德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 4 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
Mindspore
Nlp
Pytorch
Rag
Scikit-Learn
Tensorflow
值不值得投
72综合评分
综合评分 72
跨国车企AI算法岗，技术栈前沿且成长空间大，但薪资受地域限制且WLB未知。
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
2.2万
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
54 个在招
市场机会
选择不多
沈阳 · 人工智能 · 1 个在招
职位详情
关于这个职位
该职位主要负责机器学习、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
你需要独立完成数据挖掘、模型训练与调优，并探索大模型在对话系统、知识图谱等场景的落地，管理AI模型的全生命周期
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
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，Llamalndex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
- 接触前沿的大模型技术（LLM、RAG、Agent），技术栈先进，有利于个人技术深度积累
- 跨国汽车零部件巨头企业，业务场景丰富，AI落地机会多，平台稳定性高
- 英语作为工作语言，有助于提升国际化视野和跨文化沟通能力
- 大模型技术迭代极快，需要持续投入大量时间学习新技术，保持技术敏感度
- 适合具备3年以上AI算法经验、对大模型技术有热情，且希望在传统制造业探索AI落地的技术人才
缺点 / 挑战
- 传统制造业的AI落地可能面临数据质量、业务理解等挑战，需要较强的业务抽象能力
角色解读
- 纵向可晋升为AI技术专家或首席算法工程师，主导企业级AI架构设计
- 横向可转型为AI产品经理或技术管理岗，负责AI项目落地与团队管理
- 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
- 独立完成数据挖掘、特征工程、模型训练与调优，优化LLM推理流程并管理模型全生命周期
- 探索大模型在对话系统、知识图谱等场景的落地，参与预训练、微调、RAG及Agent适配
- 扎实的数学基础与精通Python编程，熟练使用Pandas、Scikit-learn等数据处理工具
- 熟练掌握TensorFlow、PyTorch或MindSpore等深度学习框架，具备大模型应用开发经验
- 熟悉LangChain、LlamaIndex等工具，掌握vLLM等推理框架及模型量化、蒸馏等轻量化技术
申请策略
- 准备英语面试，确保能用英语流利介绍自己的技术栈和项目经验
- 了解德科斯米尔在汽车内饰和线束系统的业务背景，思考AI如何赋能其生产制造或内部管理
- 突出大模型（LLM）相关项目经验，如RAG、Agent、微调及推理优化（vLLM、量化等）的实际落地成果
- 强调独立主导AI项目全生命周期的能力，展示从数据挖掘、模型训练到部署上线的完整闭环经验
- 深入学习LangChain、LlamaIndex等LLM应用开发框架，掌握Prompt Engineering最佳实践
- 了解汽车制造或工业工程领域的业务知识，提升将AI技术与具体业务场景结合的能力
面试指南
- STAR法则：情境（Situation）、任务（Task）、行动（Action）、结果（Result），重点突出技术选型和解决复杂问题的过程
- 业务价值导向：不仅讲技术实现，还要强调技术落地后为业务带来的具体收益（如效率提升、成本降低）
- 请详细介绍一个你独立主导的大模型应用项目，遇到了哪些技术挑战，是如何解决的？
- 在优化LLM推理流程时，你使用了哪些框架和技术（如vLLM、量化），效果如何？
- 如何将RAG或Agent技术应用于企业级场景？请分享你的设计思路
- 你的数学基础如何？请举例说明线性代数或最优化理论在模型训练中的具体应用
- 复习大模型核心知识，包括Transformer架构、微调技术（LoRA等）、RAG原理及推理加速方案
- 准备1-2个能够用英语详细讲解的AI项目案例，确保专业术语表达准确
职位点评
薪资福利75
成长发展85
工作生活50
使命价值70
薪资福利
75中等
跨国企业提供相对稳定的薪酬福利，3年大模型经验在沈阳具备一定薪资溢价，但整体薪资水平受限于地域。
薪资信号未披露（AI估算：1.5千–2.8万/月）
成长发展
85较高
岗位涉及LLM、RAG、Agent等前沿技术，且要求参与内部培训与标准制定，技术成长空间大。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、MindSpore、Pandas、Scikit-learn、LLM、NLP、LangChain、LlamaIndex、vLLM、Ollama、TGI、RAG、Agent
成长机会规划并实施复杂主题的内部及外部培训、识别公司内部本领域持续教育需求
业务类型ambiguous
工作生活
50较低
JD未明确提及工作模式与加班情况，但作为跨国制造业的AI研发岗，通常需遵循一定的现场办公要求，WLB情况未知。
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
70中等
推动大模型技术在传统汽车制造业的落地，具有一定的产业创新价值，但社会直接影响力有限。
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