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
Prompt Engineering
Pytorch
Rag
Tensorflow
Vllm
大语言模型(Llm)
数据挖掘
模型部署
特征工程
值不值得投
72综合评分
综合评分 72
聚焦大模型与企业级AI应用落地，技术栈前沿且提供专项培训，工作地点位于沈阳汽车产业区
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
3.3万
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 120 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
负责机器学习、深度学习及大语言模型（LLM）的算法设计与开发，独立完成数据挖掘、特征工程与模型调优
结合LangChain等工具构建企业级AI应用系统，优化推理流程并管理模型全生命周期，以支持具体业务场景落地
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，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
- 技术栈高度前沿，直接涉及LLM、RAG、Agent等企业级热门方向，能积累高价值落地经验
- 具备3年以上AI算法实战经验、渴望深入大模型企业级落地且抗压能力较强的开发者
缺点 / 挑战
- 需兼顾算法研发与业务场景适配，对模型推理优化、量化蒸馏等工程化能力要求较高，交付压力较大
角色解读
- 可向AI架构师、大模型技术专家或算法团队负责人方向发展，同时具备向AI产品化与业务解决方案专家转型的路径
- 负责大语言模型（LLM）及相关AI算法的设计、训练与调优，完成从数据清洗到模型部署的全流程开发
- 精通Python与主流深度学习框架，掌握Prompt Engineering、RAG架构及模型轻量化技术，具备扎实的数据挖掘与特征工程能力
申请策略
- 提前了解德科斯米尔在汽车线束与内饰领域的数字化痛点，准备1-2个针对制造业场景的AI解决方案构思
- 重点突出2个以上完整的AI/大模型项目经历，详细写明数据规模、模型选型、优化指标及最终业务收益
- 补充LangChain/LlamaIndex生态实战经验，强化vLLM/TGI等推理框架调优能力及模型量化蒸馏技巧
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答，重点量化技术指标（如准确率提升百分比、延迟降低毫秒数）与业务价值
- 请分享一个你主导的LLM或大模型应用项目，你是如何解决业务场景适配问题的？
- 在模型推理优化方面，你使用过哪些框架或技术手段来降低延迟并提升吞吐量？
- 如何设计RAG架构以提升垂直领域问答的准确率与召回率？
- 面对多部门协作与子项目管理，你如何确保算法交付进度与质量？
- 复习Transformer底层原理、LoRA/QLoRA微调机制及向量数据库检索策略，准备可公开的技术架构图与性能对比数据
职位点评
薪资福利72
成长发展86
工作生活58
使命价值64
薪资福利
72中等
作为跨国汽车零部件企业，薪资处于沈阳地区同类技术岗位市场中上水平，但JD未明确披露具体福利与奖金结构。
薪资信号未披露（AI估算：2.5千–4.0万/月）
成长发展
86较高
岗位聚焦LLM、RAG与Agent等前沿方向，且明确提及内部培训与复杂主题分享，技术成长空间显著。
技术前沿前沿/新兴技术
技术栈LLM、LangChain、vLLM、RAG、Agent、Prompt Engineering
成长机会规划并实施复杂主题的内部及外部培训
业务类型profit_center
工作生活
58较低
JD未明确办公模式与工时安排，汽车制造类企业通常以现场办公为主，WLB信号不足，需入职后进一步确认。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
64中等
汽车行业属稳定成熟赛道，岗位侧重企业内部技术赋能与效率提升，社会影响力偏中性，但技术落地具有实际商业价值。
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