德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 15 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
软件工程
机器学习
深度学习
NLP
PyTorch
数据处理
RAG
TensorFlow
LLM
AI 估算 · 15k–30k
沈阳AI算法岗，3年经验，跨国汽车零部件企业，薪资略高于当地平均水平，但为传统行业，涨幅有限。
职位详情
关于这个职位
该职位主要负责AI算法与大规模语言模型（LLM）在汽车制造场景中的研发与落地，包括算法设计、模型训练与优化、推理部署等
你将参与从数据处理到模型微调、RAG应用的全流程，并与团队协作推动AI技术在工业领域的创新应用
适合有3年以上AI经验、热爱技术探索的工程师
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
- 公司为跨国巨头，平台稳定，资源丰富，有机会接触汽车行业真实工业场景
- 技术栈前沿（LLM、RAG、Agent），能紧跟AI最新趋势，积累大模型落地经验
- 职位涉及从算法到部署的全流程，技能覆盖面广，成长空间大
- 工作内容偏算法研发，可能需要较强独立解决问题能力，项目周期紧
- 传统汽车行业的AI应用场景可能不如互联网公司多样，创新空间有限
- 英语作为工作语言，对口语和文档能力有一定要求
- 适合有3年以上AI经验、希望将大模型技术应用于工业场景、追求稳定职业发展的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术路线：AI算法工程师 → 高级AI专家 → 首席科学家，深入大模型与工业AI融合方向
- 管理路线：技术负责人 → AI团队经理 → 部门总监，兼顾技术架构与项目协调
- 行业路线：成为汽车行业AI解决方案专家，推动智能制造和数字化转型
- 设计和实现机器学习、深度学习及NLP算法，针对汽车制造场景（如质量检测、生产优化）开发定制化AI解决方案
- 负责大语言模型（LLM）的微调、RAG应用、Prompt Engineering，并利用LangChain等工具构建企业级AI系统
- 完成模型从训练、调优到部署的全生命周期管理，优化推理性能，降低延迟，提高吞吐量
- 担任内部AI领域专家，制定技术标准，提供培训，并参与跨部门协作项目
- 精通Python编程，熟练使用Pandas、Scikit-learn等数据处理工具
- 扎实的数学基础（线性代数、概率统计、最优化），掌握至少一个深度学习框架（如PyTorch、TensorFlow）
- 年以上AI算法或大模型开发经验，独立主导过至少2个AI项目
- 熟悉LLM相关技术（微调、RAG、Agent），了解推理优化工具（vLLM、Ollama等）
申请策略
- 关注德科斯米尔的企业文化和汽车行业动态，面试中展现对工业AI的思考和热情
- 准备一个完整的项目案例，从问题定义到最终效果，清晰展示你的技术深度和业务理解
- 突出AI项目经验，特别是完整主导或参与过的项目，注明自己在算法设计、模型优化和部署中的具体贡献
- 强调大模型相关技能：LLM微调、RAG、Prompt Engineering、LangChain等，并附上GitHub或项目链接
- 展示数据处理和特征工程能力，包括使用Pandas、Scikit-learn的实际案例
- 补充大模型推理优化知识，如vLLM、量化、蒸馏技术，以及模型服务化部署（Docker, Kubernetes）
- 深入了解汽车制造或工业领域知识，如生产流程、质量检测标准，可体现跨界能力
面试指南
- STAR法则：阐述项目背景、任务、行动和结果，突出个人贡献和技术难点解决方案
- 对比分析法：在回答技术选择问题时，横向对比不同方案优缺点，体现决策能力
- 场景化思考：对于开放性应用问题，结合具体工业场景提出可行性方案
- 请描述一个你主导的AI项目，包括算法选型、数据处理、模型优化和最终效果
- 如何优化大语言模型的推理性能？请举例说明
- 谈谈你对RAG（检索增强生成）的理解，以及在工业场景中可能遇到哪些挑战？
- 在汽车制造领域，你希望如何应用AI技术来提高生产效率或产品质量？
- 你熟悉的深度学习框架有哪些？比较一下PyTorch和TensorFlow在项目中的适用场景
职位点评
71
综合评分
跨国车企AI算法岗，技术前沿，成长空间大，但办公灵活性较低，薪资中等偏上。
更适合这类人
最看重技能成长和技术前沿性，能接受现场办公和缺乏明确WLB安排的求职者。
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88
工作生活55
使命价值72
薪资福利
70中等
薪资未明确，但基于跨国公司背景和沈阳物价，预计处于市场中上水平，福利可能包括五险一金和年终奖，但JD未详细说明。
薪资信号未披露（AI估算：15K-30K/月）
成长发展
88较高
职位涉及前沿大模型和AI技术，技能成长空间大；有内部培训和项目主导机会，但晋升路径未明确提及。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、LLM、RAG、Agent、LangChain、vLLM
成长机会内部培训、外部培训、规划并实施培训
业务类型ambiguous
工作生活
55较低
仅现场办公，未提及弹性工作或远程政策；沈阳办公地点可能在工厂或园区，通勤便利性一般。
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
72中等
汽车制造行业稳定，AI应用于工业场景具有实际社会价值（提升效率、质量），但创新性受限于传统行业节奏。
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