德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 9 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Scikit-Learn
Tensorflow
Vllm
值不值得投
74综合评分
综合评分 74
跨国车企大模型算法岗，技术栈前沿且成长空间大，适合希望在智能制造领域探索AI落地的技术人才。
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。
薪资怎么样
2万
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
44 个在招
职位详情
关于这个职位
该职位实际负责机器学习、深度学习及大语言模型（LLM）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
你需要独立完成从数据挖掘、模型训练、推理优化到部署的全生命周期管理，推动大模型技术在企业级场景的落地
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、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
计划和实现现有产品和新产品的生产工艺
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
- 能够接触并落地最前沿的大模型技术（LLM、RAG、Agent），技术栈非常现代
- 依托跨国汽车零部件巨头，有丰富的企业级业务场景和数据资源供模型落地
- 英语工作环境有助于提升跨国协作与外语能力
- 职位名称（Industrial Engineering）与实际工作内容（AI算法）存在差异，可能在内部沟通或绩效考核时面临定位模糊的问题
- 适合具备3年左右AI/大模型开发经验，希望在实体制造业探索AI落地场景，且看重外企工作环境和英语能力的算法工程师
缺点 / 挑战
- 传统制造业的IT基础设施和敏捷度可能不如纯互联网公司，推动大模型落地可能面临业务部门配合度的挑战
角色解读
- 从AI算法工程师向大模型技术专家或AI架构师发展，未来可带领团队负责企业级AI战略落地，或转型为AI产品经理/技术总监
- 负责机器学习、深度学习及大语言模型（LLM）的算法设计与开发，构建定制化AI解决方案
- 独立完成从数据挖掘、模型训练、推理优化到部署的全生命周期管理，推动大模型技术在企业级场景的落地
- 扎实的数学基础与精通Python编程，熟练掌握PyTorch/TensorFlow等深度学习框架
- 具备大模型应用开发经验，熟悉LangChain、RAG、Prompt Engineering及vLLM等推理优化技术
申请策略
- 在求职信或面试中，可以主动探讨大模型在传统汽车零部件制造业的具体应用场景（如智能质检、供应链优化、知识库问答），展现你对行业结合的思考
- 突出大模型（LLM）应用开发经验，特别是RAG、Agent、微调及推理优化（vLLM等）的实际落地项目
- 强调独立主导AI项目从0到1的完整生命周期管理能力
- 展示英语工作能力及跨部门沟通协作经验
- 深入学习大模型推理加速技术（如量化、蒸馏）及企业级AI应用框架（LangChain、LlamaIndex）
- 了解汽车制造、线束或内饰行业的业务流程，以便更好地将AI技术与实际业务场景结合
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经验，重点突出技术选型的思考过程、解决的具体痛点以及最终带来的业务收益
- 对于技术与业务结合的问题，强调“技术服务于业务”的理念，展现对制造业场景的理解
- 请详细介绍你主导过的一个LLM应用落地项目，遇到了哪些技术难点，如何解决的？
- 在优化LLM推理流程时，你使用过哪些框架（如vLLM），如何平衡吞吐量与延迟？
- 针对RAG（检索增强生成）系统，你是如何优化检索准确率和生成质量的？
- 传统制造业的数据质量和标注基础通常较弱，你如何进行数据清洗和特征工程以支撑大模型微调？
- 你的职位头衔是Industrial Engineering，你如何理解AI算法在工业工程或生产制造中的实际价值？
- 复习大模型核心技术（Transformer架构、微调方法如LoRA、RAG原理、推理加速机制）
职位点评
薪资福利70
成长发展85
工作生活65
使命价值75
薪资福利
70中等
跨国车企背景提供相对稳定的薪酬福利，3年大模型经验在沈阳当地具备一定薪资溢价，但整体薪资上限可能不及一线城市纯互联网大厂。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
岗位涉及LLM、RAG、Agent等前沿大模型技术，技术栈非常新，且要求全生命周期管理，对个人技术深度和广度提升极大。
技术前沿前沿/新兴技术
技术栈LLM、NLP、LangChain、RAG、vLLM、Prompt Engineering、PyTorch、TensorFlow
成长机会持续教育需求、内部及外部培训
业务类型ambiguous
工作生活
65中等
跨国企业通常注重工作生活平衡，但大模型算法岗本身具有一定的技术挑战和项目交付压力，且JD未明确说明WLB政策。
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
75中等
将前沿AI技术应用于传统汽车制造业，推动产业升级和智能制造，具有较强的实体经济赋能意义。
行业发展高速增长赛道
社会影响中性/一般
使命信号enhance your driving experience
创新程度积极采用新技术
Watch Jobs