
Industrial Engineering ES
发布于 31 分钟前普通员工/个人贡献者
值不值得投
综合评分 70
沈阳汽车制造场景下的AI算法与大模型应用岗,技术前沿、成长性强,办公灵活性未披露
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
2.4万
比AI算法中位数低
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 300 个在招 · 其中AI算法 14 个
市场机会
选择适中
沈阳 · AI算法 · 14 个在招
职位详情
关于这个职位
该岗位面向汽车零部件制造场景,负责AI算法与大模型应用方案的设计、开发、调优和落地,覆盖机器学习、NLP、LLM、RAG、Agent及模型部署等方向
最低要求
At least Bachelor’s degree in computer science, mathematics, and Computer Science, Industrial Engineering, AI Applications, Mathematics and etc.
工作职责
Plan and realize production processes for existing and new products.
AI 洞察
优缺点分析
优点
- 岗位覆盖机器学习、NLP、LLM、RAG、Agent和推理优化等较完整的大模型应用链路,技术内容较丰富
- 有明确的AI项目落地要求,适合希望积累企业级AI应用和制造业场景经验的候选人
- 工作内容不仅限于模型开发,还涉及标准流程、培训、文档和子项目协调,有利于提升综合影响力
- 使用英语作为工作语言,有机会接触跨国团队协作场景
- JD同时出现工业工程生产工艺职责与大量AI算法职责,实际工作边界可能需要入职后进一步确认
- 适合有三年以上AI算法或大模型应用开发经验、希望进入制造业智能化场景,并能用英语参与协作的技术候选人
缺点 / 挑战
- 大模型应用落地涉及数据处理、微调、推理优化和生产稳定性,技术链条较长,对工程能力要求较高
- 需要兼顾内部联络、培训、文档和项目监控,技术之外的事务协调要求较高
角色解读
- 可向高级AI算法工程师、大模型应用专家或企业级AI架构师方向发展,深耕模型效果优化与工程落地
- 由于岗位涉及流程优化、标准制定和跨部门协作,也可成长为技术负责人或AI项目负责人
- 结合汽车零部件制造场景,未来可向智能制造、工业AI、生产流程智能化等复合型专家方向发展
- 负责面向汽车零部件制造与业务场景的AI算法开发,包括机器学习、深度学习、NLP和大模型应用方案设计
- 完成数据挖掘、特征工程、模型训练调优、Prompt Engineering、RAG、Agent适配及模型轻量化等工作
- 推动AI模型从训练、测试到生产部署的全生命周期管理,并关注准确率、延迟、吞吐量和稳定性
- 参与流程优化、标准制定、内部培训、文档编制和子项目协调,连接技术与业务场景
- 需要具备扎实的Python编程能力,并熟悉Pandas、Scikit-learn等数据处理工具
- 需要掌握线性代数、概率统计、最优化理论等数学基础,理解算法原理与调优逻辑
- 需要熟悉至少一种深度学习框架,如TensorFlow、PyTorch或MindSpore,并具备AI项目落地经验
- 需要了解LLM应用开发相关工具与流程,包括LangChain、LlamaIndex、vLLM、Ollama、TGI、RAG和Agent等
申请策略
- 投递前建议确认该岗位更偏工业工程还是AI算法,因为JD标题与部分职责存在一定差异
- 面试中可主动结合汽车零部件制造场景说明AI方案如何落地,体现对业务理解和工程可行性的重视
- 重点突出至少两个完整AI项目的算法设计、开发、部署和业务效果,最好量化准确率、延迟、吞吐量或效率提升
- 强调Python、Pandas、Scikit-learn、PyTorch/TensorFlow/MindSpore等技能,以及与岗位匹配的数学基础
- 展示LLM相关实践,如Prompt Engineering、RAG、Agent、LangChain、LlamaIndex、vLLM、Ollama或TGI
- 补充跨部门协作、文档编写、培训、流程优化或子项目协调经历,体现岗位所需的综合协作能力
- 提前准备大模型应用落地案例,重点梳理数据构建、微调、RAG、Agent适配和推理优化的完整流程
- 加强对模型部署与性能调优的理解,包括量化、蒸馏、延迟优化、吞吐提升和生产监控
面试指南
- 项目类问题采用“背景-目标-方案-难点-结果-复盘”的结构,突出个人贡献和可量化结果
- 技术类问题采用“问题定义-可选方案-取舍依据-验证指标-上线效果”的框架,体现工程判断力
- 协作类问题采用“ stakeholder 识别-沟通机制-里程碑管理-风险处理-结果沉淀”的思路,展示跨团队推进能力
- 请介绍一个你独立主导或完整参与的AI项目,包括业务背景、技术方案、你的职责和最终效果
- 如何构建一个企业级LLM应用系统?请说明Prompt Engineering、RAG、Agent和工具链的选择思路
- 你如何进行数据清洗、特征工程和微调数据集构建?如何保证数据质量?
- 面对大模型推理延迟高或吞吐不足的问题,你会从哪些方面进行优化?
- 你如何与业务、工艺或生产团队协作,推动AI方案从试点到落地?
职位点评
薪资福利
JD未披露薪资和福利信息,因此补偿性动机只能基于岗位要求间接判断。岗位要求三年以上经验及大模型落地能力,通常对应较好的技术岗位市场定位。
成长发展
岗位覆盖机器学习、深度学习、NLP、LLM、RAG、Agent、推理优化和模型全生命周期管理,技术成长空间较大。JD还明确提到内部及外部培训、标准流程优化和子项目协调,发展信号较充分。
工作生活
JD仅明确为全职,没有说明远程、混合办公、弹性工时或加班安排,因此生活化动机满足程度难以判断。工作地点明确为沈阳,但未披露通勤或办公环境信息。
使命价值
岗位服务于汽车线束系统和汽车内饰产品创新,并涉及生产工艺优化和企业级AI落地,具有一定产业价值。但JD未明确表达社会使命或公共价值导向,意义感主要来自技术落地和制造场景改进。
德科斯米尔 的其他在招职位