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
全职员工仅现场办公人工智能
人工智能
Llm
Nlp
Prompt Engineering
Pytorch
Rag
Tensorflow
大语言模型
机器学习
深度学习
值不值得投
62综合评分
综合评分 62
技术栈前沿的AI落地岗，薪资有竞争力，但岗位命名易混淆，工作生活平衡信号不足。
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
20K
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 170 个在招 · 其中人工智能 3 个
市场机会
选择不多
沈阳 · 人工智能 · 3 个在招
职位详情
关于这个职位
该职位为德科斯米尔沈阳公司招聘的AI算法工程师
核心职责是负责机器学习、深度学习及大语言模型（LLM）的算法设计与开发，将AI技术应用于汽车零部件制造等具体业务场景中，从算法设计、模型训练、部署到优化，参与完整的AI项目生命周期
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，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、Llama Index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
- 技术栈前沿，直接接触并应用LLM、RAG等当前最热门的AI技术，并推动其在传统制造业场景落地
- 作为跨国企业的正式员工，能接触国际化的工作标准和项目流程，有利于职业规范化的培养
- 岗位职责全面，覆盖算法研发全生命周期，技术成长路径清晰
- 汽车产业转型（智能化）为AI技术提供了稳定且广阔的应用场景
- 职位标题（工业工程）与实际工作内容（AI算法）存在显著偏差，可能增加初期理解成本和沟通中的预期管理难度
- 作为技术岗，在跨国公司体系内需要适应跨文化协作和内部流程
- 将前沿AI技术在具体工业场景中落地，需要解决大量工程化和适配性问题，对综合能力要求高
- 适合具备扎实AI算法基础、对大模型技术有热情、并乐于将技术应用于具体产业场景解决实际问题的工程师
- 期望在稳定平台内深入钻研技术、同时具备一定项目协调和流程优化意识的候选人尤为匹配
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术路径：可深耕垂直领域的AI算法专家、大模型架构师或技术负责人
- 管理路径：鉴于职责中包含子项目管理、流程优化和培训，可向技术项目经理、研发团队负责人发展
- 行业路径：在汽车智能制造领域积累深厚的AI应用经验，成为该领域的复合型人才
- 你将作为AI算法工程师，核心工作是设计和开发用于汽车制造场景的AI解决方案
- 具体包括：从数据处理、特征工程、模型训练到大语言模型（LLM）的应用开发与部署，负责算法从概念到生产落地的全过程，并参与相关项目和标准流程的建设
- 需要扎实的数学基础（线代、概率统计）和至少3年的AI算法研发经验
- 必须精通Python，熟练使用主流深度学习框架（如PyTorch/TensorFlow）和数据处理工具
- 对于大模型技术（LLM、RAG、Prompt Engineering）和模型优化（量化、蒸馏）有实际项目经验
- 英语工作能力是必备项
申请策略
- 鉴于职位描述存在中英文及标题内容不匹配的情况，建议在申请或面试时，就该岗位的实际团队定位和具体工作内容与HR或技术负责人进行澄清
- 研究德科斯米尔的主营业务（线束、内饰）及其智能化趋势，在面试中展现你对将AI应用于该行业的思考和兴趣
- 重点突出与LLM、机器学习算法相关的项目经历，具体描述在项目中承担的角色、使用的技术（如PyTorch, LangChain）以及量化的成果（如模型性能提升指标）
- 明确列出所掌握的技术栈，如Python、深度学习框架、大模型工具链（vLLM, Ollama等），并区分熟练程度
- 强调独立主导或完整参与AI项目从设计到部署的全流程经验，展示工程化落地能力
- 如有汽车、制造等垂直行业背景或对工业数据处理有经验，应单独强调
- 深入了解大模型应用领域的最新技术，如更高效的RAG架构、Agent设计模式等，并尝试在个人项目中实践
- 学习并实践模型优化技术，特别是针对边缘或生产环境部署的量化、蒸馏方法，并了解vLLM等推理框架的深入使用
面试指南
- 对于项目经验问题，使用STAR法则（情境、任务、行动、结果）结构化回答，突出个人贡献和技术决策
- 对于技术应用问题，遵循“业务痛点分析 -> 技术方案设计（模型选择、数据流、工具链） -> 实施与验证 -> 效果评估与迭代”的逻辑进行阐述
- 对于综合问题（如项目管理），结合技术细节，强调你的系统思维、沟通协调能力和对目标的把控
- 请介绍一个你独立负责的AI算法项目，从问题定义到模型上线的完整过程
- 你如何将一个大语言模型（如LLM）应用到一个具体的业务场景中？请描述你的技术选型和实施路径
- 在模型部署到生产环境后，你通常会采取哪些措施来监控性能并进行优化？
- 你对RAG（检索增强生成）技术如何理解？它在企业级应用中有何优势与挑战？
- 如果你负责一个涉及多部门协作的AI子项目，你会如何管理进度和沟通？
职位点评
薪资福利70
成长发展65
工作生活45
使命价值60
薪资福利
70中等
作为跨国企业的AI算法岗位，在沈阳地区薪资估计具有市场竞争力，但JD未披露具体福利细节，稳定性依赖于公司整体经营状况。
薪资信号未披露（AI估算：15K-25K/月）
成长发展
65中等
岗位涉及前沿的LLM和AI技术，技术栈先进，有项目全周期管理机会。但职位描述标题与内容错位，且未提及明确的培训或晋升通道。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、NLP、LLM、RAG、LangChain、vLLM、PyTorch、TensorFlow、Python
业务类型ambiguous
工作生活
45较低
工作地点为沈阳，属于二线城市，生活成本相对较低。但JD未提及任何办公模式或WLB信息，作为传统制造业的跨国企业，现场办公的可能性极高。
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
60中等
汽车制造是稳定的重要产业，AI技术赋能制造业有明确的社会价值。但岗位描述未突出使命感或社会影响，创新性更多体现在技术应用而非行业开创。
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