德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 1 天前普通员工/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
机器学习
深度学习
值不值得投
75综合评分
综合评分 75
外资车企背景的大模型算法岗，技术栈前沿、成长空间大，但职位头衔与实际职责存在错位，需关注实际业务落地环境。
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低
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 110 个在招 · 其中机器学习工程 8 个
市场机会
选择不多
沈阳 · 机器学习工程 · 8 个在招
职位详情
关于这个职位
该职位主要负责机器学习、深度学习及自然语言处理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
你将探索大语言模型（LLM）在对话系统、知识图谱等场景的落地，并负责模型从训练、调优到部署的全生命周期管理
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
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，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
- 外资车企背景，业务场景丰富，有利于积累企业级AI落地经验
- 职位标题与实际职责存在差异（Industrial Engineering vs AI算法），需确认实际汇报线与考核指标
- 大模型落地企业级场景可能面临数据质量、算力资源及业务部门配合等现实阻力
- 具备3年左右AI/大模型开发经验，希望在传统制造业/汽车行业探索AI落地，且英语能力较好的技术人才
缺点 / 挑战
- 接触前沿的大模型技术（LLM、RAG、Agent），技术栈现代且具挑战性
角色解读
- 从AI算法工程师向大模型架构师或AI技术专家发展，也可向AI项目负责人或技术管理方向转型
- 负责机器学习、深度学习及NLP算法的设计与开发，构建定制化AI解决方案
- 探索并落地大语言模型（LLM）在企业级场景的应用，如对话系统、知识图谱等
- 管理AI模型从训练、调优到部署的全生命周期，优化推理流程
- 扎实的数学基础与Python编程能力，熟练使用PyTorch/TensorFlow等深度学习框架
- 具备大模型应用开发经验，熟悉LangChain、vLLM等工具及RAG、Agent等技术
- 英语可作为工作语言
申请策略
- 面试前了解德科斯米尔在汽车内饰和线束领域的业务，思考AI技术如何赋能其生产制造或供应链管理
- 突出大模型（LLM）应用开发经验，特别是RAG、Agent及Prompt Engineering的实际落地案例
- 强调独立完成数据挖掘、模型训练到部署的全流程能力
- 深入学习vLLM、Ollama等推理框架及模型量化、蒸馏技术，提升模型部署与性能优化能力
面试指南
- 采用STAR法则描述项目经验，重点突出业务痛点、技术方案（如RAG/Agent设计）、模型优化指标（准确率/延迟）及最终业务收益
- 请分享一个你主导的大模型应用落地项目，遇到了哪些挑战及如何解决？
- 在优化LLM推理流程时，你如何使用vLLM或量化技术降低延迟？
- 如何设计RAG系统以提升大模型在垂直领域的回答准确率？
- 你的职位标题是Industrial Engineering，你如何理解AI算法在汽车工业工程中的应用？
- 准备2-3个完整的大模型项目案例，复习LLM微调、推理加速及RAG架构的核心原理
- 了解汽车制造业的基本业务流程
职位点评
薪资福利75
成长发展85
工作生活65
使命价值70
薪资福利
75中等
沈阳地区AI算法岗薪资具备一定竞争力，外资背景提供相对稳定的薪酬福利，但整体薪资上限不及一线城市同类岗位。
薪资信号未披露（AI估算：2.0千–3.5万/月）
成长发展
85较高
岗位涉及LLM、RAG、Agent等前沿技术，且要求参与大模型微调与推理优化，技术成长空间大，能积累稀缺的大模型落地经验。
技术前沿前沿/新兴技术
技术栈Python、LLM、NLP、LangChain、LlamaIndex、vLLM、RAG、Agent、PyTorch
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ambiguous
工作生活
65中等
该岗位所在环境通常注重工作生活平衡，但大模型算法岗本身具有较高技术挑战，且需跨部门协作与培训，可能存在一定的工作压力。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
推动AI技术在传统汽车制造业的落地，具有产业升级的积极意义，但属于企业内部赋能，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
使命信号automotive innovations、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