高级智控大模型工程师

优缺点分析

角色解读

• 技术专家路线：在工业大模型领域深耕，成为算法架构师或技术专家，主导核心算法研发
• 管理路线：随着项目规模扩大，可晋升为技术团队负责人，带领团队完成技术攻关
• 行业跨界：积累的工业AI经验可向新能源、智能制造、工业互联网等更多领域拓展
• 负责工业智控场景下大模型的技术方案设计与落地，包括产线异常诊断、工艺参数优化、设备故障预测等核心应用
• 研发大模型增量学习框架，解决跨设备、跨工厂场景下算法快速迁移与自适应问题，降低新场景落地成本
• 构建工业领域的知识图谱和向量知识库，设计并落地RAG方案，支撑大模型的精准推理
• 负责大模型的工程化部署与性能调优，包括模型量化、压缩和推理优化，满足工业场景的低延迟和高可靠要求
• 精通Python，熟练掌握PyTorch、TensorFlow等深度学习框架，深入理解Transformer架构
• 具备大模型落地开发经验，熟悉主流微调技术，有RAG和向量数据库的完整实践经验
• 熟悉ONNX、TensorRT等推理框架，具备模型量化、压缩和端到端性能调优能力
• 具备较强的工程思维和跨团队沟通协作能力，能独立完成模块开发与效果验证

申请策略

• 提前了解宁德时代在智能制造和AI领域的布局，在面试中展现对公司的认同感
• 准备1-2个完整的项目案例，详细说明从问题定义、方案设计到落地验证的全过程
• 重点突出大模型落地项目经验，特别是RAG、微调、模型部署优化的完整案例，用数据量化效果
• 强调在工业或制造业场景的AI应用经验，如设备故障诊断、工艺优化等，体现行业理解
• 展示Python、PyTorch等核心技能，以及ONNX、TensorRT等推理优化工具的实操能力
• 补充学习工业控制领域的基础知识，如PLC、SCADA、DCS等，增强对业务场景的理解
• 深入研究大模型增量学习、少样本学习等前沿技术，提升跨场景迁移能力
• 熟悉边缘计算和嵌入式部署技术，为模型在边缘端的部署做好准备

面试指南

• 项目经验类问题采用STAR法则：清晰描述情境(Situation)、任务(Task)、行动(Action)和结果(Result)，突出个人贡献和量化成果
• 技术方案类问题先给出整体思路，再分步骤阐述，最后总结方案的优缺点和适用场景
• 协作类问题强调沟通机制、需求对齐和冲突解决的具体方法，体现团队合作能力
• 请详细描述你过去负责的一个大模型落地项目，包括技术选型、遇到的挑战和最终效果
• 在工业场景中，如何保证大模型推理的低延迟和高可靠性？你会采用哪些优化手段？
• 如何设计一个RAG系统来支撑设备故障诊断？知识库的构建和维护策略是什么？
• 面对跨设备、跨工厂的算法迁移问题，你会如何设计增量学习框架？
• 你如何与电气、工艺等非算法团队协作，确保项目顺利推进？