吉利汽车
Prompt工程师
Prompt工程师
发布于 3 天前普通员工/个人贡献者
AI 估算 · 20k–40k · AI 参考估算
中国
高级经验
硕士
全职员工仅现场办公机器学习工程
机器学习工程
Prompt工程
Pytorch
Tensorflow
大模型
机器学习
深度学习
特征工程
电池技术
算法开发
值不值得投
73综合评分
综合评分 73
技术驱动、前沿探索型岗位，在新能源汽车赛道深耕AI算法，发展性强，但WLB信息不明。
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
30K
比机器学习工程中位数低
发布情况
新岗位 · 2 天前发布
公司情况
这家公司招聘很活跃
约 2000 个在招 · 其中机器学习工程 6 个
市场机会
选择面较广
机器学习工程 · 约 960 个在招
职位详情
关于这个职位
这是一个专注于利用算法和AI技术解决新能源汽车核心问题的研发岗位
你需要运用统计分析、机器学习和深度学习技术，构建电池故障诊断与寿命预测模型
同时，你将负责跟踪大模型等前沿技术，并将其与业务场景结合，推动技术方案的落地实现，以提升产品的智能化水平和安全性
最低要求
硕士及以上学历,计算机、统计、数学、车辆工程、控制工程等相关专业;
对统计分析、机器学习、深度学习原理有扎实的理论基础;
熟悉机器学习常用模型,熟练使用sklearn、xgboost、lightgbm等进行建模分析,至少熟悉一项深度学习框架(Tensorflow、Pytorch、Caffa等)
熟悉大模型的运行原理、有实际使用chatGPT/LLAMA/Qwen等主流大模型的经验,熟悉向量检索、以及模型微调、RAG,prompt工程相关技术,了解Agent使能的大模型应用落地方案;
逻辑思维能力强,具备良好建模思维能力,能够快速将业务场景进行模型任务分解
编程基础扎实,有良好的的模型开发以及软件工程化思维,具有良好的分析和解决问题的能力
具有良好的沟通和协作能力,有责任心,善于分析问题,主动找到解决方案,推进项目进展
工作职责
理解新能源三电业务场景,结合电池机理模型原理,负责利用统计分析、机器学习、深度学习算法,构建特征参数,进行电池故障诊断、老化及寿命预测、热失控相关模型开发;
负责了解三电领域云端监控算法相关技术,并持续关注行业最新技术发展动态;
负责了解并追踪大模型相关技术,并结合业务场景进行应用方案转化以及落地实现;
负责云端大数据平台模型的算法设计、开发、技术文档编写,以及持续的优化选代
AI 洞察
优缺点分析
优点
- 身处新能源与AI两大技术浪潮的交汇点，能接触并解决行业前沿且核心的技术难题
- 在大型车企的平台上工作，能接触到海量真实业务数据和场景，技术方案的落地价值直接可见
- 岗位要求结合了经典机器学习与最新大模型技术，有助于构建全面且先进的技能树
- 需要同时具备深厚的AI算法功底和对汽车/电池特定领域的理解，跨领域知识学习曲线较陡峭
- 作为技术应用岗，需要不断平衡算法模型的先进性、业务需求的时效性与工程实现的稳定性
- 技术更新迭代快，需要持续投入精力学习大模型等新方向，保持自身技术竞争力
- 适合拥有扎实机器学习背景、对新能源汽车技术有浓厚兴趣，并乐于将前沿AI技术应用于解决具体工业问题的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路径：深耕电池AI算法或大模型应用领域，成为该方向的资深专家或架构师
- 管理路径：在承担核心算法开发的同时，逐步带领小团队，向技术负责人或算法团队经理发展
- 业务融合路径：更深入地理解电池与汽车业务，成为懂技术、懂业务的复合型人才，参与产品定义与技术战略
- 针对新能源汽车的‘三电’系统（尤其是电池），运用统计和机器学习算法，开发故障诊断、寿命预测和热失控预警等模型
- 研究并跟踪大语言模型（如LLaMA, Qwen）等前沿AI技术，探索如何将其应用于电池监控、智能运维等具体业务场景，并推动技术方案落地
- 负责云端大数据平台上相关算法的开发、优化和技术文档编写，确保算法模型的工程化交付和持续迭代
- 扎实的机器学习与深度学习理论基础，能熟练运用scikit-learn、XGBoost等工具进行建模
- 精通至少一种主流深度学习框架（如PyTorch或TensorFlow），并具备大模型（如ChatGPT, LLaMA）的实际应用经验，了解RAG、微调等技术
- 优秀的逻辑分析与建模思维，能够将复杂的业务问题（如电池老化）抽象为可计算的模型任务
- 良好的工程化能力与沟通协作能力，能编写高质量代码和技术文档，并推动项目落地
申请策略
- 研究吉利汽车在新能源和智能化方面的技术布局与产品，面试时能结合公司战略谈论技术应用
- 准备一个能体现你‘将业务场景进行模型任务分解’能力的案例，清晰阐述从问题定义到方案实现的思考过程
- 重点突出在机器学习/深度学习建模项目上的经历，尤其是有实际数据处理、模型训练与评估的完整经验
- 如有大模型（如ChatGPT, LLaMA）的应用、微调或相关研究项目，务必详细描述，这是该岗位的关键加分项
- 展示与数据分析、特征工程相关的项目经验，体现将业务问题转化为模型任务的能力
- 补充学习电池基础知识（如电化学原理、BMS系统）和新能源汽车行业常用术语，增强业务理解力
- 系统学习大模型生态技术栈，包括向量数据库（用于RAG）、主流微调框架（如LoRA）以及Agent开发模式
面试指南
- 使用STAR法则（情境、任务、行动、结果）来结构化地描述项目经验，突出你的思考和技术选型依据
- 回答技术问题时，先阐述原理，再结合具体场景给出方案，最后说明可能的优化方向或权衡
- 对于开放性问题（如应用前景），采用‘优势-挑战-建议’的框架进行分析，展现全面的思考
- 请介绍一个你过去做过的机器学习/深度学习项目，重点说明你是如何理解业务问题并将其转化为模型任务的？
- 你如何看待大模型在工业制造（如汽车电池监控）领域的应用前景？可能面临哪些挑战？
- 针对电池寿命预测这个场景，如果让你来设计模型，你会考虑哪些关键特征？使用什么类型的模型？为什么？
- 你熟悉RAG（检索增强生成）技术吗？它在解决大模型的什么问题？如果应用于企业内部知识库，你会如何设计？
- 在模型开发中，你如何平衡模型性能（如准确率）与工程部署的复杂度、实时性要求？
职位点评
薪资福利75
成长发展90
工作生活40
使命价值85
薪资福利
75中等
岗位对高级人才有需求，但JD未明确提及薪资与具体福利，其竞争力取决于公司整体的薪酬体系。
薪资信号未披露（AI估算：20K-40K/月）
成长发展
90较高
该职位处于AI与新能源汽车结合的技术前沿，要求掌握从经典机器学习到大模型的最新技术栈，技能成长空间和深度都非常可观。
技术前沿前沿/新兴技术
技术栈机器学习、深度学习、TensorFlow、PyTorch、大模型、LLAMA、RAG、Prompt工程、Agent
业务类型profit_center
工作生活
40较低
JD未提供任何关于工作时间、办公地点灵活性或工作生活平衡的信息，无法判断。
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
85较高
工作直接服务于新能源汽车这一高速增长的赛道，通过算法提升电池安全与性能，具有明确的社会价值和技术创新意义。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs