Industrial Engineering ES

优缺点分析

角色解读

• 沿技术专家路线深耕：从算法工程到 AI 架构/大模型应用负责人，主导企业级 AI 平台建设
• 向交叉方向发展：结合工业工程与制造场景，成长为智能制造/工业 AI 解决方案专家
• 在跨国企业环境中积累国际协作与内部培训经验，可向技术管理或跨区域项目负责人转型
• 负责机器学习、深度学习、NLP 算法的设计与开发，围绕具体业务场景构建定制化 AI 解决方案
• 推动大模型（LLM）在企业级场景落地，包括 Prompt 工程、RAG 检索增强、Agent 适配与对话/知识图谱/智能推荐等应用
• 完成数据挖掘、特征工程、模型训练调优，并通过 vLLM、Ollama、TGI 等框架做推理优化与模型量化蒸馏
• 管理模型从训练到部署的全生命周期，同时承担内部标准制定、内部培训与子项目协调等职能性工作
• 扎实的数学功底：线性代数、概率统计与最优化理论是算法设计与调优的基础
• Python 工程能力与数据处理工具链（Pandas、Scikit-learn），以及至少一种深度学习框架（PyTorch/TensorFlow/MindSpore）
• LLM 应用开发经验：Prompt Engineering、LangChain/LlamaIndex、RAG、微调与推理加速（vLLM 等）
• 英语可作为工作语言，并能作为专业领域的内外部联络人进行文档编写与培训汇报

申请策略

• 投递前确认岗位实际归属与职责边界（标题为工业工程但内容偏 AI），避免入职后预期偏差
• 了解公司在华业务与客户结构，准备好说明 AI 如何服务于制造与工程流程的具体想法
• 突出 2 个以上完整主导或深度参与的 AI 项目，写清业务问题、方案选型、模型指标与上线效果
• 量化展示模型效果提升（准确率、召回、延迟、吞吐等），体现工程化落地能力
• 列出 LLM 相关实践：微调、RAG、Agent、Prompt 设计、LangChain/LlamaIndex、vLLM 等具体工具与场景
• 体现英语工作能力（英文文档、跨国团队协作、英文汇报）与跨部门协作经验
• 补强 RAG 与 Agent 工程实践，熟悉向量数据库、检索评测与端到端链路调优
• 系统准备模型推理优化与轻量化（量化、蒸馏、vLLM/TGI 部署）的可复现案例

面试指南

• 用 STAR 结构回答项目题：背景痛点 → 你的方案与取舍 → 关键指标结果 → 复盘与改进
• 技术题先给结论和判断依据，再展开具体做法与踩坑经验，最后说明如何验证效果
• 业务落地题强调需求对齐、小步验证与可量化收益，体现跨部门沟通能力
• 请介绍一个你完整主导的 AI 项目，从需求到上线你做了什么、效果如何衡量？
• 在 RAG 场景中如何做检索质量与生成质量的评估与优化？
• 你在 LLM 推理性能优化上做过哪些工作，如何平衡延迟、吞吐与成本？
• 模型微调时如何构建和清洗训练数据集？遇到过哪些数据问题？
• 如何推动一个 AI 方案在非技术业务部门落地？遇到过阻力吗？