德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 2 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
Vllm
工业工程
模型部署
特征工程
值不值得投
69综合评分
综合评分 69
聚焦大模型前沿技术，外企平台稳定，侧重工业场景落地，WLB待确认
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
2.4万
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
约 160 个在招 · 其中机器学习工程 12 个
市场机会
选择适中
沈阳 · 机器学习工程 · 13 个在招
职位详情
关于这个职位
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
独立进行数据挖掘、特征工程与模型训练调优，探索大语言模型（LLM）在企业级场景的落地应用，并优化推理流程与模型轻量化技术
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、概率统计和最优化理论
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、内容生成和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
- 聚焦前沿大模型技术栈，技术成长空间大
- 跨国企业背景提供稳定的项目资源与国际化协作环境
- 工业工程与AI结合，具备独特的跨界竞争力
- 传统制造业数字化转型期，业务场景落地可能面临数据质量或算力资源限制
- 适合具备扎实AI算法基础、对智能制造/汽车行业感兴趣，且希望将前沿技术应用于实际工业场景的求职者
缺点 / 挑战
- 需兼顾算法研发与工艺优化，对跨领域理解能力要求较高
角色解读
- 可向高级AI算法专家或AI架构师方向发展，深入垂直行业大模型应用
- 也可转向技术管理岗，带领团队负责企业级AI平台建设与跨部门项目交付
- 负责AI算法与大模型技术的研发落地，包括数据挖掘、模型训练调优及推理优化
- 设计企业级AI应用系统，将LLM技术融入具体业务场景
- 管理AI模型全生命周期，确保生产环境稳定运行
- 精通Python及主流深度学习框架（PyTorch/TensorFlow）
- 掌握LLM微调、RAG、Agent适配及Prompt Engineering技术
- 具备扎实的数学基础与数据处理能力，熟悉模型部署与性能优化
申请策略
- 提前了解德科斯米尔在汽车线束与内饰领域的业务布局，准备1-2个AI赋能传统制造或降本增效的案例
- 突出3年以上AI/大模型项目实战经验，详细列出主导的算法设计、模型调优及落地成果
- 强调Python编程能力及PyTorch/TensorFlow框架熟练度
- 补充LangChain/LlamaIndex等LLM应用开发工具链的学习
- 强化模型部署优化（如vLLM、量化蒸馏）及RAG/Agent实战经验
面试指南
- 使用STAR法则描述项目背景、任务、行动与结果
- 技术题先讲核心原理，再结合具体工具说明优化手段，最后给出性能对比数据
- 请介绍一个你主导的AI项目从数据准备到模型部署的全流程
- 如何优化大模型推理延迟并提升吞吐量？
- 针对特定业务场景，你会如何设计RAG或Agent方案？
- 复习深度学习基础理论与大模型微调技术
- 准备过往项目中模型性能优化的具体案例与数据
- 了解汽车制造工艺流程，思考AI技术如何与产线结合
职位点评
薪资福利65
成长发展88
工作生活55
使命价值60
薪资福利
65中等
JD未明确薪资，但作为跨国制造企业，通常提供符合市场水准的薪酬与完善福利，整体补偿性动机满足度中等偏上。
薪资信号未披露（AI估算：1.8千–3.0万/月）
成长发展
88较高
岗位深度聚焦LLM、RAG、Agent等前沿技术，技术栈现代且具挑战性，能显著提升算法研发与工程落地能力。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agent、vLLM、PyTorch、Prompt Engineering
业务类型ambiguous
工作生活
55较低
JD未明确办公模式与加班情况，但属汽车零部件制造实体企业，大概率需驻厂或园区办公，通勤与工作节奏可能受生产周期影响。
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
60中等
处于汽车产业智能化转型赛道，技术落地有助于提升制造效率与产品体验，社会价值中性偏正向，但创新属性偏向技术应用而非行业首创。
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