DRAXLMAIER logo
德科斯米尔
Industrial Engineering ES

Industrial Engineering ES

发布于 36 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
Llm
Mindspore
Nlp
Pytorch
Scikit-Learn
Tensorflow
Vllm

值不值得投

69综合评分

综合评分 69

沈阳全职AI算法岗,聚焦大模型与智能制造落地,技术成长强,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

与AI算法中位数基本持平

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 310 个在招 · 其中AI算法 17 个

市场机会

选择适中

沈阳 · AI算法 · 17 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算法与大模型应用开发,包括机器学习、深度学习、NLP、LLM落地、RAG与Agent适配等

你将参与从数据挖掘、模型训练调优到部署上线的全流程,并推动企业级AI解决方案在业务场景中应用

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

Objective of Job

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
Principle Activities
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、深度学习和LLM应用全链路,技术内容完整,有利于积累企业级AI落地经验
  • 涉及大模型微调、RAG、Agent、推理优化和模型轻量化,技术方向较新,成长空间较大
  • 汽车零部件制造场景明确,能将算法能力与真实业务问题结合,增强行业解决方案经验
  • 需要参与内部培训、文档和标准流程优化,有机会提升跨部门沟通与技术影响力
  • 英语可作为工作语言,且涉及国内与国际培训协作,对沟通表达能力有一定要求
  • 适合有三年以上AI算法或大模型应用经验,希望从模型开发走向企业级落地,并愿意在汽车制造场景中深耕的工程师

缺点 / 挑战

  • JD同时要求传统机器学习、深度学习、大模型应用、推理优化和工程落地,技术覆盖面较广,准备成本较高
  • 需要独立主导或完整参与至少两个AI项目,对候选人的实战落地经历要求较高

角色解读

  • 可向高级AI算法工程师或大模型应用专家发展,深耕模型训练、推理优化、RAG和Agent等方向
  • 可逐步承担子项目管理、内部技术联络和培训职责,向技术负责人或AI应用架构师方向成长
  • 结合汽车制造场景,也可发展为懂生产工艺与智能制造的垂直行业AI专家
  • 负责机器学习、深度学习和NLP算法设计开发,围绕汽车零部件制造与业务场景构建定制化AI解决方案
  • 开展数据挖掘、特征工程、模型训练与调优,提升模型准确率、泛化能力和实时响应表现
  • 探索LLM在对话系统、知识图谱、内容生成、智能推荐等场景的落地,并参与继续预训练、微调、RAG和Agent适配
  • 负责模型从训练、调参、测试到部署的全生命周期管理,同时参与内部标准流程优化、文档编制和跨部门协作
  • 需要具备扎实的数学基础,包括线性代数、概率统计和最优化理论,能够支撑算法建模与模型优化
  • 需要精通Python,熟悉Pandas、Scikit-learn等数据处理工具,并能使用TensorFlow、PyTorch或MindSpore至少一种深度学习框架
  • 需要掌握LLM应用开发相关能力,包括Prompt Engineering、LangChain、LlamaIndex、RAG、Agent、微调和领域适配
  • 需要了解vLLM、Ollama、TGI等推理框架,以及量化、蒸馏等模型轻量化技术,并具备英语工作能力

申请策略

  • 申请前了解德科斯米尔在汽车线束和车内饰领域的业务特点,准备将AI技术与制造、质量、工艺场景结合的示例
  • 面试中强调结果导向和落地能力,说明如何平衡模型效果、实时性、稳定性和生产环境约束
  • 重点突出AI算法研发或大模型应用项目经历,尤其是从需求分析、数据处理、模型训练到部署上线的完整闭环
  • 明确写出使用的技术栈,如Python、Pandas、Scikit-learn、PyTorch、TensorFlow、LangChain、LlamaIndex、vLLM等
  • 量化展示模型效果,例如准确率提升、延迟降低、吞吐量提升、召回改善或业务效率提升
  • 补充英语协作、内部培训、技术文档、跨部门项目协调或标准流程优化经历
  • 提前准备LLM应用开发案例,重点熟悉RAG、Agent、Prompt Engineering和微调流程
  • 补充模型推理优化知识,包括vLLM、Ollama、TGI、量化、蒸馏和服务性能评估方法

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成果
  • 技术类问题采用“问题定义—可选方案—取舍理由—实施细节—效果验证”的思路,体现工程判断力
  • 协作类问题采用“对象—冲突点—沟通动作—推进机制—最终结果”的框架,展示跨部门和英语沟通能力
  • 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、RAG、Agent、知识库和工具调用的设计思路
  • 你如何进行数据清洗、特征工程和训练数据集构建,尤其是用于LLM微调的结构化数据?
  • 如何优化大模型推理性能,降低延迟并提高吞吐量?你使用过哪些框架或轻量化方法?
  • 在英语工作环境中,你如何与内部团队或海外同事协作推进复杂技术问题?

职位点评

薪资福利68
成长发展86
工作生活45
使命价值72

薪资福利

68中等

JD未披露薪资与福利信息,无法判断薪酬竞争力;岗位要求三年以上经验且技术范围较广,通常对中高级算法人才有一定吸引力,但稳定性与福利信号不足。

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,技术成长空间明显;同时包含培训、文档和标准流程优化,有利于提升综合技术影响力。

技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、LLM、LangChain、Llama Index、Prompt Engineering、RAG、Agent、vLLM、Ollama、TGI、量化、蒸馏、Pandas、Scikit-learn、TensorFlow、PyTorch、MindSpore
成长机会持续教育、内部及外部培训、复杂主题的内部及外部培训
业务类型ambiguous

工作生活

45较低

JD仅说明Location为Shenyang和全职,没有明确远程、混合办公、弹性工时或加班信息,因此生活化动机满足程度难以判断。

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

72中等

岗位服务于汽车创新、生产工艺优化和企业级AI应用落地,技术应用场景清晰;但JD未直接表达社会价值或使命导向,意义感主要来自技术落地和制造场景改进。

行业发展新兴领域(暂难判断)
社会影响中性/一般
使命信号automotive innovations、products that enhance your driving experience、contribute their knowledge, skills and automotive passion toward this goal
创新程度积极采用新技术
Watch Jobs