DRAXLMAIER logo
德科斯米尔
Industrial Engineering ES

Industrial Engineering ES

发布于 37 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
Llamaindex
Llm
Nlp
Prompt Engineering
Rag
Vllm
机器学习
深度学习

值不值得投

69综合评分

综合评分 69

沈阳全职AI算法岗,聚焦大模型与制造场景落地,技术成长强,薪资与WLB信息未披露

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

比AI算法中位数低

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 300 个在招 · 其中AI算法 15 个

市场机会

选择适中

沈阳 · AI算法 · 15 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算法与大模型应用开发,包括机器学习、深度学习、NLP、LLM落地、数据处理、模型训练调优与部署

同时承担部分工业工程相关的流程优化、标准制定、子项目协调与内部培训协作工作

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等方向,技术内容较新,有利于积累大模型企业落地经验
  • 场景来自汽车零部件制造与生产工艺优化,能让算法能力与真实业务问题结合,项目价值较明确
  • 职责包含标准流程优化、内部培训和跨部门协作,有助于提升技术影响力和沟通协作能力
  • 英语可作为工作语言,适合希望积累跨国企业协作经验的求职者
  • JD同时涉及AI算法、大模型应用和工业工程流程优化,职责范围较宽,对技术深度和业务理解都有要求
  • 适合有三年以上AI算法或大模型应用开发经验、希望进入制造业数字化场景,并能用英语协作的技术候选人

缺点 / 挑战

  • 需要完成模型从训练、调参、测试到部署的全生命周期管理,生产环境稳定性压力较大
  • 要求至少三年经验和两个完整AI项目落地经历,竞争门槛较高,简历需要突出真实落地成果

角色解读

  • 可向资深AI算法工程师或大模型应用架构师发展,负责更复杂的企业级AI系统设计与落地
  • 可结合工业工程与制造场景,成长为智能制造、生产优化或数字化工厂方向的复合型专家
  • 随着项目协调和内部培训职责积累,也可转向技术管理、AI项目负责人或跨部门数字化解决方案负责人
  • 负责面向汽车零部件制造与业务场景的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、模型训练调优、测试部署及生产环境性能保障,关注准确率、泛化能力和实时性
  • 探索LLM在对话系统、知识图谱、内容生成、智能推荐、RAG和Agent等方向的企业级落地
  • 参与工艺与流程优化、内部标准建设、子项目协调、文档编制及复杂主题培训
  • 需要具备扎实的数学基础,包括线性代数、概率统计和最优化理论,能够支撑算法建模与调优
  • 需要精通Python,熟悉Pandas、Scikit-learn,并掌握至少一种深度学习框架,如TensorFlow、PyTorch或MindSpore
  • 需要理解LLM应用开发链路,包括Prompt Engineering、LangChain、LlamaIndex、RAG、微调、继续预训练和Agent适配
  • 需要了解vLLM、Ollama、TGI等推理框架,以及量化、蒸馏等模型轻量化技术,并能用英语作为工作语言

申请策略

  • 申请前了解德科斯米尔在汽车线束和车内饰领域的业务特点,准备将AI能力与制造、质量、工艺或效率场景关联的思路
  • 面试中注意平衡AI算法能力与工业工程流程优化意识,突出自己能解决真实业务问题而不只是做模型实验
  • 重点突出AI项目经历,尤其是从算法设计、数据处理、模型训练到上线部署的完整闭环
  • 写明使用的技术栈,如Python、PyTorch/TensorFlow、LangChain、LlamaIndex、RAG、vLLM等,并说明具体贡献
  • 用量化结果展示模型效果,例如准确率提升、延迟降低、吞吐量提升、人工效率改善或业务成本优化
  • 补充跨部门协作、文档编写、内部培训、项目协调经历,体现与JD中联络人和培训职责的匹配度
  • 强化LLM应用开发能力,重点准备RAG、Agent、Prompt Engineering、微调和推理优化相关项目
  • 补齐模型工程化能力,包括部署、监控、性能调优、量化蒸馏和生产环境稳定性保障

面试指南

  • 项目类问题采用“背景-目标-方案-个人贡献-结果-复盘”的结构,重点说明自己负责的部分和可量化成果
  • 技术类问题采用“问题定义-可选方案-选型理由-实现细节-效果验证”的思路,体现工程落地意识
  • 协作类问题采用“利益相关方-沟通机制-冲突处理-交付结果”的框架,突出文档、培训、标准流程和项目推进能力
  • 请介绍一个你主导或完整参与的AI项目,包括业务背景、技术路线、你的职责和最终效果
  • 你在大模型应用中如何设计RAG流程?如何处理文档切分、向量检索、召回质量和答案幻觉问题?
  • 如何优化LLM推理服务的延迟和吞吐量?你使用过vLLM、Ollama或TGI吗?
  • 面对制造场景中的小样本、数据质量差或分布变化问题,你会如何做数据挖掘、特征工程和模型调优?
  • 你如何作为内部联络人推动跨部门协作,并将复杂技术成果转化为文档、汇报或培训?

职位点评

薪资福利68
成长发展86
工作生活45
使命价值72

薪资福利

68中等

JD未披露薪资和福利信息,无法判断薪资竞争力;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,但具体回报需与招聘方确认。

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、推理优化和模型全生命周期管理,技术成长空间较强。JD还提到内部培训、标准流程优化和子项目协调,有利于发展综合技术影响力。

技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、LLM、LangChain、LlamaIndex、Prompt Engineering、Pandas、Scikit-learn、vLLM、Ollama、TGI、RAG、Agent、量化、蒸馏、TensorFlow、PyTorch、MindSpore
成长机会持续教育、内部及外部培训、复杂主题的内部及外部培训、优化内部标准与流程、观察/识别专业领域趋势
业务类型ambiguous

工作生活

45较低

JD仅说明全职和地点为沈阳,未提及远程、弹性办公、双休或加班情况,生活化动机满足程度无法充分判断。

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,技术应用场景明确,但JD未直接表达社会使命或行业价值导向。

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