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
跨国车企平台、前沿大模型技术栈、技术成长空间大，但薪资受地域限制且WLB未明确。
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
2.8万
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
70 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
该职位主要负责机器学习、深度学习及大语言模型（LLM）的算法设计与开发，推动AI技术在企业级业务场景的落地
你需要独立完成从数据挖掘、模型训练到推理优化的全生命周期管理，并探索RAG、Agent等前沿大模型应用
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
- 接触前沿大模型技术（LLM、RAG、Agent），技术栈新且极具市场竞争力
- 跨国汽车零部件巨头平台，业务场景丰富，有利于AI技术在实体制造业的落地验证
- 英语作为工作语言，有助于提升国际化视野和跨文化协作能力
- 大模型技术迭代极快，需要保持高强度的持续学习以跟进最新技术趋势
- 适合具备3年左右AI/大模型开发经验，渴望在实体制造业场景推动AI技术落地，且具备良好英语能力的算法工程师
缺点 / 挑战
- 传统制造业的AI落地可能面临数据质量、业务理解及基础设施等挑战，需要较强的业务抽象能力
角色解读
- 从AI算法工程师向大模型架构师或AI技术专家方向发展，深耕垂直领域大模型落地
- 积累企业级AI系统设计与项目管理经验，未来可转型为AI团队技术负责人或AI产品经理
- 负责机器学习、深度学习及NLP算法的设计与开发，构建定制化AI解决方案
- 主导大语言模型（LLM）在企业级场景的落地，包括RAG、Agent、对话系统等应用
- 管理AI模型的全生命周期，从数据挖掘、训练调优到推理部署与性能优化
- 扎实的数学基础与精通Python编程，熟练使用PyTorch/TensorFlow等深度学习框架
- 具备大模型应用开发经验，熟悉LangChain、vLLM等工具及模型轻量化技术
- 良好的英语沟通能力，能作为工作语言进行跨国协作与技术交流
申请策略
- 在面试中准备1-2个将大模型技术成功应用于实际业务场景的完整案例，重点讲述遇到的困难及解决方案
- 提前了解德科斯米尔的产品线（线束、内饰）及数字化转型战略，展现对公司业务的兴趣
- 突出大模型（LLM）相关项目经验，特别是RAG、Agent、微调及推理优化的实际落地成果
- 强调独立主导AI项目的全生命周期管理能力，以及使用LangChain、vLLM等工具链的熟练度
- 展示英语工作能力及跨国团队协作经验，体现良好的沟通与文档编制能力
- 深入学习大模型推理加速技术（如vLLM、量化、蒸馏）及企业级AI应用架构设计
- 了解汽车制造或线束/内饰行业的业务逻辑，提升将AI技术与具体工业场景结合的能力
面试指南
- STAR法则：针对项目经验问题，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答，突出个人贡献与业务价值
- 技术深度+业务广度：针对技术问题，先阐述底层原理，再结合具体业务场景说明技术选型的考量及优化效果
- 请详细介绍一个你独立主导的大模型应用项目，包括架构设计、技术选型及最终业务收益
- 在优化LLM推理流程时，你使用了哪些框架和技术（如vLLM、量化）？如何平衡延迟与吞吐量？
- 如何构建高质量的微调数据集？在RAG系统中，你是如何优化检索准确率和生成质量的？
- 在跨国团队或英语工作环境中，你如何克服沟通障碍并确保技术方案的准确传达？
- 复习大模型核心技术原理（如Transformer、Attention、RAG机制），并准备相关代码或架构设计的白板推演
- 了解当前LLM领域的最新开源工具（如LlamaIndex最新特性、vLLM优化技巧），展现技术敏锐度
职位点评
薪资福利70
成长发展85
工作生活65
使命价值70
薪资福利
70中等
沈阳地区AI算法岗位薪资处于当地中上水平，跨国企业福利体系相对规范，但整体薪资上限不及一线城市。
薪资信号未披露（AI估算：2千–3.5万/月）
成长发展
85较高
岗位深度涉及LLM、RAG、Agent等前沿大模型技术，技术栈非常新，且提供内部培训与跨国交流机会，技术成长空间广阔。
技术前沿前沿/新兴技术
技术栈LLM、NLP、LangChain、LlamaIndex、vLLM、RAG、Agent、PyTorch、TensorFlow
成长机会持续教育、内部及外部培训
业务类型ambiguous
工作生活
65中等
跨国制造企业通常工作节奏相对规范，但JD未明确说明WLB政策，且大模型研发可能面临项目交付压力。
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
70中等
推动汽车行业的智能化与创新，将前沿AI技术应用于实体制造业，具有一定的产业价值与社会意义。
行业发展稳定成熟行业
社会影响中性/一般
使命信号汽车创新、提升驾驶体验
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