德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 18 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
研究与开发 (研发)
机器学习
深度学习
数据挖掘
PyTorch
RAG
自然语言处理
TensorFlow
大语言模型
AI 估算 · 20k–35k
AI算法工程师在沈阳属稀缺岗位，大模型方向市场溢价高，外资巨头薪资有竞争力，结合3年经验估算中上位。
职位详情
关于这个职位
该职位聚焦于工业工程领域的AI应用，实际工作涉及机器学习、深度学习和自然语言处理算法的设计与开发，包括大规模语言模型（LLM）的落地应用
您将负责从数据挖掘、特征工程到模型训练、优化与部署的全流程，并参与Prompt Engineering、RAG等前沿技术方案的实现，助力企业智能化升级
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，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、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
- 大模型风口岗位，技术前沿性强，积累LLM全栈经验市场竞争力高
- 外资巨头平台稳定，薪资福利有保障，且提供内部培训与国际交流机会
- 工作内容涵盖算法、工程与项目管理，综合能力提升快
- 需同时掌握算法、工程和业务知识，对综合能力要求高，初期学习曲线陡峭
- 工业场景数据获取和标注可能有限，模型落地需克服实际业务障碍
- 沈阳本地AI人才生态相对薄弱，可能缺乏同行交流氛围
- 适合有3年以上AI开发经验、热爱大模型技术、愿意在工业领域深耕并具备较强自驱力的技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术纵深发展：从算法工程师到AI专家/架构师，深入大模型前沿技术（多模态、Agent等）
- 管理方向：担任技术负责人或项目负责人，带领团队完成AI项目交付
- 行业深耕：结合汽车工业领域知识，成为工业AI解决方案专家，推动智能制造转型
- 设计并开发面向工业场景的机器学习、深度学习及NLP算法，构建定制化AI解决方案
- 负责大语言模型（LLM）的落地应用，包括对话系统、知识图谱、智能推荐等场景的探索与实现
- 优化LLM推理流程，利用vLLM、Ollama等框架提升性能，并参与模型轻量化工作
- 管理AI模型全生命周期，从训练、调优到部署，确保生产环境的稳定性和高性能
- 扎实的数学基础（线性代数、概率统计、优化理论），精通Python及深度学习框架（PyTorch/TensorFlow）
- 具备至少3年AI算法或大模型开发经验，独立主导或完整参与过至少2个AI项目
- 熟悉LLM相关技术栈，包括LangChain、RAG、Prompt Engineering、模型微调与量化蒸馏
- 英语可作为工作语言，具备跨团队协作和内部培训能力
申请策略
- 了解德科斯米尔在汽车行业的业务背景，思考AI如何赋能线束系统和内饰生产
- 在面试中准备一个完整的LLM落地案例，从需求分析到部署效果，展示全链路能力
- 突出LLM相关项目经验，详细描述在对话系统、RAG或Agent方面的技术细节与产出
- 强调Python和深度学习框架的熟练度，列出具体使用的工具链（如LangChain、vLLM）
- 体现数学和算法功底，可附上论文或开源贡献链接
- 展示英语应用能力，如参与国际项目或英文文档编写
- 补充大模型推理优化（如vLLM、TensorRT-LLM）和模型轻量化（量化、蒸馏）实战经验
- 熟悉工业工程或汽车行业知识，了解生产流程中的数据痛点
面试指南
- STAR法则：描述情境、任务、行动和结果，突出你的贡献和技术难点
- 先拆解问题，给出多个方案并比较优劣，最后说明选择理由
- 结合实际业务场景，展示你从数据到部署的全链路思考
- 请介绍一个你负责的大模型项目，包括技术选型、遇到的挑战和最终效果
- 如何优化LLM推理性能？你用过哪些推理框架或轻量化技术？
- 解释RAG架构的工作原理，如何解决检索质量低的问题？
- 你在使用PyTorch训练模型时如何调优？如何防止过拟合？
- 如果让你用一个AI方案优化汽车线束生产流程，你会怎么设计？
职位点评
71
综合评分
外资汽车巨头AI岗位，前沿大模型技术栈，成长性强但工作地点固定、加班情况不明。
更适合这类人
适合以技术成长为核心驱动力，愿意接受高强度工作和现场办公的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展90
工作生活50
使命价值70
薪资福利
75中等
外资巨头提供具有竞争力的薪资和福利，但具体数字未明确，且有加班可能性。
薪资信号未披露（AI估算：20K-35K/月）
成长发展
90较高
大模型是前沿技术，职位涉及全链路开发，成长空间大，公司提供内部培训和国际合作机会。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、大语言模型、LangChain、RAG、PyTorch
成长机会内部培训、外部培训
业务类型profit_center
工作生活
50较低
要求现场办公且未提及弹性工作，汽车行业传统制造氛围，可能需配合项目加班。
工作模式仅现场办公
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
70中等
汽车智能制造领域有社会价值，但职位更偏向技术实现而非直接解决社会问题。
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