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机器学习工程
机器学习工程
Llm
Mindspore
Nlp
Prompt Engineering
Pytorch
Rag
Scikit-Learn
Tensorflow
Vllm
值不值得投
75综合评分
综合评分 75
跨国车企大模型算法岗，技术栈前沿、成长空间大，薪资稳定，WLB视项目而定。
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
2万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
84 个在招 · 其中机器学习工程 4 个
市场机会
选择不多
沈阳 · 机器学习工程 · 4 个在招
职位详情
关于这个职位
该职位负责机器学习、深度学习及大语言模型（LLM）的算法设计与开发，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，推动企业级AI应用系统的建设
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
- 技术栈前沿：深度接触LLM、RAG、Agent、大模型微调与推理优化等当前最热门的AI技术，技术积累价值高
- 平台稳定性：作为跨国汽车零部件企业，公司业务稳定，能够提供良好的项目资源和规范的工程化实践环境
- 业务落地场景丰富：能够将AI技术应用于汽车制造、内饰设计等实体业务场景，看到技术转化为实际生产力的成就感强
- 适合具备3年以上AI/大模型开发经验，渴望在实体制造业场景中推动AI技术落地，且具备较强跨部门沟通与项目管理能力的技术人才
缺点 / 挑战
- 传统行业AI转型挑战：在汽车零部件这种传统制造行业推动大模型等前沿技术落地，可能会面临业务部门认知、数据质量及基础设施等方面的阻力
- 跨部门沟通成本：需要作为内外联络人协调多个工作组，并推动内部标准与流程优化，对沟通与项目管理能力要求较高
角色解读
- 从AI算法工程师向大模型技术专家或AI架构师方向发展，深入掌握大模型底层原理与前沿应用
- 随着企业级AI落地的经验积累，可转型为AI项目负责人或技术团队Leader，统筹跨部门的AI战略与项目交付
- 负责机器学习、深度学习及NLP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
- 探索并落地大语言模型（LLM）在对话系统、知识图谱、智能推荐等企业级场景的应用，包括RAG和Agent适配
- 管理AI模型的全生命周期，从数据挖掘、特征工程、模型训练、调参到部署，确保生产环境的稳定性与高性能
- 精通Python及Pandas、Scikit-learn等数据处理工具，具备扎实的数学基础（线性代数、概率统计、最优化理论）
- 熟练掌握TensorFlow、PyTorch或MindSpore等深度学习框架，具备大模型微调、量化、蒸馏及推理优化经验
- 熟悉LangChain、LlamaIndex等工具，能够设计Prompt Engineering方案并构建企业级AI应用系统
申请策略
- 在求职信或面试中，展现对传统制造业数字化转型的理解，说明你如何将AI技术赋能于实际生产流程
- 突出大模型（LLM）相关项目经验，特别是RAG、Agent、微调及推理优化（如vLLM、量化）的实际落地成果
- 展示完整的AI项目生命周期管理能力，强调从数据挖掘、模型训练到生产环境部署的全流程经验及性能提升指标
- 体现英语工作能力及跨国团队协作经验，适应外企的工作环境与沟通方式
- 深入学习LangChain、LlamaIndex等大模型应用开发框架，掌握Prompt Engineering的高级技巧
- 了解汽车制造或工业工程领域的基础知识，以便更好地将AI技术与具体业务场景（如生产工艺优化）结合
面试指南
- STAR法则：针对项目经验问题，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)的结构清晰阐述，重点突出你的技术决策和最终的业务收益
- 技术深度与业务价值结合：在回答技术问题时，不仅说明技术实现细节，还要强调该技术如何解决了具体的业务痛点或提升了生产效率
- 请分享一个你独立主导或完整参与的AI/大模型项目，你在其中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（如vLLM）？如何平衡延迟、吞吐量和模型精度？
- 针对企业级场景，你是如何设计RAG系统或Agent的？如何解决幻觉问题或提升检索准确率？
- 在传统制造行业推动AI技术落地，你认为最大的难点是什么？你会如何制定推广策略？
- 复习大模型相关核心技术，包括Transformer架构、微调技术（LoRA、P-Tuning等）、RAG原理及主流推理框架的底层机制
- 了解德科斯米尔的主营业务（汽车线束、内饰）及行业趋势，思考AI技术在其研发、生产或供应链管理中的潜在应用场景
职位点评
薪资福利75
成长发展85
工作生活65
使命价值70
薪资福利
75中等
跨国车企提供相对稳定的薪资和福利体系，沈阳地区3年大模型经验薪资处于市场中上水平，但传统制造业的薪资上限通常不及纯互联网企业。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
岗位涉及LLM、RAG、Agent等前沿AI技术，技术栈非常现代，且包含内部培训与流程优化职责，有利于个人技术深度与项目管理能力的双重提升。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、MindSpore、Pandas、Scikit-learn、LLM、NLP、RAG、LangChain、LlamaIndex、vLLM、Ollama、TGI、Prompt Engineering
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
65中等
JD未明确说明工作模式与加班情况，但作为跨国制造企业的研发/工程岗位，通常工作节奏相对规范，WLB有一定保障，但具体需视项目阶段而定。
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
70中等
汽车制造行业正处于智能化转型期，将前沿AI技术应用于传统制造业具有积极的社会与产业价值，但JD中未明确强调宏大的社会使命。
行业发展稳定成熟行业
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