德科斯米尔
Industrial Engineering ES
Industrial Engineering ES
发布于 大约 15 小时前普通员工/个人贡献者
沈阳市
中级经验
全职员工
仅现场办公
本科
机器学习工程
Pytorch
Rag
Scikit-Learn
Tensorflow
大语言模型
机器学习
深度学习
自然语言处理
AI 估算 · 20k–35k
沈阳外企AI算法岗，3年经验市场价位中等偏上，技术栈前沿，提供一定竞争力薪资。
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，涵盖数据挖掘、特征工程、模型训练与优化，并推动LLM在对话系统、知识图谱等场景的企业级落地
适合具备扎实数学基础、精通Python及深度学习框架、有3年以上AI算法经验的求职者
你将参与从算法研究到生产部署的全流程，并有机会探索Prompt Engineering、RAG等前沿技术
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、数学等相关专业
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
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AI技术（大模型、RAG、Agent），积累宝贵经验
- 外企环境，工作流程规范，有国际视野和交流机会
- 职位涉及从研究到落地的完整链条，技术成长全面
- 大模型领域技术迭代快，需持续学习保持竞争力
- 算法落地涉及数据、工程等多环节，需要较强的解决复杂问题能力
- 适合有扎实算法基础、对AI和大模型充满热情、喜欢独立攻克技术难题的工程师
缺点 / 挑战
- 可能面临从0到1的项目开发压力，要求独立推动能力
角色解读
- 可向高级算法专家或技术负责人发展，主导核心算法方向
- 横向扩展至AI架构师或MLOps工程师，负责大规模系统设计
- 纵向深耕大模型领域，成为LLM应用专家
- 设计并实现机器学习/深度学习算法模型，针对业务场景定制AI解决方案
- 负责大语言模型（LLM）的微调、RAG、Agent等应用开发，推动落地
- 管理模型全生命周期，包括训练、优化、部署和监控
- 参与内部技术培训与流程优化，跟踪AI前沿趋势
- 扎实的数学基础（线性代数、概率统计、优化理论）
- 精通Python，熟练使用深度学习框架（TensorFlow/PyTorch）
- 熟悉LLM相关技术栈（LangChain、RAG、Prompt Engineering）
- 具备3年以上AI项目经验，有独立主导项目的能力
申请策略
- 提前了解DRAEXLMAIER的业务（汽车线束/内饰），思考AI如何赋能传统制造
- 准备好用英文进行技术面试，该职位要求英语作为工作语言
- 突出AI项目经验，强调独立主导或核心参与的角色及成果
- 展示LLM相关项目（如对话系统、RAG应用）的技术细节和效果
- 列出掌握的框架和工具（Python、PyTorch、LangChain等），并说明熟练程度
- 如果缺乏LLM实践经验，可先通过开源项目（如LangChain文档）构建Demo
- 加强模型轻量化技术（量化、蒸馏）和推理加速（vLLM）的知识储备
面试指南
- 采用STAR法则描述项目：情境、任务、行动、结果，重点突出个人贡献和技术难点解决
- 对比RAG和微调时，从成本、数据需求、更新频率等维度分析，并举例说明
- 回答推理优化时，列举具体框架（vLLM、TGI）和技术（量化、蒸馏），说明权衡
- 请介绍一个你主导的AI项目，包括目标、方法、挑战和最终效果
- 你对大语言模型的RAG和微调有什么理解？请对比它们的适用场景
- 如何优化LLM推理的延迟和吞吐量？你用过哪些技术？
- 请解释Transformer中的自注意力机制及其计算复杂度
- 数学题：给定一个数据集，如何进行特征选择和降维？
职位点评
72
综合评分
技术前沿、外企平台、工作稳定，但WLB未明确，需接受现场办公。
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。
更适合这类人
适合追求技术成长、愿意投入时间学习前沿AI的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展95
工作生活50
使命价值65
薪资福利
70中等
薪资在沈阳属于中高水平，外企福利较完善，但JD未明确薪资和具体福利。
薪资信号未披露（AI估算：20K-35K/月）
成长发展
95较高
职位涉及大模型等前沿技术，提供完整项目周期经验，技术成长空间大。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、大语言模型、LangChain、RAG
成长机会内部培训、外部培训
业务类型profit_center
工作生活
50较低
仅现场办公，地点在沈阳（非一线城市通勤压力较小），但JD未提弹性或WLB。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
65中等
汽车零部件行业稳定，AI赋能传统制造有一定社会价值，但直接社会影响力一般。
行业发展稳定成熟行业
社会影响中性/一般
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