德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公NLP工程
NLP工程
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
Vllm
数据挖掘
值不值得投
75综合评分
综合评分 75
传统汽车零部件巨头的大模型算法岗，技术栈前沿、成长空间大，薪资具竞争力但WLB未明确。
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
2.8万
比NLP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
职位详情
关于这个职位
该职位负责机器学习、深度学习及自然语言处理领域的算法设计与开发，重点探索大语言模型（LLM）在企业级场景的落地应用
你需要独立完成从数据挖掘、模型训练到部署的全生命周期管理，并优化推理流程以提升模型性能
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
- 能够深入接触大模型前沿技术（LLM、RAG、Agent），技术栈非常现代且全面
- 跨国企业平台，英语工作环境有助于提升国际化视野和沟通能力
- 大模型技术迭代极快，需要持续学习以保持技术领先
- 适合有3年以上AI算法经验，对大模型应用落地有热情，且具备良好英语沟通能力的技术人才
缺点 / 挑战
- 传统汽车零部件企业转型AI，可能面临业务场景落地难、算力资源或数据质量等挑战
角色解读
- 可从AI算法工程师向资深算法专家或AI技术负责人发展
- 未来可主导企业级大模型应用架构设计或转型为AI产品经理
- 负责机器学习、深度学习及NLP领域的算法设计与开发，重点探索大语言模型（LLM）在企业级场景的落地
- 独立完成从数据挖掘、模型训练到部署的全生命周期管理，并优化推理流程以提升模型性能
- 需要扎实的数学基础和精通Python，熟练掌握PyTorch/TensorFlow等深度学习框架
- 具备大模型微调、RAG、Agent开发及推理优化（如vLLM、量化蒸馏）的实战经验
申请策略
- 准备一份英文简历，并准备用英语进行技术面试
- 了解汽车制造或零部件行业的业务痛点，思考AI如何赋能传统制造业
- 重点突出大模型（LLM）落地经验，如RAG、Agent、微调及推理优化项目
- 展示独立主导的AI项目成果，强调模型性能提升的具体指标
- 深入学习LangChain、LlamaIndex等框架，掌握vLLM等推理加速工具及模型量化、蒸馏技术
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经验，重点突出技术选型理由、解决难点的过程以及量化的业务收益
- 请介绍一个你独立主导的大模型落地项目，遇到了哪些挑战及如何解决？
- 在优化LLM推理流程时，你使用了哪些框架和技术？效果如何？
- 如何构建高质量的微调数据集？请分享你的数据处理和特征工程经验
- 在RAG或Agent应用中，如何解决幻觉问题或提升检索准确率？
- 复习大模型核心原理（如Transformer、Attention机制），熟悉主流开源模型及微调方法（LoRA、P-Tuning）
- 准备几个用英语解答的技术问题，以应对全英文或半英文面试环境
职位点评
薪资福利75
成长发展85
工作生活65
使命价值70
薪资福利
75中等
外企背景且要求3年大模型经验，薪资在沈阳地区具有较强竞争力，但传统制造业的薪资上限可能不及纯互联网企业。
薪资信号未披露（AI估算：2千–3.5万/月）
成长发展
85较高
岗位涉及LLM、RAG、Agent等前沿技术，且要求参与内部培训和标准制定，技术成长空间大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、NLP、LangChain、LlamaIndex、vLLM、RAG、Agent
成长机会规划并实施复杂主题的内部及外部培训、识别公司内部本领域持续教育需求
业务类型ambiguous
工作生活
65中等
外企通常注重工作生活平衡，但JD未明确说明工作模式，且大模型研发可能面临项目交付压力。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
推动大模型技术在传统汽车制造业的落地，具有一定的产业数字化转型意义，但社会直接影响力有限。
行业发展稳定成熟行业
社会影响中性/一般
使命信号enhance your driving experience
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