德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
Vllm
机器学习
值不值得投
薪资怎么样
2.0万
比机器学习工程中位数低
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 190 个在招 · 其中机器学习工程 17 个
市场机会
选择适中
沈阳 · 机器学习工程 · 17 个在招
职位详情
关于这个职位
该岗位隶属于德科斯米尔（沈阳）汽车配件公司，职位名称虽为工业工程（IE），实际工作内容聚焦 AI 算法与大模型应用开发：负责机器学习、深度学习、NLP 方向的算法设计与落地，构建基于 LLM 的企业级应用（Prompt Engineering、RAG、Agent、微调与推理优化），并参与内部标准制定、项目协调与培训
适合有 3 年以上 AI 算法或大模型落地经验、希望进入汽车零部件制造场景的工程师
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分析，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）等领域适配工作，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（如文档等）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
- 技术栈贴近当前主流前沿（LLM、RAG、Agent、vLLM 推理优化），有利于保持技术竞争力
- 职位兼具算法研发与工程落地，能积累完整的模型全生命周期与生产环境部署经验
- 跨国企业环境、英语为工作语言，有参与国际工作组与国内外培训的机会，视野较开阔
- 岗位还包含标准制定、项目协调与内部培训，有助于从纯技术向技术影响力扩展
- 职位标题为工业工程（IE），但实际内容是大模型算法开发，职责边界与团队归属需在面试中确认清楚
- 制造型企业内部的 AI 岗多为支撑型定位，业务场景相对聚焦，技术广度可能受企业数据与算力条件限制
- 适合有 3 年以上 AI 算法或大模型应用经验、希望把 LLM 落地到真实工业/制造场景，并能接受跨国制造企业协作节奏的工程师
缺点 / 挑战
- 职责清单较长，同时包含算法、工程、文档、培训、子项目管理，存在一人多角色、事务性工作占比不低的风险
角色解读
- 短期内可在汽车零部件制造场景中积累大模型落地经验（RAG、Agent、推理优化），形成「算法 + 工程 + 业务」的复合能力
- 中期可向 AI 应用架构师、算法团队负责人或企业数字化/AI 平台负责人方向发展
- 长期若持续深耕 LLM 与智能制造结合，可转向集团级 AI 技术专家或跨国项目技术管理岗
- 主要负责面向企业业务场景的 AI 算法与大模型应用开发，包括数据挖掘、特征工程、模型训练与调优
- 需要把 LLM 真正落地到对话系统、知识图谱、内容生成、智能推荐等场景，并用 LangChain/LlamaIndex 搭建企业级 AI 应用
- 同时承担推理优化（vLLM、Ollama、TGI、量化蒸馏）、RAG 与 Agent 适配、模型全生命周期管理等工程化工作
- 此外还需做内部标准与流程建设、子项目协调、文档编写与内外培训，带有一定的跨部门协作属性
- 扎实的数学功底（线性代数、概率统计、最优化理论）与 Python 工程能力，熟悉 Pandas、Scikit-learn 等数据处理工具
- 至少精通 TensorFlow、PyTorch、MindSpore 中一种深度学习框架，并有 3 年以上 AI 算法或大模型应用开发经验
- 具备完整的项目落地能力：独立主导或深度参与过至少 2 个 AI 项目从算法设计到上线部署
- 英语可作为工作语言，能在跨国团队中沟通、编写文档并进行汇报与培训
申请策略
- 投递前建议主动向 HR 或用人经理确认该岗位的真实归属团队（工业工程 vs 数字化/AI 团队）与主要业务场景
- 准备一份英文自我介绍与项目简介，面试很可能包含英文沟通环节
- 突出至少 2 个完整的 AI 项目，写清业务问题、算法方案、上线效果（准确率、延迟、吞吐等指标）
- 重点呈现 LLM 相关实践：RAG 搭建、Prompt Engineering、微调/继续预训练、Agent 设计、LangChain/LlamaIndex 使用
- 强调工程化能力：vLLM/Ollama/TGI 推理优化、量化与蒸馏、模型部署与监控
- 补充英语工作能力证明（英文文档、跨国项目协作、英文汇报经历）以及数据处理与数学建模功底
- 系统梳理 RAG 与 Agent 的工程实现细节（向量库选型、检索评估、工具调用编排），准备可讲解的完整方案
- 补齐推理性能优化实操经验，如 vLLM 部署、量化（GPTQ/AWQ）、蒸馏与延迟/吞吐调优的量化对比
面试指南
- 项目类问题用 STAR 结构：背景与业务痛点 → 你的具体职责 → 技术方案与关键取舍 → 量化结果与复盘
- 技术类问题先给结论与选型理由，再讲实现细节与踩坑，最后给出评估指标与改进方向
- 协作类问题突出需求对齐、里程碑管理、预期管理与跨文化沟通的具体做法
- 请介绍一个你主导落地的 AI 项目，从需求分析到上线部署的完整过程与量化效果？
- 在 RAG 方案中，你如何做文档切分、向量检索与效果评估？遇到召回不准如何优化？
- 你如何优化 LLM 推理性能？量化与蒸馏分别在什么场景下使用，效果如何衡量？
- 如果要在汽车零部件制造场景落地大模型，你会优先选择哪 1-2 个场景，为什么？
- 你如何与业务部门和非技术同事协作推进 AI 项目？请举例说明
德科斯米尔 的其他在招职位
相似职位推荐
Watch Jobs