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
PyTorch
RAG
自然语言处理
TensorFlow
LLM
Mindspore
AI 估算 · 15k–25k
沈阳AI算法岗位，要求3年经验与LLM技能，市场竞争力较强，预估月薪15k-25k。
职位详情
关于这个职位
该职位负责工业工程相关的AI算法设计与开发，主要聚焦于机器学习、深度学习和自然语言处理技术，特别是大语言模型（LLM）在企业级场景的落地应用
您将参与从数据挖掘、模型训练到部署优化的全流程，并需具备较强的数学基础和Python编程能力
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
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
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、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聚类分布等，支撑LLM微调数据集
优化LLM推理流程，利用vLLM、Ollama、TGI等推理框架提升服务性能，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
完成AI模型从训练、调参、测试到部署的全生命周期管理
在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，规划并实施内部及外部培训
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
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
- 专注于前沿的LLM和AI技术，技术成长空间大
- 跨国企业背景，流程规范，有内部培训和国际交流机会
- 沈阳地区AI岗位稀缺，该职位具有较强的人才竞争力
- 需要同时掌握传统机器学习与最新大模型技术，学习曲线陡峭
- 工作地点在沈阳，相比一线城市AI生态较弱，可能需要更多自主探索
- 适合具备3年以上AI经验、热爱技术探索、愿意在制造业落地前沿技术的算法工程师
缺点 / 挑战
- 职责中包含管理子项目和培训，对综合能力要求较高
角色解读
- 从算法工程师向高级算法专家或技术负责人发展，专注于大模型应用架构
- 横向扩展至工业工程或智能制造领域，成为AI+制造复合型人才
- 有机会转向项目管理或团队管理岗位，带领AI项目落地
- 负责设计并实现机器学习、深度学习及NLP算法，构建针对特定业务场景的AI解决方案
- 进行数据挖掘、特征工程、模型训练与调优，提升模型性能
- 探索大语言模型在对话、知识图谱、内容生成等场景的应用，推动技术落地
- 扎实的数学基础（线性代数、概率统计、最优化）和Python编程能力
- 精通至少一种深度学习框架（TensorFlow/PyTorch/MindSpore）
- 熟悉LLM相关技术，包括Prompt Engineering、RAG、模型微调及推理优化
申请策略
- 了解德科斯米尔在汽车领域的业务，准备AI与工业工程结合的想法
- 面试中展示对LLM落地挑战的理解和解决思路
- 突出独立主导或参与过的AI项目，尤其是LLM相关应用案例
- 强调数学、Python和深度学习框架的熟练程度
- 展示英语水平，可提供英文项目文档或论文
- 补充LangChain、LlamaIndex等LLM工具链的实践
- 学习模型量化、蒸馏等轻量化技术以优化推理
面试指南
- 使用STAR法则（情境、任务、行动、结果）回答项目经验
- 对于技术问题，先阐述基础原理，再结合实际应用经验
- 对于管理问题，强调沟通、目标分解和进度监控
- 请描述一个你从头到尾负责的AI项目，包括数据、模型选择和部署
- 如何评估LLM在垂直领域的性能？有哪些常见挑战？
- 解释Prompt Engineering和RAG的工作原理，并举例说明
- 在模型轻量化方面，你有哪些经验？量化对模型精度影响如何？
- 你如何协调内部团队和外部资源推进项目？
职位点评
59
综合评分
前沿AI技术岗，成长性强但WLB一般，适合技术驱动的求职者。
更适合这类人
适合追求技术成长、愿意在沈阳稳定发展、不介意现场办公的算法工程师。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展85
工作生活40
使命价值50
薪资福利
60中等
薪资面议但基于跨国企业和沈阳水平，预估中等偏上；福利未明确，补偿性动机满足程度一般。
薪资信号面议 (15K-25K/月)
成长发展
85较高
职位涉及前沿LLM技术，有内部培训和外部培训机会，成长性较高。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、LLM、LangChain、RAG
成长机会内部培训、外部培训
业务类型ambiguous
工作生活
40较低
工作地点沈阳，仅现场办公，未提及弹性工时或WLB，生活化动机满足度低。
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
50较低
汽车行业稳定但非高速增长，AI项目有创新性但社会影响力一般。
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