7日流失定义为连续7天未登录且无任何事件；CodeBuddy可全自动完成数据生成、特征工程、模型训练与高风险用户归因，全程无需数据团队介入，关键步骤需显式声明“游戏行业标准”并验证时间字段与空值。

你需要在24小时内完成一次用户流失预警分析，用CodeBuddy快速构建可运行的流失预测模型，输出高风险用户名单及关键行为路径，不依赖数据团队排期，不手动写特征工程代码。

定义流失口径并生成验证数据集

打开CodeBuddy终端，执行指令：codebuddy "按游戏行业标准定义7日流失：连续7天未登录且未触发任何事件；生成1000条含登录、支付、关卡通关行为的模拟用户轨迹数据，字段包含user_id、event_time、event_type、level、spend_amount"。

CodeBuddy自动创建churn_definition.md和simulated_data.csv。注意：若未指定“游戏行业标准”，生成的数据将默认电商口径（30日无复购），【必须显式声明行业类型】，否则后续模型训练会因标签错位全盘失效。

用head -n 5 simulated_data.csv确认首五行含user_id,event_time,event_type,level,spend_amount五列，时间格式为ISO 8601（如2026-07-28T09:15:22）。

构建流失预测特征矩阵

方法一：全自动特征生成（适合新手）
运行：codebuddy "基于simulated_data.csv，提取用户最近3次登录间隔、过去7天支付频次、最高通关关卡、平均单次在线时长，输出features_df.csv"。

方法二：自定义规则注入（需明确业务逻辑）
新建feature_rules.yaml，写入：

login_gap_max:
type: aggregation
group_by: user_id
window: 7d
sql: DATEDIFF('day', LAG(event_time), event_time)

再执行：codebuddy "用feature_rules.yaml加工simulated_data.csv，生成features_df.csv"。这一步会跳过缺失值填充——【若event_time存在空值，特征列将全为NaN】，务必先用codebuddy "检查simulated_data.csv中event_time空值率"验证。

训练并验证流失模型

第一步：让CodeBuddy选择最优算法
输入：codebuddy "用features_df.csv训练二分类模型预测7日流失，自动评估准确率、召回率、AUC，优先尝试XGBoost和LightGBM"。

第二步：强制指定算法并调试超参
输入：codebuddy "用LightGBM训练，设置scale_pos_weight=5（因流失样本仅占3.2%），早停轮数设为50，输出model.pkl和validation_report.txt"。

第三步：人工验证关键指标
打开validation_report.txt，重点核对“Recall@Top10%”是否≥0.65——该值代表模型能从全部用户中精准揪出65%以上的真流失用户，低于此阈值说明特征或标签有偏差，需退回前两步调整。

生成高风险用户清单与行为归因

执行：codebuddy "加载model.pkl，对features_df.csv全体用户打分，取概率>0.8的用户，关联原始simulated_data.csv提取其最后3次行为事件，按user_id输出risk_users_with_trail.csv"，即可完成对全体用户的风险筛选，并输出包含高风险用户及其最近3次行为事件的结果文件。

打开risk_users_with_trail.csv，确认每行含user_id,churn_prob,last_event_type,last_event_time,prev_event_type,prev_event_time六列。若churn_prob列出现inf或NaN，说明该用户特征向量含非法值（如无穷大数值），需用codebuddy "清洗features_df.csv中的无穷值"修复后重训模型。

运行：codebuddy "统计risk_users_with_trail.csv中last_event_type分布，输出top3事件类型及占比"。执行后，结果会直接显示当前流失的主要原因；例如，若“支付失败”占比42%，就应优先排查支付链路问题，而不是先去优化新手引导。