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人工智能
人工智能
Nlp
Prompt Engineering
Pytorch
Rag
大语言模型(Llm)
机器学习
模型微调
深度学习
值不值得投
72综合评分
综合评分 72
聚焦大模型前沿技术落地，平台规范提供良好成长路径，技术驱动型岗位。
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
2.3万
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
约 140 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
负责机器学习、深度学习及大模型（LLM）相关算法的设计、开发与部署落地
独立完成数据挖掘、特征工程、模型训练调优及推理性能优化，结合LangChain等工具构建企业级AI应用系统，并参与模型全生命周期管理与跨部门协作
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或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管理周期管理，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
- 聚焦前沿大模型与AI落地技术，技术栈现代且具行业竞争力
- 平台规范，提供完善的内部培训与跨文化协作机会
- 工业场景丰富，利于积累垂直领域AI实战经验
- 传统制造业数字化转型节奏可能较慢，技术落地需兼顾业务实际
- 需频繁跨部门沟通与撰写文档汇报，非纯科研环境
- 适合具备扎实算法基础、热爱大模型应用落地，且能在制造业场景中平衡技术创新与业务需求的求职者
缺点 / 挑战
- 大模型快速迭代带来持续学习压力
角色解读
- 可向AI算法专家/技术负责人方向发展
- 也可转向大模型架构师或AI产品技术负责人
- 长期可拓展至智能制造与工业AI交叉领域
- 负责AI与大模型算法的研发、训练调优及企业级应用落地
- 独立负责数据挖掘、特征工程与模型全生命周期管理
- 结合LangChain等框架构建Prompt Engineering方案及RAG/Agent系统
- 扎实的数学与编程基础（Python/Pandas）
- 精通至少一种主流深度学习框架
- 熟悉大模型微调、推理优化及轻量化技术
- 具备AI项目全流程落地经验
申请策略
- 提前了解公司在汽车线束与内饰领域的业务布局
- 准备1-2个将AI技术转化为实际业务价值的案例，面试时重点阐述
- 突出2个以上AI/大模型项目的全流程落地经验，强调模型性能提升指标（如准确率、延迟优化）
- 详细列出使用的框架、工具链及解决的具体业务痛点
- 深入掌握LangChain/LlamaIndex等LLM应用开发框架
- 补充vLLM/TGI等推理加速框架的实际部署经验
- 强化RAG与Agent架构设计能力
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答
- 重点突出技术选型依据、遇到的核心瓶颈及量化成果
- 展现对业务场景的理解与技术落地的闭环思维
- 请介绍一个你主导的大模型应用项目，你是如何解决业务场景匹配问题的？
- 在模型微调与推理优化中，你如何平衡性能与成本？
- 遇到模型泛化能力不足时，你的排查思路是什么？
- 复习大模型微调（LoRA/QLoRA）、RAG架构及向量数据库原理
- 梳理过往项目中关于数据清洗、特征工程与模型部署的关键细节
职位点评
薪资福利70
成长发展85
工作生活60
使命价值65
薪资福利
70中等
结合沈阳地区市场水平与岗位要求，薪酬处于行业中上，但JD未明确具体薪资与福利细节。
薪资信号未披露（AI估算：1.8千–2.8万/月）
成长发展
85较高
岗位深度聚焦大模型、RAG、Agent等前沿技术，并提供内部培训与跨领域交流机会，技术成长空间显著。
技术前沿前沿/新兴技术
技术栈Python、LLM、LangChain、PyTorch、TensorFlow、RAG、Agent
成长机会规划并实施复杂主题的内部及外部培训
业务类型profit_center
工作生活
60中等
平台通常注重工作生活平衡，但制造业现场岗位及项目交付期可能存在阶段性加班，JD未明确弹性工时安排。
工作模式未明确
办公地点工厂/生产基地
加班情况未提及（无法判断）
使命价值
65中等
致力于汽车创新与驾驶体验提升，技术应用于企业级场景，具有一定行业价值与社会影响力。
行业发展稳定成熟行业
社会影响中性/一般
使命信号products that enhance your driving experience
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