面向游戏数据科学的智能分析 Agent

【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。

1. 01

   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. 02

   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. 03

   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. 01

   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. 02

   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. 03

   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。