德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Scikit-Learn
Tensorflow
Vllm
值不值得投
74综合评分
综合评分 74
传统汽车零部件巨头的大模型落地岗，技术前沿、成长空间大，薪资中等，WLB视项目而定。
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
2万
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
63 个在招 · 其中人工智能 2 个
市场机会
选择不多
沈阳 · 人工智能 · 2 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（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
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AI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
- 能够接触并落地前沿的大语言模型（LLM）技术，积累企业级AI应用和推理优化的稀缺实战经验
- 跨国汽车零部件巨头平台，业务场景丰富，有利于将AI技术与传统制造业深度结合，推动智能制造
- 传统制造业的AI基础设施和数据质量可能不如纯互联网公司完善，需要较强的数据清洗和工程化落地能力
- 岗位涉及较多跨部门协作、流程优化及内部培训，对沟通表达和项目管理能力有一定要求
- 具备3年以上AI算法经验，对大模型落地和传统行业数字化转型感兴趣，且具备良好英语沟通能力的技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 从AI算法工程师向大模型技术专家或AI架构师方向发展，深耕垂直领域大模型落地
- 也可向AI团队技术管理或工业数字化转型专家方向转型，统筹跨部门AI项目
- 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
- 探索并落地大语言模型（LLM）在对话系统、知识图谱、智能推荐等企业级场景的应用
- 管理AI模型从训练、调优到部署的全生命周期，优化推理流程并提升服务性能
- 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
- 具备大模型微调、RAG、Prompt Engineering及推理优化（如vLLM）的实战经验
- 能够独立完成数据挖掘、特征工程及模型调优，具备英语工作能力
申请策略
- 了解德科斯米尔在汽车内饰和线束系统的业务背景，在面试中展现对实体制造业数字化转型的理解与热情
- 突出大模型（LLM）微调、RAG、Agent开发及推理优化的具体项目经验，量化业务收益
- 展示独立主导AI项目从设计、开发到生产环境部署的完整闭环能力
- 深入学习LangChain、LlamaIndex等LLM应用开发框架，以及vLLM等推理加速技术
- 了解汽车制造业的常见AI应用场景（如供应链优化、智能质检、智能客服等），思考技术赋能点
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出技术选型的思考过程、解决的具体难点以及最终带来的业务收益（如延迟降低百分比、准确率提升幅度）
- 请分享一个你独立主导的大模型落地项目，遇到了哪些技术挑战及如何解决？
- 在优化LLM推理流程时，你使用了哪些框架和技术（如vLLM、量化）来提升吞吐量并降低延迟？
- 如何构建高质量的微调数据集？请描述你的数据清洗和特征工程流程
- 在RAG系统中，你是如何优化检索准确率和生成质量的？
- 复习大模型核心原理（如Transformer架构、Attention机制），准备2-3个深度参与的项目案例
- 了解德科斯米尔的企业文化及汽车制造业的常见AI应用场景，准备相关的技术落地思路
职位点评
薪资福利70
成长发展85
工作生活65
使命价值75
薪资福利
70中等
沈阳地区3年AI算法经验薪资处于市场中上水平，外企背景提供相对稳定的福利保障，但整体薪资上限不及一线城市互联网大厂。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
岗位聚焦大语言模型、RAG、Agent等前沿AI技术，且涉及企业级场景落地，技术成长空间大，能积累稀缺的大模型工程化经验。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、NLP、LangChain、LlamaIndex、vLLM、RAG、Prompt Engineering
成长机会持续教育需求、内部及外部培训
业务类型ambiguous
工作生活
65中等
外企通常注重工作生活平衡，但岗位涉及大模型项目落地和跨部门协作，可能存在一定的项目交付压力，具体WLB情况需进一步确认。
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
75中等
将前沿AI技术应用于传统汽车制造业，推动行业数字化转型和智能制造，具有较高的产业赋能价值和社会意义。
行业发展高速增长赛道
社会影响中性/一般
使命信号提升驾驶体验
创新程度积极采用新技术
Watch Jobs