：18K-28K/月）
成长发展
85较高
职位高度聚焦大模型、NLP等前沿技术，职业发展路径清晰，且JD明确提到持续教育和内外部培训，成长空间大。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、LangChain、LLM、RAG、vLLM
成长机会继续教育、内部培训、外部培训
业务类型ambiguous
工作生活
50较低
工作地点在沈阳工厂，要求现场办公；JD未提及弹性工作或远程，工作节奏可能受项目影响。
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
60中等
汽车行业稳定，但AI算法在汽车零部件企业的应用属于探索阶段，社会影响力中等，创新性较强但使命感一般。
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