LLM在腾讯游戏数据分析的实战

分享人丨腾讯游戏数据技术负责人 刘岩

编辑整理丨DataFun志愿者 峰宾

大语言模型（LLM）的发展正在改变数据分析的方式。从传统的代码驱动查询，到自然语言直接交互，LLM 赋能的 “AI+BI” 能够提供更为智能、灵活的高的数据分析体验，大幅提升工作效率。

在游戏行业，这一变革也正在发生。游戏业务数据量庞大且实时性要求高，分析场景复杂多变，从玩家行为分析到运营活动效果评估，都需要依赖大量的数据分析作为支撑，“AI+BI” 也自然成为了一个重点方向。然而，在实际业务场景中，LLM 处理复杂数据需求的能力以及交付结果的准确性，仍旧面临诸多挑战。

腾讯游戏数据团队从早期便开始了 LLM 在数据分析工作上的应用探索，在服务腾讯游戏旗下多款千万级 DAU 头部产品的过程中，积累了大量实战经验和技术方法论。在近期举办的“DataFun AI+BI 智能驱动峰会”上，腾讯游戏数据技术负责人刘岩围绕 LLM 在游戏数据分析中的实战展开了分享，涵盖数据提取、分析链路构建及业务落地等关键环节。

基于大模型的数据提取

数据分析的流程

游戏精细化运营时代，数据分析的重要性在不断提升。游戏数据分析的常见场景主要包括可视化经营分析、明细数据提取，到归因和预测，因此，我们探索的主要方向也是 AI 在这几个方向上的提效和赋能。

数据分析的流程体系本质都是这几个步骤：第一，理解业务需求；第二，理解数据；第三，准备数据，对数据做清洗加工；第四，数据建模；第五，验证数据并最终交付。这个流程是固定不变的。如何让 AI 参与到这个流程的各个步骤里？AI 的能力边界是什么呢？这些便是我们工作的重点。

 

AI 代理的模块化架构

AI 代理的模块化架构可划分为记忆系统、推理执行系统及环境感知系统三大核心：

记忆系统

• 参数记忆：基于模型训练参数构建的底层能力，包含预训练模型固有的知识与技能（如 DeepSeek、OpenAI 等大模型的基础能力）

• 工作记忆：通过提示词工程实现的即时任务指令，当前多数 Agent 系统通过提示词直接调用模型完成任务

• 语义记忆：通过构建领域知识库、语义资产库及上下文扩展机制，增强模型对专业领域（如 Text2SQL）的语义理解与知识调用能力

• 情景记忆：记录用户交互历史及应用环境状态，包含多轮对话记录与场景上下文信息

推理执行系统

采用 ReAct 循环机制，集成模型的推理能力与工具调用能力：

• 逻辑推理：