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
软件工程
NLP
PyTorch
RAG
TensorFlow
LLM
Scikit-learn
Machine Learning
模型量化
LlamaIndex
AI 估算 · 15k–25k
沈阳AI算法岗，需3年经验及LLM技能，外资车企薪资中等偏上。
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，实际工作内容聚焦AI算法与大型语言模型（LLM）应用开发
你将负责机器学习、深度学习及NLP算法的设计与优化，探索LLM在对话系统、知识图谱等场景的落地，并参与模型训练、推理优化及全生命周期管理
适合具备3年以上AI经验、熟悉Python和深度学习框架的技术人才
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
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
- 前沿技术栈：直接接触LLM、RAG、Agent等最热门AI技术，技能竞争力强
- 跨国平台：德科斯米尔为全球汽车零部件巨头，提供国际化工作环境与资源
- 项目经验：有机会主导AI项目从研发到落地的完整流程，积累宝贵实战经验
- 职业培训：公司内部有持续教育识别与培训实施，支持个人成长
- 技术迭代快：需持续学习跟进LLM领域最新进展，保持技术敏锐度
- 地域限制：沈阳虽为省会，但相比一线城市AI机会较少，且需现场办公
- 适合具有扎实机器学习基础、对LLM技术充满热情、希望在大平台积累前沿项目经验的3年以上AI算法工程师
缺点 / 挑战
- 工作压力：涉及项目交付、性能优化等指标，可能面临一定时间压力
角色解读
- 技术方向：从算法工程师逐步成长为高级算法专家、AI架构师，主导大型AI系统设计
- 管理方向：可向技术管理或项目经理发展，负责团队管理和跨部门协调
- 行业拓展：在汽车智能化领域深耕，或转向其他高端制造、AI咨询等高附加值领域
- 设计并开发机器学习、深度学习及NLP算法，构建面向业务场景的定制化AI解决方案
- 探索并落地大型语言模型（LLM）在对话系统、知识图谱、智能推荐等场景的应用
- 优化LLM推理性能，利用vLLM等框架降低延迟、提高吞吐量，并参与模型全生命周期管理
- 管理子项目，进行复杂分析优化流程，并担任专业领域联络人
- 扎实的数学基础（线性代数、概率统计、最优化理论）
- 精通Python，熟练使用Pandas、Scikit-learn等数据处理工具
- 熟练掌握TensorFlow、PyTorch等至少一种深度学习框架
- 熟悉LLM相关技术栈：LangChain、LlamaIndex、RAG、Agent、模型量化与蒸馏
申请策略
- 关注公司业务：德科斯米尔主要做汽车线束和内饰，可思考AI如何优化生产流程或提升产品体验，在面试中提出想法
- 了解沈阳办公室情况：提前了解沈阳团队规模、技术氛围，展现对长期发展的规划
- 突出AI项目经验：详细描述至少2个主导或完整参与的AI项目，强调算法设计、模型优化与落地效果
- 展示LLM相关能力：如有LLM微调、RAG、Agent等经验，务必突出，并附上技术细节
- 强调编程与数学基础：列出Python、深度学习框架熟练度，以及线性代数、概率统计等课程或应用
- 体现英语能力：英文简历或英语工作经历，满足“英语可作为工作语言”要求
- 深入学习LLM技术：系统学习LangChain、LlamaIndex、vLLM等框架，动手实现一个RAG或Agent项目
- 强化模型轻量化技能：实践模型量化（如GPTQ、AWQ）和蒸馏技术，了解推理优化
面试指南
- 项目类问题：用STAR法则（Situation, Task, Action, Result）结构化描述，突出个人贡献和量化成果
- 技术原理类问题：先解释核心概念，再结合实际应用说明，展示深度理解
- 优化类问题：先分析瓶颈，再提出多种方案并比较，最后给出最佳实践
- 请详细介绍一个你主导的AI项目，从算法选型到落地的完整过程
- 你对大语言模型的Transformer架构如何理解？请简要解释自注意力机制
- 在进行LLM微调时，你如何选择微调方法（如全量微调、LoRA）？遇到过哪些挑战？
- 请解释RAG的工作原理，以及它在实际应用中的优缺点
- 如何优化LLM的推理速度？你了解哪些推理加速技术？
职位点评
67
综合评分
前沿AI技术岗，跨国平台，发展空间大，但需现场办公且WLB信息不明确。
更适合这类人
最适合追求技术成长、热衷前沿AI技术的求职者，对工作地点灵活性和生活平衡要求不高。
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92
工作生活40
使命价值70
薪资福利
65中等
薪资未明确披露，但基于外资巨头和沈阳市场，预估在15-25k/月，福利可能包括五险一金、年终奖等，但JD未提及具体福利。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
92较高
该职位技术栈前沿，涵盖LLM、RAG、Agent等最新AI技术，且有内部培训机会，成长空间极大。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agent、LangChain、LlamaIndex、vLLM、模型量化、蒸馏
成长机会持续教育需求识别、内部及外部培训
业务类型profit_center
工作生活
40较低
仅现场办公，未提及弹性工作或远程选项，沈阳办公室位置未明确，且无WLB相关描述。
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
70中等
汽车行业属于成熟稳定行业，AI应用有助于提升生产效率和产品创新，有一定社会价值，但非直接的社会使命感。
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