德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 8 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
机器学习工程
Nlp
Pytorch
Rag
Tensorflow
大语言模型
机器学习
深度学习
AI 估算 · 15k–25k
沈阳AI算法岗位需求增长，外企平台稳定，技能要求高，薪资处于当地中高水平。
职位详情
关于这个职位
该职位是德科斯米尔（沈阳）汽车零部件公司的AI算法工程师岗位，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，包括数据挖掘、模型训练优化、RAG与Agent应用落地等
你将参与构建企业级AI解决方案，并管理模型全生命周期
要求3年以上AI开发经验，精通Python及主流深度学习框架，英语可作为工作语言
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
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
- 公司为跨国汽车零部件巨头，平台大，业务稳定，能接触到制造行业真实场景
- 职位涉及前沿大模型技术，技术栈新，成长空间大
- 外企文化，可能提供国际化工作环境，且福利待遇较好
- 沈阳生活成本低，薪资在当地有竞争力
- 需要同时掌握传统机器学习和LLM前沿技术，技能要求高
- 汽车零部件行业IT可能不是核心，AI应用落地需协调多部门，推进难度可能较大
- 工作内容涉及全生命周期，杂事多，需较强的项目管理能力
- 适合具备3年以上AI开发经验，热爱前沿技术，且希望在外企稳定环境中深耕工业AI的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术方向：从算法工程师向大模型专家、AI架构师发展
- 管理方向：积累经验后可向技术主管、项目经理转型，协调AI项目
- 行业方向：深耕汽车行业AI应用，成为工业制造领域AI专家
- 负责机器学习、深度学习及NLP算法设计，构建面向业务场景的定制化AI解决方案
- 探索大语言模型（LLM）在对话、知识图谱、内容生成等场景的应用，推动大模型企业级落地
- 利用LangChain、LlamaIndex等工具构建基于LLM的应用系统，并优化推理性能
- 参与大模型的预训练、微调、RAG、Agent适配，管理模型全生命周期
- 精通Python及数据处理工具（Pandas, Scikit-learn），掌握至少一种深度学习框架（TensorFlow/PyTorch/MindSpore）
- 扎实的数学基础（线性代数、概率统计、最优化）
- 熟悉LLM生态，包括LangChain、vLLM、Ollama、RAG、Prompt Engineering等
- 英语可作为工作语言，具备独立完成AI项目开发与落地的能力
申请策略
- 熟悉德科斯米尔业务，体现对汽车行业AI应用的理解
- 面试时强调实际项目中的模型部署与优化经验
- 突出独立主导或完整参与过的AI项目，详细描述算法设计、开发和落地效果
- 强调大模型相关经验，如LLM微调、RAG、Agent应用、LangChain等
- 展示Python及深度学习框架熟练度，以及数学基础
- 如有英语工作环境经验，务必注明
- 补充LLM工具链如LangChain、vLLM、Ollama的实践
- 学习模型轻量化技术（量化、蒸馏）
面试指南
- 采用STAR法则（情境、任务、行动、结果）回答项目经历
- 针对技术问题，先给出定义和原理，再结合实践举例
- 行业应用问题，可从降低成本、提高效率等角度切入
- 请描述你最近的一个大模型项目，包括架构、数据、微调和部署细节
- 如何优化LLM推理的延迟和吞吐量？
- 解释RAG的工作原理以及适用场景
- 你如何设计Prompt Engineering以提升回答质量？
- 在汽车零部件行业，你如何落地一个AI应用？
职位点评
73
综合评分
跨国车企AI算法岗，技术前沿，平台稳定，WLB待确认。
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。
更适合这类人
该职位最适合追求技术成长和前沿技术应用的求职者，能在大平台获得发展机会，但需接受现场办公和一定的项目压力。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展85
工作生活60
使命价值65
薪资福利
75中等
该职位属于跨国企业，薪酬体系完善，薪资在当地具有竞争力，但具体福利未在JD中披露。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
职位技术前沿性强，涉及LLM、RAG等热门方向，且公司提供内外部培训、国际交流机会，职业发展空间大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、机器学习、深度学习、NLP、LLM、LangChain、RAG、Agent
成长机会continuing education、internal and external training
业务类型ambiguous
工作生活
60中等
职位为现场办公，未提及弹性工作制，但外企通常工作氛围相对人性化，通勤需考虑沈阳本地。
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
65中等
汽车零部件制造是成熟行业，AI应用有助于企业智能化转型，但JD未强调社会价值。
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