德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 2 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)
机器学习
深度学习
NLP
PyTorch
RAG
TensorFlow
LLM
Scikit-learn
大语言模型
AI 估算 · 15k–25k
AI算法岗在沈阳较为稀缺，跨国企业提供有竞争力的薪酬，3年经验预估月薪在1.5-2.5万之间。
职位详情
关于这个职位
该职位主要负责AI算法与大模型应用的开发与落地，包括机器学习、深度学习、NLP及LLM的算法设计与优化，同时参与企业级AI系统的构建与部署
你将接触到前沿的大模型技术，并负责从数据挖掘到模型推理的全流程工作，适合有深厚算法功底并希望参与实际项目落地的工程师
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，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
- 接触大模型、RAG等前沿AI技术，技术成长快
- 跨国企业平台，资源丰富，有国际化培训和交流机会
- 职位涉及算法到工程全流程，综合能力提升明显
- AI技术迭代迅速，需要持续学习和跟进最新进展
缺点 / 挑战
- 算法落地过程中可能面临性能、成本等实际工程挑战
- 作为子项目负责人，需要兼顾技术和管理职责，工作强度可能较高
- 适合热爱AI技术、有较强算法和编程能力，希望深入企业级AI应用落地，并能接受一定技术挑战的工程师
角色解读
- 向AI算法专家或大模型架构师方向发展，深入技术前沿
- 转型为AI团队技术负责人或项目经理，管理复杂项目
- 有机会参与跨部门协作和国际化培训，拓展职业视野
- 设计并开发机器学习、深度学习及NLP算法，构建定制化AI解决方案
- 处理数据挖掘、特征工程、模型训练与调优，提升模型性能
- 探索大模型在对话、知识图谱、推荐等场景的应用，并推动落地
- 优化LLM推理流程，使用LangChain、vLLM等工具构建企业级AI系统
- 精通Python及Pandas、Scikit-learn等数据处理工具
- 熟练掌握TensorFlow、PyTorch等深度学习框架
- 熟悉大模型相关技术，如LLM、RAG、Agent、模型量化与蒸馏
- 具备AI项目全流程经验，包括算法设计、开发与部署
申请策略
- 了解德科斯米尔在汽车领域的业务，思考AI如何与汽车内饰或线束生产结合
- 准备一个完整的AI项目案例，从问题定义到部署，展示全流程能力
- 突出AI项目经验，尤其是大模型、NLP或深度学习方面的实际落地案例
- 强调算法优化和工程化能力，如模型量化、推理加速等
- 展示数据处理和特征工程的熟练度，以及使用过LangChain、vLLM等工具
- 补充大模型RAG、Agent、Prompt Engineering等热门技术
- 学习模型部署和优化工具，如Docker、Kubernetes、ONNX
面试指南
- 使用STAR法则（情境、任务、行动、结果）描述项目经验，突出个人贡献和量化成果
- 对于技术问题，首先给出核心概念，然后结合实际经验说明具体做法和优化思路
- 遇到不确定的问题时，坦诚说明已知和未知，并展示分析问题的逻辑
- 请详细介绍一个你主导的大模型项目，包括技术选型、挑战和最终效果
- 如何优化LLM推理速度，你用过哪些技术或框架？
- 解释RAG的原理，并说明在实际场景中可能遇到的问题及解决方案
- 在模型训练过程中，如何处理数据不平衡或过拟合问题？
- 你如何保持对AI前沿技术的关注？请举例说明最近学习的一项新技术
职位点评
66
综合评分
外企AI算法岗，前沿大模型技术栈，培训机会多，但WLB一般，工作地点固定。
更适合这类人
该职位最适合追求技术前沿、渴望成长和发展机会的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展85
工作生活50
使命价值60
薪资福利
70中等
薪资水平未在职位描述中明确，但作为跨国企业，通常提供有竞争力的薪酬和福利，稳定性较高。
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、RAG、Agent等前沿技术，有明确的培训和持续教育机会，技术成长空间大。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、LLM、LangChain、RAG、vLLM
成长机会继续教育、培训、趋势观察
业务类型ambiguous
工作生活
50较低
工作地点在沈阳，未明确远程或弹性工作制，AI岗位通常需要一定的时间投入，生活平衡一般。
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
60中等
汽车零部件行业属于稳定成熟行业，AI技术创新能为行业带来效率提升，但直接社会影响力有限。
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
Watch Jobs