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
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
Vllm
机器学习
值不值得投
73综合评分
综合评分 73
制造业AI算法岗，技术栈前沿且成长空间大，薪资稳定但WLB未明确，适合追求技术落地的实干派。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
2万
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
53 个在招 · 其中机器学习工程 3 个
市场机会
选择不多
沈阳 · 机器学习工程 · 3 个在招
职位详情
关于这个职位
该职位负责机器学习、深度学习及大语言模型（LLM）的算法设计与开发，构建面向业务场景的定制化AI解决方案
你需要独立完成数据挖掘、模型训练与调优，并推动大模型技术在企业级场景的落地，管理AI模型的全生命周期
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，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
- 处于大模型与AI技术落地的核心位置，能接触到LLM、RAG、Agent等前沿技术，技术栈非常现代
- 依托丰富的业务场景，AI解决方案有广阔的应用空间和落地价值
- 职位标题（Industrial Engineering）与实际内容（AI算法）存在差异，需适应跨部门沟通与概念性/工程性并重的复杂工作模式
- 适合具备3年以上AI/大模型开发经验，渴望在实体制造业推动AI技术落地，且具备良好英语沟通能力的技术人才
缺点 / 挑战
- 大模型在企业级场景的落地往往面临算力、数据质量及业务适配等多重工程挑战
角色解读
- 从AI算法工程师向大模型技术专家或AI架构师发展，也可向AI团队技术管理方向转型
- 在制造业的数字化转型中，有机会主导企业级AI战略落地，成为业务与技术的桥梁
- 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，构建定制化AI解决方案
- 独立完成数据挖掘、模型训练与调优，推动大模型在企业级场景（如对话系统、知识图谱）的落地
- 管理AI模型从训练到部署的全生命周期，并参与内部标准制定与跨部门协作
- 扎实的数学基础与精通Python编程，熟练掌握PyTorch/TensorFlow等深度学习框架
- 具备大模型应用开发经验，熟悉LangChain、RAG、Prompt Engineering及模型轻量化（量化、蒸馏）技术
- 英语可作为工作语言，具备独立主导AI项目落地的能力
申请策略
- 注意职位标题与内容的差异，在求职信或面试中主动澄清自己对AI算法及大模型开发的热情与匹配度
- 准备好英语面试，因为该岗位要求英语作为工作语言
- 重点突出大模型（LLM）应用开发经验，如RAG、Agent、Prompt Engineering及模型微调（Fine-tuning）的实际落地案例
- 展示独立主导的AI项目成果，强调模型在准确率、实时性及吞吐量上的优化数据
- 深入学习vLLM、Ollama等推理框架及模型量化/蒸馏技术，提升大模型部署与性能优化能力
- 了解汽车制造或线束/内饰行业的业务逻辑，以便更好地将AI技术与具体业务场景结合
面试指南
- 采用STAR法则（情境、任务、行动、结果）回答项目经验，重点突出技术选型、难点攻克和最终的业务收益（如延迟降低、准确率提升）
- 对于跨领域问题，强调技术赋能业务的思维，将AI能力与工业场景的痛点（如效率、质量、成本）结合
- 请详细介绍你主导过的一个LLM应用落地项目，遇到了哪些挑战，如何解决的？
- 在优化LLM推理流程时，你是如何使用vLLM或量化技术的？效果如何？
- 如何构建高质量的微调数据集？在RAG系统中如何优化检索效果？
- 职位标题是Industrial Engineering，你如何理解AI算法在工业工程或汽车制造场景中的应用？
- 复习大模型核心技术（Transformer、Attention、RAG原理、微调方法如LoRA），并准备1-2个完整的代码或架构设计案例
- 了解德科斯米尔的主营业务（汽车线束与内饰），思考AI如何赋能其生产或管理流程
职位点评
薪资福利70
成长发展85
工作生活60
使命价值75
薪资福利
70中等
该岗位提供相对稳定的薪资福利，沈阳地区3年AI算法经验薪资处于市场中上水平，但传统制造业的薪资上限通常不及纯互联网行业。
薪资信号未披露（AI估算：1.5千–2.5万/月）
成长发展
85较高
岗位涉及LLM、RAG、Agent等前沿AI技术，且要求推动大模型在企业级场景落地，技术成长空间大，能积累丰富的工业AI落地经验。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、NLP、LangChain、RAG、vLLM、Prompt Engineering
成长机会持续教育需求、内部及外部培训
业务类型ambiguous
工作生活
60中等
该岗位通常工作节奏相对规律，但JD未明确提及WLB政策，且大模型开发及项目落地可能面临一定的交付压力。
工作模式未明确
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
75中等
推动AI技术在传统汽车制造业的落地，有助于行业数字化转型，具有一定的社会与产业价值，但并非直接面向消费者的社会公益类项目。
行业发展稳定成熟行业
社会影响中性/一般
使命信号提升驾驶体验、汽车创新
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