德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 7 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
研究与开发 (研发)
Llm
Pytorch
Rag
Tensorflow
Vllm
机器学习
深度学习
自然语言处理
AI 估算 · 15k–25k
沈阳AI算法岗，3年经验，跨国企业，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在沈阳的AI算法岗，主要负责机器学习和深度学习算法的设计与开发，构建面向业务场景的定制化AI解决方案，并推动大模型技术在企业级场景的落地
工作内容涵盖数据挖掘、模型训练、推理优化以及全生命周期管理，同时需要参与内部培训与流程优化
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
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，如LLM、RAG、Agent，技术成长快
- 跨国企业平台，流程规范，有内部培训和国际化合作机会
- 沈阳生活成本低，薪资在当地有竞争力
- 工作内容涉及全生命周期管理，对综合能力要求高
- 沈阳AI生态相比一线城市较弱，前沿交流机会有限
- 适合3年以上AI开发经验、希望深入大模型方向并愿意在沈阳长期发展的技术人才
缺点 / 挑战
- 需要同时处理算法研发、系统集成和项目管理，压力可能较大
角色解读
- 可向高级算法专家或技术团队负责人发展
- 可深化大模型垂直领域应用，成为AI架构师
- 也可转向项目管理或内部培训师角色
- 设计和开发机器学习、深度学习及NLP算法，构建定制化AI解决方案
- 负责数据挖掘、特征工程、模型训练与调优，提升模型性能
- 探索大语言模型在对话系统、知识图谱等场景的应用，并推动落地
- 管理AI模型全生命周期，包括部署和维护，同时参与内部培训与流程优化
- 精通Python和TensorFlow/PyTorch等深度学习框架
- 扎实的数学基础（线性代数、概率统计、最优化）
- 熟悉大模型技术栈，包括LLM、LangChain、RAG、模型量化蒸馏等
- 至少3年AI算法开发经验，英语可作为工作语言
申请策略
- 了解德科斯米尔的汽车业务，思考AI如何赋能智能制造或供应链
- 准备一份演示文稿或技术博客，展示大模型落地案例
- 突出大模型项目经验，如LLM微调、RAG、Agent等具体案例
- 强调算法优化成果，如准确率提升、延迟降低等量化指标
- 展示全栈能力：从数据处理、模型训练到部署和项目管理
- 注明英文水平，并提供英文项目文档或汇报经历
- 补充LangChain、vLLM等工具的实际使用经验
- 学习模型轻量化技术（量化、蒸馏）
面试指南
- STAR法则：情境-任务-行动-结果，强调量化成果
- 技术对比：比较不同方案优劣，展示决策能力
- 问题解决：先定义问题，再逐步分析，最后给出方案
- 介绍你参与过的一个大模型项目，包括技术选型和挑战
- 如何优化LLM推理性能？请具体说明
- 如何处理数据不平衡或小样本学习问题？
- 你如何评估一个AI模型的好坏？
- 为什么选择加入德科斯米尔？你对工业AI的理解？
职位点评
66
综合评分
沈阳大模型算法岗，技术前沿，成长空间大，但WLB一般。
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
适合追求技术成长、愿意在沈阳稳定发展、不介意现场办公和适度加班的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展85
工作生活50
使命价值65
薪资福利
60中等
薪资在沈阳有竞争力，但未明确提及福利，且传统汽车行业薪资涨幅相对有限。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
85较高
职位涉及大模型前沿技术，有明确的培训职责和内部标准化工作，成长空间大。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agent、LangChain、vLLM、深度学习、自然语言处理
成长机会培训、继续教育、内部标准
业务类型ambiguous
工作生活
50较低
工作地点沈阳，现场办公，未提及弹性工作或WLB信息，可能需要一定加班。
工作模式仅现场办公
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
65中等
汽车行业稳定，但该职位偏技术实现，社会影响力一般，创新程度较高。
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