德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 3 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
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
值不值得投
76综合评分
综合评分 76
前沿AI技术栈、外企稳定平台、高成长性、中等工作生活平衡
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
2.8万
比机器学习工程中位数高
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 210 个在招 · 其中机器学习工程 20 个
市场机会
选择适中
沈阳 · 机器学习工程 · 20 个在招
职位详情
关于这个职位
该职位主要负责大模型（LLM）及相关AI算法的研发与应用落地
工作内容涵盖从数据清洗、特征工程到模型训练、微调（RAG/Agent）、推理优化及全生命周期管理
需精通Python及主流深度学习框架，具备3年以上AI算法开发经验，能够独立主导项目并解决复杂业务场景下的技术问题
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
- 技术前沿：直接接触LLM、RAG、Agent等当前最热门的AI技术领域，技术成长空间大
- 平台稳定：德科斯米尔为跨国巨头企业，业务稳定，能提供规范的流程支持和良好的职业背书
- 国际化环境：英语作为工作语言，有机会参与国际交流与培训，拓宽职业视野
- 适合具备3年以上AI算法经验，对大模型技术有浓厚兴趣，且希望在外企稳定环境中深耕技术应用的求职者
缺点 / 挑战
- 技术迭代快：AI领域变化迅速，需要保持高强度的持续学习和技术跟进压力
- 落地难度大：将大模型技术在实际工业或业务场景中稳定落地，面临数据质量、算力成本及效果评估等多重挑战
- 职责复合：除纯技术研发外，还需承担培训、文档编写及流程优化等非编码工作，对综合能力要求较高
角色解读
- 技术专家路线：成为大模型应用架构师或AI算法首席专家，深耕前沿AI技术与行业垂直领域落地
- 技术管理路线：转向AI团队负责人或技术经理，带领团队进行更大规模的AI项目研发与管理
- 跨界融合路线：结合工业工程背景，向智能制造、工业AI数字化转型方向拓展，成为懂技术又懂业务的复合型人才
- 核心职责是研发和优化基于大语言模型（LLM）的AI解决方案，包括Prompt工程、RAG架构搭建及Agent开发
- 负责AI模型的全生命周期管理，从数据预处理、模型训练微调（Fine-tuning）到推理加速（Inference Optimization）及生产环境部署
- 将AI技术应用于实际业务场景，同时承担内部技术培训、流程优化及跨部门协作沟通的工作
- 精通Python及主流深度学习框架（PyTorch/TensorFlow），具备扎实的数学和算法基础
- 深入掌握LLM相关技术栈，包括LangChain、LlamaIndex、vLLM、RAG机制及模型量化蒸馏技术
- 具备独立主导AI项目落地的能力，拥有数据处理、特征工程及模型性能调优的实战经验
申请策略
- 在求职信或面试中，体现对德科斯米尔在汽车制造领域数字化转型的理解，展示技术如何赋能业务
- 准备具体的项目案例，使用STAR法则清晰阐述你在其中解决的技术难点和业务价值
- 重点突出LLM相关项目经验，详细描述在Prompt Engineering、RAG架构或模型微调方面的具体贡献和成果
- 展示完整的AI项目闭环能力，包括从数据准备、模型训练、推理优化到最终部署上线的全过程
- 强调技术影响力，如内部技术分享、专利、开源贡献或解决复杂技术难题的案例
- 深化对LLM推理加速框架（如vLLM、TGI）的理解和实践，提升模型服务性能
- 加强工程化能力，学习如何将AI模型高效集成到企业级应用中，关注模型轻量化和部署稳定性
- 提升英语技术文档阅读与交流能力，以适应外企工作环境
面试指南
- 采用STAR法则（情境、任务、行动、结果）结构化回答项目经历类问题
- 对于技术原理题，先简述核心概念，再结合实际应用场景说明技术选型的理由及优缺点
- 对于优化类问题，强调数据驱动的方法论，如A/B测试、指标监控及迭代优化过程
- 请详细介绍一个你主导的LLM应用项目，包括技术选型、遇到的挑战及解决方案
- 你是如何进行Prompt Engineering优化的？有哪些最佳实践？
- 在模型推理阶段，你如何使用vLLM或类似工具进行性能优化？
- 请解释RAG的工作原理，以及如何处理检索增强中的噪声问题？
- 如何在保证模型效果的同时，降低大模型在企业级应用中的部署成本？
职位点评
薪资福利75
成长发展90
工作生活60
使命价值70
薪资福利
75中等
作为跨国巨头企业，薪资水平在沈阳地区属于市场水准偏上，且福利体系完善，但JD未明确具体薪资数字，整体补偿性动机满足度较好。
薪资信号未披露（AI估算：2.0千–3.5万/月）
成长发展
90较高
职位深度涉及LLM、RAG、Agent等前沿AI技术，且要求持续教育和培训，技术成长路径清晰，发展性动机满足度极高。
技术前沿前沿/新兴技术
技术栈LLM、LangChain、RAG、Prompt Engineering、vLLM、PyTorch、TensorFlow
成长机会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
业务类型profit_center
工作生活
60中等
外企通常WLB较好，但AI研发岗位本身技术迭代快、压力大，且JD提及“管理子项目”、“复杂分析”，可能伴随一定工作强度，生活化动机满足度中等。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
身处汽车制造这一传统行业的数字化转型浪潮中，通过AI技术提升生产效率和创新体验，具有一定的社会价值和行业意义。
行业发展稳定成熟行业
社会影响中性/一般
使命信号contribute their knowledge, skills and automotive passion toward this goal、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