DRAXLMAIER logo
德科斯米尔
Industrial Engineering ES

Industrial Engineering ES

发布于 31 分钟前

普通员工/个人贡献者

AI 估算 · 1.8–3.0万 · AI 参考估算
中级经验
本科
全职员工仅现场办公AI算法
AI算法
Llamaindex
Llm
Nlp
Prompt Engineering
Rag
Vllm
机器学习
深度学习

值不值得投

70综合评分

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

同时承担部分工业工程相关的流程优化、标准制定、培训与子项目协调工作,适合有AI项目落地经验并能使用英语协作的候选人

最低要求

At least Bachelor’s degree in computer science, mathematics, and Computer Science, Industrial Engineering, AI Applications, Mathematics and etc.

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
Solid foundation in mathematics, with proficiency in linear algebra, probability and statistics, and optimization theory.
扎实的数学基础,熟悉线性代数,概率统计,最优化理论
Proficient in Python programming language, familiar with data processing tools such as Pandas and Scikit-learn.
精通Python编程语言,熟悉Pandas,Scikit-learn等数据处理工具
Proficient in at least one deep learning framework such as TensorFlow, PyTorch, or MindSpore.
熟练掌握TensorFlow,PyTorch,MindSpore等至少一种深度学习框架
At least 3 years of experience in AI algorithm development or large-scale model application development.
具备至少3年AI算法研发或者大模型应用开发相关经验
Experienced in independently leading or fully participating in algorithm design, development, and deployment for at least 2 AI projects.
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
English can be used as working language.
英语可作为工作语言

工作职责

Plan and realize production processes for existing and new products.

计划和实现现有产品和新产品的生产工艺
Responsible for designing and developing algorithms in the fields of machine learning, deep learning, and natural language processing (NLP), building customized AI solutions tailored to specific business scenarios..
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
Responsible for independently conducting data mining, feature engineering, model training, and optimization to enhance model performance in accuracy, generalization capability, and real-time responsiveness.
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
Explore large-scale language models (LLMs) in applications such as conversational systems, knowledge graphs, content generation, and intelligent recommendations, driving the implementation of large-model technology in enterprise-level scenarios.
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
Design and implement a prompt engineering solution, leveraging tools such as LangChain and Llama Index to build enterprise-grade AI application systems powered by large language models (LLMs).
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
Proficient in data processing techniques (data cleaning, feature extraction) and tools (e.g., Pandas, Scikit-learn), utilizing machine learning algorithms to perform tasks such as data clustering and distribution analysis to support structural LLM fine-tuning datasets.
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
Optimize LLM inference workflows by leveraging inference frameworks such as vLLM, Ollama, and TGI to enhance service performance, reduce latency, and increase throughput; master model lightweighting techniques including quantization and distillation
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
Participate in the continued pre-training, fine-tuning, RAG (Retrieval-Augmented Generation), and agent adaptation of large models to enhance their performance in vertical domains.
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
Manage the entire lifecycle of AI models—from training, hyperparameter tuning, and testing to deployment—ensuring stability and high performance in production environments.
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
Act as internal and external contact person within his/her own area of expertise; cooperate in internal working groups.
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
Create internal publications (e.g. documentation, etc.) and present as required (internally)
编制内部相关文件并按需进行内部汇报
Recognize general need for continuing education in his/her own field within the company; plan and conduct internal and external training on complex topics, both domestically and in other countries
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)
Support in determining and optimizing internal standards and processes within his/her own area of expertise.
协助制定并优化本专业领域的内部标准与流程
Observe/identify trends in his/her area of expertise in order to develop concepts; suggest recommendations for action (e.g. planning methods, etc.).
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)
Conduct mainly conceptual activities within his/her area of expertise.
在其专业领域内主要开展概念性工作
Manage, control and coordinate sub-projects; monitor project handling and goal achievement, based on checklists and performance indicators.
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
Conduct complex analyses to optimize and determine measures for improvement.
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

  • 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72
成长发展86
工作生活45
使命价值70

薪资福利

72中等

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。

薪资信号未披露(AI估算:1.8千–3.0万/月)

成长发展

86较高

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。

技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、LLM、Prompt Engineering、LangChain、Llama Index、Pandas、Scikit-learn、vLLM、Ollama、TGI、RAG、Agent、量化、蒸馏
成长机会continuing education、internal and external training、持续教育需求、内部及外部培训
业务类型ambiguous

工作生活

45较低

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。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

70中等

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。

行业发展稳定成熟行业
社会影响中性/一般
使命信号automotive innovations、products that enhance your driving experience、汽车创新、提升驾驶体验
创新程度积极采用新技术
Watch Jobs