德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 6 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
Tensorflow
数据分析
机器学习
模型部署
深度学习
值不值得投
64综合评分
综合评分 64
传统汽车企业的AI算法岗，技术栈前沿、成长性强，但工作地点非一线、WLB信号不明。
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
20K
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
95 个在招 · 其中人工智能 3 个
市场机会
选择不多
沈阳 · 人工智能 · 3 个在招
职位详情
关于这个职位
这是一个位于沈阳的AI算法工程师岗位
你将负责机器学习、深度学习及NLP领域的算法设计与开发，特别是在大规模语言模型（LLM）的应用场景中，如对话系统、知识图谱和智能推荐
工作内容贯穿AI模型的全生命周期，从数据处理、模型训练、微调到部署与优化，并参与相关的内部协作、标准制定与项目管理
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
规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
- 技术栈前沿，直接接触LLM、RAG等最新AI技术在工业界的应用，技术成长空间大
- 传统制造业向智能化转型的核心岗位，能积累独特的“AI+工业”复合经验
- 德科斯米尔作为跨国企业，平台规范，有机会接触国际项目与标准
- 工作地点在沈阳，相比一线城市，AI人才生态和技术氛围可能相对薄弱
- 公司主业是汽车零部件制造，AI应用可能需要与传统工程流程深度融合，对沟通和业务理解能力要求高
- 职位名称（Industrial Engineering ES）与AI技术岗存在差异，可能在初期引发混淆
- 希望将AI技术应用于实际工业场景、追求技术深度与稳定发展平台，且不介意在非一线城市工作的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路径：深耕AI算法与大模型应用，成为公司内部该领域的权威技术专家
- 技术管理路径：凭借项目管理和流程优化能力，向AI团队负责人或技术经理方向发展
- 解决方案架构师：结合对汽车行业和AI技术的理解，设计更宏观的智能化解决方案
- 设计和开发面向汽车等业务场景的AI解决方案，核心是机器学习和大语言模型应用
- 负责AI模型的全流程工作，包括数据处理、算法设计、模型训练/微调、优化、部署及维护
- 探索前沿AI技术（如LLM、RAG、Agent）并推动其在企业级场景的落地
- 参与项目管理、内部协作、标准制定及技术培训，扮演领域专家角色
- 扎实的数学基础（线性代数、概率统计、优化）和熟练的Python编程能力
- 精通主流深度学习框架（如PyTorch/TensorFlow）及数据处理工具（Pandas, Scikit-learn）
- 年以上AI算法开发或大模型应用开发实战经验，有完整的项目落地经历
- 了解大语言模型生态，熟悉推理优化、模型微调及Prompt工程等关键技术
申请策略
- 在简历或求职信中，主动解释你对“工业工程”岗位如何承载AI算法工作的理解，消除名称带来的潜在误解
- 提前了解德科斯米尔的主营业务（汽车线束、内饰）以及沈阳基地的大致情况，思考AI如何为其赋能
- 面试时强调你的工程化能力和对生产环境稳定性的重视，这与制造业背景公司的需求高度契合
- 重点突出至少2个完整的AI项目经验，特别是涉及大模型（LLM）、NLP或计算机视觉的项目
- 详细描述在项目中的具体职责，如算法选型、模型优化、工程部署等，以证明独立负责的能力
- 量化项目成果，如“通过XX优化，模型准确率提升X%”、“部署后推理速度提升X倍”等
- 展示与汽车、制造业或大型企业相关的AI应用经验会是巨大加分项
- 针对JD中提到的大模型技术栈，复习LangChain、LlamaIndex、vLLM等工具的核心概念与应用场景
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化地讲述项目经历，突出你的独立贡献和解决问题的能力
- 回答技术问题时，先阐述基本原理，再结合具体场景和案例进行说明，体现理论与实践的结合
- 对于开放式问题（如落地挑战），可以从数据、模型、工程、业务理解等多个维度进行有逻辑的分析
- 请详细介绍一个你主导或深度参与的AI项目，从需求分析到模型部署的全过程
- 你如何理解大语言模型（LLM）在企业级场景中的应用？请结合一个具体案例说明
- 在处理数据质量不佳或特征工程挑战时，你通常会采用哪些方法？
- 如何评估一个AI模型在生产环境中的性能？你会关注哪些关键指标？
- 你如何看待AI技术在传统制造业（如汽车零部件生产）中的落地挑战与机遇？
职位点评
薪资福利65
成长发展90
工作生活30
使命价值60
薪资福利
65中等
薪资福利信息未在JD中披露，因此无法评估其竞争力。仅能确认岗位为全职，但具体薪酬、奖金、福利体系未知。
薪资信号未披露（AI估算：1.5–2.5万/月）
成长发展
90较高
该职位是技术前沿的AI算法岗，要求掌握LLM、深度学习等最新技术，并提供从算法研发到落地的全流程实践机会，技能成长性极强。
技术前沿前沿/新兴技术
技术栈LLM、PyTorch、TensorFlow、LangChain、RAG、Prompt Engineering、机器学习、深度学习、NLP
业务类型profit_center
工作生活
30较低
JD未明确提及工作模式、办公时间或任何WLB相关信号。作为制造业企业的技术岗，现场办公的可能性较高。
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
60中等
该岗位服务于汽车行业的智能化转型，具备一定的行业价值和社会影响力。但作为传统制造业中的技术支撑角色，其直接的社会影响力感知可能有限。
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