这次 Roblox DS Summer Intern OA 一共分为 4 个部分：前两部分是互动游戏测试，第三部分偏 behavioral 选择题，第四部分是 coding。整体风格和传统数据岗网测不太一样，更强调逻辑决策、资源规划和快速试错能力。
第一部分：造小车游戏
时长 25 分钟，共两个 section（各 13 分钟），每个 section 都是不同地形。任务是给一辆小车安装有限数量的部件，让它成功通过障碍，目标是造出尽可能多的“成功车辆”。
部件的功能设计得比较抽象，很多时候读说明并不能立刻理解效果。比较推荐的做法是：别死磕说明，直接装上去测试，再通过 replay 看实际表现，理解速度会快很多。
另外要注意——部件安装的位置不同，效果可能完全不一样，所以多尝试组合非常重要。这里几乎没有固定策略，因为每个人拿到的地形和部件都不同，整体就是一个不断试错 → 调整 → 再试的过程。建议优先把第一个地形跑通，再去挑战第二个。
资源管理也是关键点：每装一个部件都会消耗 energy，而且一辆车最多只能装 3 个部件，所以需要思考如何在有限配置内覆盖更多功能。
一个容易忽略的坑是：某些部件需要两个一起使用才会生效。如果迟迟跑不过，很可能是组合没配对，我也是最后几分钟才发现这一点。
第二部分：工厂生产玩具
同样是 25 分钟，但只有一个 section。核心目标是：在 24 小时内最大化收益。
你需要从买原材料开始，逐步制作零件、合成组件，最终完成四种不同的玩具。每个玩具的 profit 不一样，因此必须先算清楚成本与售价，再决定主推哪条生产线。
难点主要在于流水线协同：
- 不同部件的 production time 不同
- 所需材料数量不同
- 有些组件必须等所有材料齐全后才能开始生产
如果某个部件产出后超过 storage 又没及时消耗，会直接 waste，这一点非常影响最终收益。
还有一个典型卡点是“产能错配”：有些高级部件需要大量小零件，但小零件的最大产量又跟不上，就会拖慢整条线，因此要不断调整生产比例，让各环节尽量匹配。
系统还提供 buff 机制，可以选择 double 产量 或 降低需求量，但会提高成本，所以本质上是一个 ROI 判断问题——不是能加就加，而是要看是否真的提升最终利润。
第三部分：Behavioral 选择题
这一部分时长 25 分钟，一共 23 道题。每道题都会给出一个 workplace scenario，并提供 4 个 approaches，让你选出一个最优解和一个最差解。常见情境包括：你发现流程中存在问题该不该指出、与同事观点不同怎么办、是否要主动推动改进等等。
整体做下来更像性格与职场判断测试，没有特别“标准”的正确答案。不过有一个比较明显的规律：最差选项通常都是不够 proactive 的，比如选择回避问题、完全不沟通，或者把责任推给别人。
答题时可以优先考虑那些体现 ownership、沟通意识和团队合作的选项。即使不确定哪个是最优，先排除明显消极或不作为的答案，正确率通常不会太低。
第四部分：Coding
Coding 共 50 分钟，4 道题，在 CodeSignal 上完成，支持 Python 或 R。整体难度不算特别高，但更偏向数据分析基础与统计理解，而不是纯算法。
第一题是统计基础题。给定一个 numeric array，以及 significance level、power 和需要 detect 的 effect size，要求使用 two-sample z-test 计算所需的 sample size。本质是在考察假设检验的核心参数之间的关系，只要公式熟悉，难度不大。
第二题提供三个数组：period、group、outcome，需要计算 difference-in-differences。同时还有一个 trend validation，要判断 pre-period 的差值是否落在给定 threshold 内。重点在于理解 DID 的逻辑，而不是复杂实现——先算 treatment 和 control 在前后的变化，再比较两者的差异即可。
了解更多
我们 Programhelp 长期提供 面试辅助服务，已经帮助不少同学上岸拿到大厂offer。尤其是像 Roblox 这种非传统 OA，如果没有提前了解套路，很容易把时间浪费在试错上；但只要准备方向正确，很多分其实是“可以被稳定拿到”的。如果你最近已经收到 OA，或者正在冲刺暑期实习，可以联系我们，尽早做针对性准备。
