行业大模型研发主任工程师

优缺点分析

角色解读

• 在技术专家路线上，可成长为能源AI领域的首席科学家或技术总监，主导公司级AI战略
• 在管理路线上，可发展为AI研发中心负责人或技术副总裁，负责更大规模的技术团队与业务线
• 随着能源行业智能化转型加速，该岗位经验可向其他工业AI领域拓展，职业前景广阔
• 负责能源垂直大模型从训练、微调到推理、部署的完整技术体系架构设计与技术选型，是技术方向的总负责人
• 带领模型研发团队，主导能源大模型、行业微调、量化加速、推理优化等核心技术攻关，解决技术难题
• 制定模型研发规范、训练流程、评估标准与部署规范，并搭建模型资产库和版本管理体系，确保研发流程标准化
• 与数据、产品、业务团队紧密协作，统筹模型迭代计划，确保模型效果持续提升并高效落地到具体业务场景
• 精通大模型微调、预训练、量化、推理加速、模型部署等全链路技术，具备扎实的深度学习理论基础
• 熟悉能源时序预测、能耗建模等能源领域技术，能将AI技术与能源业务场景深度结合
• 具备大型技术架构设计能力，能够从0到1搭建垂直大模型技术体系，并解决复杂技术问题
• 拥有团队技术管理、项目统筹与迭代规划能力，能够平衡技术创新与业务落地的节奏

申请策略

• 在申请时，可主动了解宁德时代在能源AI方面的战略布局，并在面试中展现对能源行业智能化转型的理解
• 准备一个完整的技术架构设计案例，展示从需求分析到技术选型再到落地的全流程能力
• 突出大模型全链路研发经验，特别是微调、量化、推理加速、部署等方向的落地项目
• 强调团队管理经验，包括团队规模、技术方向决策、项目统筹与迭代规划
• 重点展示能源、电力、时序预测等垂直领域的项目成果，体现行业理解力
• 量化展示技术成果，如模型性能提升、推理速度优化、业务落地效果等
• 深入学习能源行业知识，如电力系统、储能技术、能耗管理等，增强行业洞察力
• 关注大模型前沿技术，如MoE架构、长上下文、RAG、模型量化等，保持技术领先

面试指南

• 回答项目经验时，采用STAR法则，突出技术难点、个人贡献、团队协作和量化成果
• 回答技术方案问题时，先明确问题边界，再给出技术选型对比，最后说明落地效果和优化方向
• 回答管理问题时，强调目标对齐、流程规范、人才梯队建设和跨团队协作
• 请介绍一个你主导的大模型项目，从技术选型、架构设计到落地部署的完整过程
• 在能源时序预测场景中，如何解决模型精度不足和推理速度慢的问题？
• 作为技术负责人，如何平衡技术创新与业务交付的压力？
• 你如何搭建和管理一个高效的模型研发团队？
• 谈谈你对能源大模型未来发展趋势的看法，以及宁德时代在此领域的机遇