腾讯
校招面向游戏数据科学的智能分析 Agent
深圳总部 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 1. 包含但不限于人工智能/计算机/数据科学/统计学等专业的博士和优秀硕士；
- 2. 较强的工程实现与算法落地能力，精通数据分析全流程，熟练掌握Python数据分析栈，熟悉LangChain等AI应用框架；
- 3. 对AI Agent架构、规划与决策理论、以及相关的提示工程、智能体框架有深入理解和实践热情，具备将复杂分析任务拆解为可执行步骤的能力。
- 加分项：
- 1. 在KDD、ICML、NeurIPS、AAAI、ICLR等顶会/顶刊发表过与智能体、数据分析、数据挖掘、AutoML、因果推断、Text-to-SQL、LLM for Data Science、可视化分析相关论文者优先。
- 2. 有 Data Agent、Text-to-SQL、自动化数据分析、AI BI、Agentic Analytics、自动报告生成、AutoML、AI Coding、数据可视化工具等项目经验者优先。
- 3. 有复杂业务数据分析经验者优先，包括但不限于游戏数据分析、用户增长、留存流失、商业化、推荐系统、活动分析、平衡性调优、市场分析或竞品研究。
岗位描述
【岗位职责】
【课题背景】
游戏业务每天产生海量、多源、强时序的数据，包括玩家行为日志、版本变更、活动投放、玩法表现、商业化数据、用户反馈、竞品与市场情报等。传统“业务提问—分析师取数—人工验证—撰写报告”的模式，在面对快速变化的版本节奏和复杂玩家行为时，已难以支撑高频决策和深度洞察。
近两年，大语言模型与智能体技术正在推动数据分析范式从“自然语言问数”走向“Agentic Analytics（智能体驱动的数据分析）”。本课题希望构建面向游戏数据科学场景的智能分析 Agent，使其能够理解业务问题、拆解分析路径、调用数据工具、执行统计验证、生成可追溯报告，并在人类分析师反馈下持续优化。
我们希望将数据分析师在游戏场景中的经验方法沉淀为可复用的 Agent 工作流，提升从问题定义到洞察产出的效率，让分析师从重复取数和基础报告中释放出来，更多投入到业务判断、策略设计和决策支持中。
【课题方向】
本课题聚焦 “游戏数据智能分析 Agent” 这一完整研究方向，目标是面向真实游戏数据科学场景，构建具备业务问题理解、分析任务规划、数据工具调用、统计验证与结论生成能力的智能分析系统。该系统不仅关注自然语言到数据查询的转换，更强调在统一指标口径、数据语义层与权限边界约束下，形成可追溯、可复核、可沉淀的端到端分析链路。
实习生将参与探索智能体在游戏数据分析全流程中的应用：围绕玩家行为、版本变化、玩法表现、商业化和市场趋势等业务问题，将分析目标转化为可执行的数据任务；结合 SQL / Python / 可视化 / 统计检验等工具完成多步骤分析；对中间结果进行数据质量、口径一致性、统计显著性和业务合理性校验；并将分析过程、图表证据、关键发现和行动建议组织为结构化报告或分析摘要。
课题涉及 LLM Agent、Text-to-SQL / Text-to-Metrics、数据语义层、自动化探索分析、因果与实验分析、预测建模、报告生成、Agent 评测与可观测性等技术方向。核心目标是探索如何将数据科学方法、游戏业务经验与智能体能力结合，提升复杂游戏数据问题的分析效率、结论可信度和业务决策支持能力。
【任职要求】
- 1. 包含但不限于人工智能/计算机/数据科学/统计学等专业的博士和优秀硕士；
- 2. 较强的工程实现与算法落地能力，精通数据分析全流程，熟练掌握Python数据分析栈，熟悉LangChain等AI应用框架；
- 3. 对AI Agent架构、规划与决策理论、以及相关的提示工程、智能体框架有深入理解和实践热情，具备将复杂分析任务拆解为可执行步骤的能力。
加分项：
- 1. 在KDD、ICML、NeurIPS、AAAI、ICLR等顶会/顶刊发表过与智能体、数据分析、数据挖掘、AutoML、因果推断、Text-to-SQL、LLM for Data Science、可视化分析相关论文者优先。
- 2. 有 Data Agent、Text-to-SQL、自动化数据分析、AI BI、Agentic Analytics、自动报告生成、AutoML、AI Coding、数据可视化工具等项目经验者优先。
- 3. 有复杂业务数据分析经验者优先，包括但不限于游戏数据分析、用户增长、留存流失、商业化、推荐系统、活动分析、平衡性调优、市场分析或竞品研究。
【技术方向】
智能体、强化学习
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 数据 岗位的常见面试问题整理
请解释数据仓库的星型模型和雪花模型的区别
查看答题思路
1. 星型：事实表在中间，维度表直接关联，维度表非规范化（有冗余） 2. 雪花：维度表进一步规范化，减少冗余但增加 join 次数 3. 选择：星型查询快（join 少），雪花存储省，一般生产用星型更多
如何设计一个埋点体系来追踪用户行为
查看答题思路
1. 确定业务目标：留存/转化/活跃 2. 定义事件：页面浏览/点击/曝光/转化，每个事件带属性 3. 技术栈：前端 SDK 上报 → Kafka → Flink 实时清洗 → ClickHouse/Hive 存储 4. 数据分层：ODS（原始）→ DWD（明细）→ DWS（汇总）→ ADS（应用） 5. 质量：埋点测试 + 数据校验 + 异常告警
SQL：有一个用户登录表 user_login(user_id, login_date)，查询连续登录超过 7 天的用户
查看答题思路
1. 思路：用 login_date 减去排名序号（ROW_NUMBER），同组连续日期差值相同 2. 关键 SQL：SELECT user_id, login_date-ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY login_date) AS grp 3. GROUP BY user_id, grp HAVING COUNT(*) >= 7 4. 强调：理解窗口函数和连续性问题的一般解法
你做过最有价值的数据分析项目是什么
查看答题思路
1. 业务背景：分析什么、为什么重要 2. 数据来源和量级 3. 分析方法：用了什么模型/统计方法 4. 核心发现：一句话说清洞察 5. 业务影响：做了什么决策、带来了什么改变（用数字）
解释 A/B 测试的原理和常见陷阱
查看答题思路
1. 原理：分流用户到对照组和实验组，对比核心指标差异 2. 统计基础：假设检验，p<0.05 表示差异显著 3. 陷阱：样本量不足、运行时间太短（未覆盖周期波动）、多重比较（同时做多组 A/B 需修正显著性水平） 4. 指标选择：北极星指标优先，避免虚荣指标
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。