這次 Roblox DS Summer Intern OA 一共分為 4 個部分：前兩部分是互動遊戲測試，第三部分偏 behavioral 選擇題，第四部分是 coding。整體風格和傳統資料崗網測不太一樣，更強調邏輯決策、資源規劃和快速試錯能力。
第一部分：造小車遊戲
時長 25 分鐘，共兩個 section（各 13 分鐘），每個 section 都是不同地形。任務是給一輛小車安裝有限數量的部件，讓它成功透過障礙，目標是造出儘可能多的“成功車輛”。
部件的功能設計得比較抽象，很多時候讀說明並不能立刻理解效果。比較推薦的做法是：別死磕說明，直接裝上去測試，再透過 replay 看實際表現，理解速度會快很多。
另外要注意——部件安裝的位置不同，效果可能完全不一樣，所以多嘗試組合非常重要。這裡幾乎沒有固定策略，因為每個人拿到的地形和部件都不同，整體就是一個不斷試錯 → 調整 → 再試的過程。建議優先把第一個地形跑通，再去挑戰第二個。
資源管理也是關鍵點：每裝一個部件都會消耗 energy，而且一輛車最多隻能裝 3 個部件，所以需要思考如何在有限配置內覆蓋更多功能。
一個容易忽略的坑是：某些部件需要兩個一起使用才會生效。如果遲遲跑不過，很可能是組合沒配對，我也是最後幾分鐘才發現這一點。
第二部分：工廠生產玩具
同樣是 25 分鐘，但只有一個 section。核心目標是：在 24 小時內最大化收益。
你需要從買原材料開始，逐步製作零件、合成元件，最終完成四種不同的玩具。每個玩具的 profit 不一樣，因此必須先算清楚成本與售價，再決定主推哪條生產線。
難點主要在於流水線協同：
- 不同部件的 production time 不同
- 所需材料數量不同
- 有些元件必須等所有材料齊全後才能開始生產
如果某個部件產出後超過 storage 又沒及時消耗，會直接 waste，這一點非常影響最終收益。
還有一個典型卡點是“產能錯配”：有些高階部件需要大量小零件，但小零件的最大產量又跟不上，就會拖慢整條線，因此要不斷調整生產比例，讓各環節儘量匹配。
系統還提供 buff 機制，可以選擇 double 產量 或 降低需求量，但會提高成本，所以本質上是一個 ROI 判斷問題——不是能加就加，而是要看是否真的提升最終利潤。
第三部分：Behavioral 選擇題
這一部分時長 25 分鐘，一共 23 道題。每道題都會給出一個 workplace scenario，並提供 4 個 approaches，讓你選出一個最優解和一個最差解。常見情境包括：你發現流程中存在問題該不該指出、與同事觀點不同怎麼辦、是否要主動推動改進等等。
整體做下來更像性格與職場判斷測試，沒有特別“標準”的正確答案。不過有一個比較明顯的規律：最差選項通常都是不夠 proactive 的，比如選擇迴避問題、完全不溝通，或者把責任推給別人。
答題時可以優先考慮那些體現 ownership、溝通意識和團隊合作的選項。即使不確定哪個是最優，先排除明顯消極或不作為的答案，正確率通常不會太低。
第四部分：Coding
Coding 共 50 分鐘，4 道題，在 CodeSignal 上完成，支援 Python 或 R。整體難度不算特別高，但更偏向資料分析基礎與統計理解，而不是純演算法。
第一題是統計基礎題。給定一個 numeric array，以及 significance level、power 和需要 detect 的 effect size，要求使用 two-sample z-test 計算所需的 sample size。本質是在考察假設檢驗的核心引數之間的關係，只要公式熟悉，難度不大。
第二題提供三個陣列：period、group、outcome，需要計算 difference-in-differences。同時還有一個 trend validation，要判斷 pre-period 的差值是否落在給定 threshold 內。重點在於理解 DID 的邏輯，而不是複雜實現——先算 treatment 和 control 在前後的變化，再比較兩者的差異即可。
瞭解更多
我們 Programhelp 長期提供 面試輔助服務，已經幫助不少同學上岸拿到大廠offer。尤其是像 Roblox 這種非傳統 OA，如果沒有提前瞭解套路，很容易把時間浪費在試錯上；但只要準備方向正確，很多分其實是“可以被穩定拿到”的。如果你最近已經收到 OA，或者正在衝刺暑期實習，可以聯絡我們，儘早做針對性準備。
