awesome-econ-ai-stuff：经济学家专用 AI 技能库详解

来源：meleantonio/awesome-econ-ai-stuff（533 ⭐ · 121 🍴）
官网：https://meleantonio.github.io/awesome-econ-ai-stuff
许可证：CC0 1.0（公有领域）
适用工具：Claude Code · Cursor · Gemini CLI · Codex · GitHub Copilot · Windsurf

一、项目背景与核心理念

awesome-econ-ai-stuff 是一个面向经济学家的 AI 技能（Skills）精选集合。所谓"技能"，是指遵循开放标准 SKILL.md 的结构化指令包——把一段研究工作流（数据清洗、回归分析、文献综述、LaTeX 排版等）打包成一个可被 AI 助手调用的"操作手册"。

为什么经济学家需要"AI 技能"？

经济研究充满重复、机械但又需要严格方法论的工作流：从 Stata 中的数据清洗，到 LaTeX 模型推导，再到期刊格式的回归表。这些技能帮助研究者：

• 📊 更快地清洗与转换数据（Stata / R / Python）
• 📐 以规范符号书写数学模型（LaTeX）
• 🔬 运行带诊断的计量分析（IV / DiD / RDD / TWFE）
• 📝 按照期刊惯例起草论文
• 🎯 生成出版级可视化

技能的工作原理

每个技能以一个 SKILL.md 文件为核心，包含 YAML frontmatter（名称、描述、兼容性、标签）和 Markdown 指令体。AI 助手识别到匹配的任务时，会自动加载该技能的完整指令，按其定义的工作流生成可复现的代码或文档。

安装与使用

# Claude Code
mkdir -p ~/.claude/skills
cp -r _skills/analysis/r-econometrics ~/.claude/skills/

# Cursor
cp -r _skills/analysis/r-econometrics ~/.cursor/skills/

# Gemini CLI
cp -r _skills/analysis/r-econometrics ~/.gemini/skills/

然后通过斜杠命令或自然语言触发：

/r-econometrics Run a DiD analysis on my treatment data

二、17 个技能全景

技能按研究工作流阶段组织成 8 大类：

三、详细技能介绍

1. research-ideation（研究构思生成器）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：research · ideation · hypothesis · brainstorming

用途

帮助经济学家生成和打磨研究问题。它不是简单的"头脑风暴"，而是把经济学的思考框架（puzzle、policy、data、extension 四种进路）系统化，引导用户从观察现象走向可检验的假设。

何时使用

• 启动新研究项目
• 博士论文选题
• 寻找政策分析的新角度
• 拓展已有工作的延伸方向

工作流四步法

1. 理解起点：询问用户是否已有现象/谜题/数据源；属于哪一子领域；方法论偏好（理论/实证/结构）；约束（数据、时间）。
2. 应用构思框架： The Puzzle Approach——什么与既有认知矛盾？标准模型在哪里失效？ The Policy Approach——哪些政策缺乏严格评估？哪些自然实验未被利用？ The Data Approach——哪些新数据源出现？现有数据还能挖出什么？ The Extension Approach——经典论文如何延伸？跨领域方法能否借鉴？
3. 评估与打磨：对每个想法评估 Feasibility / Contribution / Interest / Identification 四个维度。
4. 生成示例输出：以 LinkedIn 数据 × 劳动经济学为例，生成 4 个具体研究思路（网络效应、技能信号、性别语言差距、远程工作地理），并给出评估矩阵。

三大辅助生成器

• "5 Whys"：从宏观现象逐步下沉到可检验命题。
• "What If"：假设性反事实分析。
• 跨领域传粉者：把 IO 方法搬到劳动市场、把金融模型搬到教育回报研究。

常见陷阱

• 问题过于宽泛（"什么导致了不平等？"）
• 没有清晰识别策略的问题
• 没有数据可得性的问题
• 已被充分回答的问题

推荐参考文献

• Shapiro (2022) How to Get Started on Research in Economics
• Angrist & Pischke Mostly Harmless Econometrics
• AEA Research Pipelines

2. lit-review-assistant（文献综述助手）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：literature-review · papers · citations · synthesis

用途

帮助经济学家结构化检索、总结、综合文献——提供模板化的工作流，从数据库选择、检索词构造，到单篇结构化笔记，再到跨论文综合与缺口识别。

何时使用

• 新项目的文献综述起步
• 论文引言的"相关工作"段落
• 综合现有证据
• 找出研究缺口

四步工作流

1. 定义研究领域：具体研究问题、范围、可用数据库、时间窗口、种子论文。
2. 构造检索式：主术语 + 方法论过滤器 + 结果术语 + 地理/时间范围。
3. 组织与综合：对每篇论文按统一模板（Citation / Research Question / Data & Method / Findings / Limitations / Connection）做笔记。
4. 识别模式与缺口：一致结论、分歧、未答之问、未应用的方法。

典型模板亮点

• Card & Krueger (1994) 最低工资经典案例的完整笔记
• Cengiz et al. (2019) Bunching estimator 的延伸笔记
• 跨论文综合表（证据质量 + 共识水平）
• 研究缺口清单（机制、长期效应、地理异质性、溢出效应）

Google Scholar 高效操作符

• "exact phrase" 精确匹配
• author:surname 按作者
• source:journal 按期刊
• [year]..[year] 年份范围

最佳实践

• 使用 Zotero/Mendeley/BibDesk
• 边读边写注释式书目
• 记录检索查询以保证可复现
• 投稿前更新
• 平衡广度与深度

常见陷阱

• 只引用支持自己观点的论文
• 不与对立发现对话
• 综述中混淆相关与因果
• 引用未读过的论文
• 漏掉重要近期论文

3. latex-econ-model（LaTeX 经济模型写作器）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：LaTeX · economic-models · theory · equations

用途

帮助经济学家用 LaTeX 编写与排版经济模型——遵循学术规范的标准符号、一致格式，覆盖效用最大化、均衡条件、动态规划、博弈论等场景。

何时使用

• 写论文理论部分
• 形式化经济模型
• 含方程的讲义
• 最优化与均衡条件的排版

模型结构五段式

1. Environment（环境）：主体、商品、时间范围
2. Preferences/Technology（偏好/技术）
3. Constraints（约束）
4. Equilibrium concept（均衡概念）
5. Solution（求解）：一阶条件、闭式解

示例：消费者两期模型

\begin{equation}
    U(c_1, c_2) = u(c_1) + \beta u(c_2)
\end{equation}
\begin{align}
    c_1 + s &= y_1 \label{eq:bc1}\\
    c_2 &= y_2 + Rs \label{eq:bc2}
\end{align}

必备宏包

amsmath · amssymb · amsthm · mathtools · bm · dsfont

最佳实践

• 用 align 环境对齐多行方程
• 重要方程用 \label{} 与 \eqref{} 交叉引用
• 方程中的文字用 \text{}
• 关键结论用 \boxed{}
• 重复符号定义为自定义命令

常见陷阱

• 用 * 表示乘法（应改用 \cdot 或隐式）
• 忘记 \left( \right) 自适应括号
• 全文符号不统一
• 等号未对齐

4. general-equilibrium-model-builder（一般均衡模型构建器）

作者：Abhimanyu Nag <abhi.nag1601@gmail.com> · 版本：1.0.0
标签：general-equilibrium · walrasian · microeconomic-theory · julia · computational-economics · welfare-economics · pure-exchange

用途

帮助经济学家构建、分析与数值求解 Walras 一般均衡（GE）模型。同时覆盖理论（存在性、唯一性、福利定理）与计算（Julia 数值求解均衡价格与配置）。当前版本仅支持纯交换经济（无生产），未来将扩展到生产经济、Arrow-Debreu 不确定性、动态模型。

何时使用

• 形式化纯交换 GE 模型
• 微观经济理论课程教学示例
• 数值求均衡价格与配置
• 帕累托效率与社会福利评估
• 比较静态分析（参数变化对均衡的影响）

七步工作流

1. 理解经济环境
2. 建立理论框架
3. 定义 Walras 均衡
4. 陈述关键定理
5. 生成 Julia 求解代码
6. 完整 2×2 示例：2 消费者、2 商品、Cobb-Douglas 偏好
7. 埃奇沃斯盒可视化

核心 Julia 代码骨架

function excess_demand(p, economy::PureExchangeEconomy)
    z = zeros(economy.n_goods)
    for i in 1:economy.n_consumers
        ω_i = economy.endowments[i, :]
        wealth_i = dot(p, ω_i)
        x_i = demand_cobb_douglas(p, wealth_i, α_i)
        z += x_i - ω_i
    end
    return z
end

function solve_equilibrium(economy::PureExchangeEconomy)
    p0 = zeros(economy.n_goods - 1)
    result = nlsolve(excess_demand_reduced!, p0, autodiff=:forward)
    return vcat(1.0, exp.(result.zero))
end

必备软件

• Julia 1.9+
• NLsolve、LinearAlgebra、Plots、ForwardDiff

数值求解策略

1. 归一化价格
2. 降维求解
3. Newton 法（NLsolve + 自动微分）
4. 用对数参数化保证价格为正

存在性假设

1. 连续性
2. 严格单调性
3. 严格拟凹
4. 严格正禀赋

未来扩展

• 生产经济（企业利润最大化）
• Arrow-Debreu 不确定性证券
• OLG（交叠世代）
• CGE（可计算一般均衡）
• 不完全市场

推荐参考文献

• Mas-Colell, Whinston & Green (1995) Microeconomic Theory
• Debreu (1959) Theory of Value
• Arrow & Debreu (1954) Econometrica 经典论文

5. stata-data-cleaning（Stata 数据清洗）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：Stata · data-cleaning · data-wrangling · reproducibility

用途

帮助经济学家在 Stata 中清洗、转换、准备数据集。强调可复现性、文档化、对经济研究中常见数据质量问题的处理。

何时使用

• 清洗原始调查或行政数据
• 合并多数据源
• 处理缺失值、重复、异常值
• 构造面板数据集
• 为复现文档化数据转换

八步流水线

1. 环境设置：clear all、log 文件、globals 路径变量
2. 加载并检视：describe / summarize / codebook / duplicates report
3. 变量清洗： 重命名为清晰名称（rename q1 age） 数值清洗：mvdecode 处理缺失值代码（-99、-88、-77），99 分位缩尾 字符串清洗：标准化（如 "NEW YORK" 替换 "NY" 等） 离散化（如教育程度分级）
4. 缺失值处理：构建 mi_income 指示变量、egen complete_case = rownonmiss(...)
5. 派生变量：年龄组、对数收入（ln(income + 1)）
6. 数据校验：assert 范围、isid 唯一标识
7. 变量标签：label variable + label define/label values
8. 最终检查与保存：保留相关变量、order、compress、save

完整 do-file 模板

/*==============================================================================
    Project:    Economic Analysis Data Cleaning
    Author:     [Your Name]
    Date:       [Date]
    Purpose:    Clean raw survey data for regression analysis
    Input:      raw_survey_data.dta
    Output:     cleaned_analysis_data.dta
==============================================================================*/
clear all
set more off
log using "logs/data_cleaning_`c(current_date)'.log", replace

use "${raw_data}/raw_survey_data.dta", clear
duplicates report id_var

mvdecode age income_reported, mv(-99 -88 -77)
qui sum income_reported, detail
replace income_reported = r(p99) if income_reported > r(p99) & !mi(income_reported)

gen log_income = ln(income_reported + 1)

assert age >= 18 & age <= 120 if !mi(age)
assert income_reported >= 0 if !mi(income_reported)
isid id_var

save "${clean_data}/cleaned_analysis_data.dta", replace
log close

推荐用户命令

ssc install unique     // 唯一值检查
ssc install mdesc      // 缺失模式
ssc install labutil    // 标签工具

最佳实践

• 永远以 clear all 开头
• 用 log 文件记录所有转换
• 注释解释 WHY 而非 WHAT
• 用 assert 早期捕捉数据错误
• 配套数据字典
• 给 do-file 和数据集打版本

常见陷阱

• 合并前未检查重复
• 忘记处理缺失值代码（-99、-88）
• 不给变量和值加标签
• 覆盖原始数据
• 不文档化转换

推荐参考文献

• Stata Data Management Manual
• Gentzkow & Shapiro (2014) Code and Data for the Social Sciences
• DIME Analytics Data Handbook

6. api-data-fetcher（API 数据抓取器）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：Python · API · FRED · World-Bank · data-collection

用途

帮助经济学家从主流经济数据 API 抓取数据——FRED、World Bank、IMF、BLS、OECD，生成带错误处理、可直接运行的 Python 代码。

何时使用

• 下载宏观经济指标
• 跨源构建自定义数据集
• 自动化数据更新（持续项目）
• 抓取跨国面板数据

API 选择指南

核心 FRED 抓取函数

def fetch_fred_series(series_ids, start_date="2000-01-01",
                     end_date=None, api_key=None):
    from fredapi import Fred
    api_key = api_key or os.environ.get('FRED_API_KEY')
    if not api_key:
        raise ValueError("FRED API key required. Set FRED_API_KEY env var.")

    fred = Fred(api_key=api_key)
    data = {}
    for series_id in series_ids:
        try:
            data[series_id] = fred.get_series(
                series_id,
                observation_start=start_date,
                observation_end=end_date or datetime.now().strftime('%Y-%m-%d')
            )
        except Exception as e:
            print(f"✗ Failed to download {series_id}: {e}")
    return pd.DataFrame(data)

预置常用 FRED 序列字典

• GDP 与产出：GDP / GDPC1 / GDPPOT
• 劳动力：UNRATE / PAYEMS / CIVPART
• 价格：CPIAUCSL / PCEPI / CPILFESL
• 利率：FEDFUNDS / DGS10 / T10Y2Y
• 货币与信贷：M2SL / TOTRESNS

预置常用 World Bank 指标

• 收入与增长：NY.GDP.PCAP.CD, NY.GDP.MKTP.KD.ZG
• 人口：SP.POP.TOTL, SP.URB.TOTL.IN.ZS
• 贸易：NE.TRD.GNFS.ZS, BX.KLT.DINV.WD.GD.ZS
• 人力资本：SE.XPD.TOTL.GD.ZS, SH.XPD.CHEX.GD.ZS
• 不平等：SI.POV.GINI, SI.POV.DDAY

API 密钥设置

# FRED 需免费密钥：https://fred.stlouisfed.org/docs/api/api_key.html
export FRED_API_KEY="your_key_here"

最佳实践

1. API 密钥存环境变量——绝不硬编码
2. 添加速率限制防止大批量下载被限
3. 本地缓存避免重复调用
4. 记录序列定义（来源说明）
5. 检查数据修正版本（vintage）

常见陷阱

• 硬编码密钥
• 未处理速率限制
• 忽略数据修正/版本
• 混用不同频率数据未做对齐

7. r-econometrics（R 计量分析）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：R · econometrics · causal-inference · fixest · regression

用途

帮助经济学家在 R 中运行严格的计量分析，包括 IV、DiD、RDD。生成带诊断与稳健标准误的、可直接发表的代码。

何时使用

• 因果推断分析
• 面板数据处理效应估计
• 生成可发表回归表
• 现代计量方法（TWFE、事件研究）

四步工作流

1. 理解研究设计：识别策略（IV/DiD/RDD）、观察单位、需要的固定效应、标准误聚类方式
2. 生成分析代码： 使用现代 fixest 包 包含诊断：IV 一阶段 F、DiD 平行趋势、RDD 带宽选择 稳健/聚类标准误 用 modelsummary 或 etable 输出
3. 结构化输出：Setup → Load → Desc → Main → Robust → Plot → Export
4. 添加文档注释：为什么选择这个设定；如何解读系数；局限与假设

完整 DiD + 事件研究示例

library(fixest)
library(modelsummary)

did_model <- feols(
  outcome ~ treat_post | state + year,
  data = df,
  cluster = ~state
)
summary(did_model)

# 事件研究
df <- df %>% mutate(rel_time = year - treatment_year)
event_study <- feols(
  outcome ~ i(rel_time, treated, ref = -1) | state + year,
  data = df,
  cluster = ~state
)
iplot(event_study, main = "Event Study", xlab = "Years Relative to Treatment")

# 导出
modelsummary(
  list("Main" = did_model, "Two-way Cluster" = did_robust),
  stars = c('*' = 0.1, '**' = 0.05, '***' = 0.01),
  output = "results/did_table.tex"
)

推荐包

• fixest——快速固定效应估计
• modelsummary——出版级表格
• tidyverse——数据处理
• ggplot2——可视化

最佳实践

1. 聚类标准误于处理分配层
2. 事前趋势检验 for DiD
3. 报告一阶段 F 统计量 for IV（应 > 10）
4. 面板数据优先用 feols 而非 lm
5. 注释所有设定选择

常见陷阱

• 标准误未聚类到正确层
• IV 忽略弱工具
• TWFE 用于交错处理时点（应用 did 或 sunab()）
• 未报告稳健性检验

警示：交错处理时点

这一点对正在做面板数据的研究者特别重要——传统的 TWFE 在交错处理时点下会产生有偏估计（Goodman-Bacon 2021、de Chaisemartin & D'Haultfœuille 2020、Callaway & Sant'Anna 2021）。技能文档中明确提醒要用 did 包或 sunab() 处理。

8. python-panel-data（Python 面板数据分析）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：python · pandas · linearmodels · panel-data

用途

帮助经济学家用 Python 运行面板数据模型，基于 pandas、statsmodels、linearmodels，带正确的固定效应、聚类与诊断。

何时使用

• 估计固定效应或随机效应模型
• 面板 DiD
• 在 Python 中生成回归表与图

三步工作流

1. 理解背景：观察单位与面板标识、结果/自变量、需要的固定效应/时间效应、标准误聚类
2. 生成代码： pandas 加载清洗 设置 MultiIndex 面板结构 linearmodels.PanelOLS 或 RandomEffects 拟合 输出可读表格 + LaTeX
3. 验证解释：解读系数；说明假设（严格外生、平行趋势）；建议稳健性（替代聚类、安慰剂）

TWFE 完整示例

import pandas as pd
from linearmodels.panel import PanelOLS

df = pd.read_csv("panel_data.csv")
df = df.set_index(["firm_id", "year"])
df["treat_post"] = df["treated"] * df["post"]

model = PanelOLS.from_formula(
    "outcome ~ 1 + treat_post + EntityEffects + TimeEffects",
    data=df
)
results = model.fit(cov_type="clustered", cluster_entity=True)
print(results.summary)

必备软件

• Python 3.10+
• pandas、linearmodels、statsmodels

最佳实践

1. 核实面板标识、平衡 vs 非平衡
2. 在合适层级聚类标准误
3. 估计前检查缺失数据

常见陷阱

• 未正确设置面板索引
• 需要 FE 时却用混合 OLS
• 不考虑 FE 就解读系数

9. stata-regression（Stata 回归分析）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：stata · regression · esttab · econometrics

用途

生成可复现的 Stata 回归分析工作流——含模型诊断、用 esttab 或 outreg2 输出可发表表格。

何时使用

• 在 Stata 中估计线性/非线性回归
• 为论文与报告生成表格
• 运行稳健性与替代设定

三步工作流

1. 理解背景：因变量与关键自变量、控制与固定效应、标准误聚类、输出格式
2. 生成代码： 加载与检查数据 用 regress/reghdfe/xtreg 加入稳健/聚类标准误 用 esttab/outreg2 导出
3. 验证解释：解释每个模型的估计；说明假设与诊断；建议稳健性

简洁回归示例

use "data.dta", clear
summarize y x1 x2 x3

regress y x1 x2 x3, vce(cluster firm_id)
eststo model1

reghdfe y x1 x2 x3, absorb(firm_id year) vce(cluster firm_id)
eststo model2

esttab model1 model2 using "results/regression_table.tex", replace se label

必备环境

• Stata 17+
• estout（提供 esttab）、reghdfe（高维固定效应）

ssc install estout
ssc install reghdfe

最佳实践

1. 标准误匹配研究设计（处理在哪变，聚类就在哪）
2. 报告所有模型变体
3. 文档化变量定义与转换

常见陷阱

• 标准误未聚类到正确层
• 设计要求 FE 时却省略
• 表格缺少清晰标签与注释

10. academic-paper-writer（学术论文写作器）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：LaTeX · academic-writing · papers · economics

用途

帮助经济学家起草、构造与润色学术论文——遵循经济学期刊惯例，提供不同论文类型模板与学术写作风格指南。

何时使用

• 从零起草新论文
• 重组现有草稿
• 写特定章节（引言、综述、结论）
• 准备期刊投稿

三步工作流

1. 识别论文类型：实证/理论？目标期刊？阶段（大纲/初稿/修订）？需要哪些章节？
2. 遵循 IMRAD 结构：Introduction → Literature Review → Data & Methods → Results → Discussion → Conclusion
3. 应用经济学写作惯例： 第一段陈述研究问题与主要发现 既有事实用现在时、自己发现用过去时 因果语言精确（effect vs. association） 综述部分密集引用 结果部分"先抛结果"

三大模板

1. Introduction 模板：Hook → 研究问题 → 答案预览 → 方法 → 贡献/文献 → 路线图
2. Results 模板：主导结论陈述 → 增量加控制 → 解读经济意义 → 异质性
3. Conclusion 模板：重述问题答案 → 含义（政策/理论） → 局限性（诚实简要） → 未来方向

各章节写作要点

• 引言：第一句抓眼球（非"This paper examines..."）；明确贡献；具体说明大小；最后段预先承认局限
• 结果：第一句就放数字；经济意义解读；逐列引导读者；不夸大
• 结论：不引入新结果；诚实谈局限；以贡献收尾

常见陷阱

• 把主要结果埋在文中
• 不区分"统计显著"与"经济显著"
• 没有识别策略就声称因果
• 综述只是论文列表
• 结论只是总结

推荐参考文献

• Cochrane (2005) Writing Tips for PhD Students
• Shapiro (2019) How to Give an Applied Micro Talk
• Thomson (2011) A Guide for the Young Economist

11. latex-tables（LaTeX 表格生成器）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：latex · tables · regression · booktabs

用途

生成干净、可发表的 LaTeX 表格——回归结果与描述统计，使用标准学术格式。

何时使用

• 把模型输出转为 LaTeX 表格
• 全文统一表格风格
• 加注释、显著性星号、标签

三步工作流

1. 理解背景：表格类型（回归/描述统计/平衡）、产生结果的软件（Stata/R/Python）、格式风格（期刊、AEA 等）
2. 生成 LaTeX 代码： 用 booktabs 画干净的横线 含 label 和 caption 用于引用 加标准误与显著性注释 数字列对齐
3. 验证解释：解释如何编译；强调格式假设；建议投稿期刊的精修方向

回归表模板

\begin{table}[htbp]\centering
\caption{Effect of Treatment on Outcome}
\label{tab:main_results}
\begin{tabular}{lccc}
\toprule
 & (1) & (2) & (3) \\
\midrule
Treatment & 0.125*** & 0.118*** & 0.102** \\
 & (0.041) & (0.039) & (0.046) \\
Controls & No & Yes & Yes \\
Fixed Effects & No & Yes & Yes \\
\midrule
Observations & 2,145 & 2,145 & 2,145 \\
R-squared & 0.18 & 0.24 & 0.31 \\
\bottomrule
\end{tabular}
\begin{tablenotes}
\small
\item Notes: Standard errors in parentheses. * p<0.10, ** p<0.05, *** p<0.01.
\end{tablenotes}
\end{table}

必备宏包

• booktabs
• threeparttable（可选，用于注释）

最佳实践

1. 保持表格紧凑可读
2. 统一符号 for 标准误与星号
3. 清晰的 caption 与 label

常见陷阱

• 过宽的表塞不进页
• 缺标准误注释
• 全文标签风格不一致

推荐参考文献

• LaTeX booktabs documentation
• AEA Author Guidelines

12. beamer-presentation（Beamer 演示文稿制作）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：LaTeX · Beamer · presentations · slides

用途

帮助经济学家用 LaTeX Beamer 创建专业学术演示——会议演讲、就业市场演讲、研讨会演讲模板，配以正确结构与清爽审美。

何时使用

• 准备会议演讲
• 制作就业市场演讲幻灯片
• 研讨会/工作坊演示
• 把论文转为幻灯片

三步工作流

1. 理解背景：演示时长（20 分钟会议、90 分钟研讨、就业市场）、主题、目标听众专业水平、风格偏好
2. 按时长结构化： 15–20 分钟：动机(2) → 问题(1) → 方法(2) → 结果(3-4) → 结论(1) 45–60 分钟：加文献综述、更多结果细节、稳健性 90 分钟：完整研讨，含理论框架、广泛实证
3. 遵循演示最佳实践： 每张幻灯一个观点 最少文字（3–6 词条目） 大字体（正文最小 20pt） 一致配色（限制调色板） 用 \pause 或 <+-> 渐进展示

主题推荐

最佳实践

1. 每张幻灯一个信息——多了就拆
2. 能用图就别用表
3. 在结果表中高亮关键数字
4. 用 \pause 渐进构建复杂幻灯
5. 为预期问题准备备用幻灯
6. 练习计时——每张最多 1–2 分钟

常见陷阱

• 幻灯文字太多
• 逐字朗读
• 列太多的表
• 跳过路线图/预览
• 以"问题？"结尾而非以要点收尾

推荐参考文献

• Shapiro (2019) How to Give Applied Micro Talk
• Beamer User Guide
• Metropolis Theme

13. econ-visualization（经济学可视化）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：visualization · ggplot2 · charts · publication

用途

为经济学期刊生成可发表质量的图表——清爽样式、统一刻度、可投稿的导出格式。

何时使用

• 为实证结果与描述分析制图
• 统一论文/演示的图表风格
• 导出 PDF/PNG 期刊质量

三步工作流

1. 理解背景：数据集与关键变量、图表类型（线/柱/散点/事件研究）、输出格式与尺寸
2. 生成代码： 使用一致主题 清晰标注坐标轴与图例 高分辨率导出 含可复现的数据准备步骤
3. 验证解释：解释如何重生成/更新图；建议替代（对数刻度、分面、平滑）；说明数据转换

简洁 ggplot2 示例

library(tidyverse)

df <- read_csv("data.csv")

ggplot(df, aes(x = year, y = gdp_per_capita, color = country)) +
  geom_line(size = 1) +
  scale_y_continuous(labels = scales::comma) +
  labs(
    title = "GDP per Capita Over Time",
    x = "Year", y = "GDP per Capita (USD)", color = "Country"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    legend.position = "bottom",
    panel.grid.minor = element_blank()
  )

ggsave("figures/gdp_per_capita.pdf", width = 7, height = 4, dpi = 300)

必备环境

• R 4.0+ 或 Python 3.10+
• R：ggplot2、scales、dplyr
• Python：matplotlib、seaborn（可选）

最佳实践

1. 使用矢量格式（PDF/SVG） for 出版
2. 标签简洁可读
3. 文档化图中使用的数据筛选

常见陷阱

• 图挤在一起、缺清晰标签
• 多图之间刻度不一致
• 导出低分辨率

推荐参考文献

• ggplot2 documentation
• Tufte (2001) The Visual Display of Quantitative Information

14. sdd（规约驱动开发）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：spec-driven-development · requirements · design · documentation

用途

实现规约驱动开发（SDD）生命周期：Intent → Requirements → Design → Tasks → Build ——结构化特性开发流程。

触发关键词

sdd · spec-driven · ears requirements · feature spec

核心哲学

1. 代码之前先清晰：需求与设计未批准前绝不要生成代码
2. 迭代打磨：需求 → 设计 → 任务，循环直至坚实
3. 文档即代码：真相在 markdown 文件里，而非聊天中

五条命令

EARS 五种需求句式

• Ubiquitous：The <system> shall <response>
• Event-Driven：WHEN <trigger> [precondition] the <system> shall <response>
• Unwanted：IF <unwanted> THEN the <system> shall <response>
• State-Driven：WHILE <state>, the <system> shall <response>
• Optional：WHERE <feature>, the <system> shall <response>

并加 Properties (Invariants) 章节记录通用正确性陈述。

设计检查清单

• 无情删减（移除过度设计）
• 检查循环依赖（用接口提取/分层/事件修复）
• 与 steering 文档保持一致

任务规则

• 两层层级最多（Task > Subtask）
• 顺序执行（每任务建立在上一基础上）
• 可追溯：每个任务链接到 REQ-ID（如 REQ-001）

15. techdebt（技术债务发现器）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：refactoring · code-quality · maintenance
特殊：禁用自动调用（disable-model-invocation: true）

用途

识别并修复代码库中的技术债务——重复代码、死代码、过时模式、代码异味。建议在会话末尾运行以收尾清理。

五类问题

1. 代码重复：相似函数、可整合的拷贝粘贴块
2. 死代码：未使用 import/函数/类、注释掉的代码、不可达路径
3. 过时模式：废弃 API、%/.format vs f-string、typing.List vs list、缺类型提示
4. 代码异味：>50 行函数、>5 参数、>3 层嵌套、魔法数字、复杂条件
5. 缺最佳实践：缺 docstring、缺错误处理、硬编码值应配置、关键路径缺测试

工作流

1. 扫描代码库——按上述模式找
2. 报告发现——按类目列出，含文件路径与行号，估计严重程度
3. 修复——从高严重 + 易修复开始，每个修复原子提交，每改完跑测试
4. 验证——ruff check .、pytest

用法

/techdebt                  # 扫描整个项目
/techdebt src/             # 指定目录
/techdebt src/utils.py     # 指定文件

输出

按类目给出：发现的问题 / 已修复 / 剩余待未来会话处理

16. commit-push-pr（提交推送拉取请求）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：git · github · pull-request
特殊：禁用自动调用

用途

自动化 Git 工作流——完成特性或修复后，提交、推送、创建拉取请求。

预计算上下文

开始前自动收集：

• 当前分支：git branch --show-current
• Git 状态：git status --short
• 最近提交：git log --oneline -5
• Diff 摘要：git diff --stat

五步工作流

1. 评审变更——检查 git status 所有改动文件、阅读 diff、确保无敏感文件（.env、凭据等）
2. 运行 pre-commit 检查： 格式化：ruff format . Lint：ruff check . 测试：pytest
3. 暂存并提交： Conventional Commits 格式：feat:、fix:、docs:、refactor:、test:、chore: 信息聚焦"为什么"
4. 推送到远程：git push -u origin HEAD
5. 创建 PR： 用 GitHub CLI：gh pr create 含清晰标题、描述、相关 issue 引用 加合适 label

用法

/commit-push-pr                       # 自动生成 commit 信息
/commit-push-pr feat: add user authentication   # 自定义信息

输出

返回 PR URL

17. code-simplifier（代码简化器）

作者：Awesome Econ AI Community · 版本：1.0.0
标签：refactoring · python · readability
特殊：禁用自动调用

用途

在改动完成后清理与简化代码——降低复杂度、提升可读性、确保一致性。

何时使用

完成特性或修复后运行，确保代码干净、可读、可维护。

四大简化目标

1. 降低复杂度：拆长函数、降嵌套深度（最大 3 层）、化简条件、提取魔法数字
2. 提升可读性：描述性命名、注释非显然逻辑、一致格式、删多余注释
3. 应用 Pythonic 模式： 列表/字典/集合推导 with 语句管理资源 enumerate() 代替手动索引 zip() 并行迭代 f-string 格式化 pathlib 处理路径
4. 清理：去未用 import、未用变量、注释代码、冗余路径、合并重复逻辑

五步工作流

1. 识别变更文件——本会话内修改或参数指定
2. 逐文件分析——找简化机会，按影响排优先级
3. 应用简化——增量改、保持行为、每改后跑测试
4. 格式化与 Lint——ruff format .、ruff check --fix .
5. 验证——pytest，确保行为不变

前后对比示例

Before：

result = []
for i in range(len(items)):
    if items[i].is_valid == True:
        result.append(items[i].value)

After：

result = [item.value for item in items if item.is_valid]

Before：

if x != None:
    if y != None:
        if z != None:
            process(x, y, z)

After：

if all(v is not None for v in (x, y, z)):
    process(x, y, z)

四、技能生态全景图

┌──────────────────────────────────────────────────────────────┐
│                  awesome-econ-ai-stuff                        │
│                  AI 技能集（17 项 · CC0）                      │
└──────────────────────────────────────────────────────────────┘
                              │
        ┌─────────────────────┼─────────────────────┐
        ▼                     ▼                     ▼
   ┌─────────┐          ┌──────────┐          ┌──────────┐
   │ 研究流程 │          │  工程化   │          │ 跨工具   │
   │ (13 项) │          │ (4 项)   │          │ 兼容     │
   └─────────┘          └──────────┘          └──────────┘
        │                     │                     │
   ┌────┴────┐           ┌────┴────┐         Claude Code
   │ 全周期  │           │ SDD     │         Cursor
   │ 覆盖    │           │ TechDebt│         Gemini CLI
   │         │           │ CPP PR  │         Codex
   │         │           │ Simplify│         Copilot
   └─────────┘           └─────────┘         Windsurf

五、对中国经济学研究者的实用建议

5.1 与现有工具链的契合度

5.2 中文学术场景的潜在扩展

这些技能主要面向英文期刊和英语研究习惯。要适配中国场景，可能需要扩展：

• CSMAR / CNRDS / WIND 数据接入——类似 api-data-fetcher 但针对中文数据库
• 中文面板数据模板——如 PSM+DID、Stata 17+ reghdfe 中文标签
• 国家社科基金/教育部人文社科申报书模板——类似 academic-paper-writer 但针对国内申报规范
• CSSCI / 北大核心投稿规范——期刊格式适配

5.3 安装优先级建议

如果只挑 3 个最值得立刻装的：

1. r-econometrics——日常回归主力
2. academic-paper-writer——写作质量底层改造
3. lit-review-assistant——文献工作流标准化

六、技术细节：SKILL.md 标准

每个技能都是纯文本 SKILL.md 文件，遵循 agentskills.io 开放标准：

YAML frontmatter

---
name: my-skill-name
description: What the skill does (shown in skill discovery)
workflow_stage: analysis
compatibility: [claude-code, cursor, codex, gemini-cli]
author: ...
version: 1.0.0
tags: [tag1, tag2]
---

兼容性矩阵

提交新技能

# 1. Fork 仓库
# 2. 在 _skills/ 下新建目录，复制 SKILL_TEMPLATE.md
# 3. 填写 SKILL.md
# 4. 提交 PR，或用 https://meleantonio.github.io/awesome-econ-ai-stuff/submit

七、参考文献与扩展阅读

技能库本身

• 仓库：meleantonio/awesome-econ-ai-stuff
• 官网：https://meleantonio.github.io/awesome-econ-ai-stuff
• 标准：Agent Skills Standard (agentskills.io)
• 模板：SKILL_TEMPLATE.md
• 贡献指南：CONTRIBUTING.md

计量经济学经典

• Angrist & Pischke (2009) Mostly Harmless Econometrics
• Cunningham (2021) Causal Inference: The Mixtape
• Wooldridge (2010) Econometric Analysis of Cross Section and Panel Data
• Mas-Colell, Whinston & Green (1995) Microeconomic Theory

计量方法最新进展

• Goodman-Bacon (2021) Difference-in-differences with variation in treatment timing — JEconometrics
• Callaway & Sant'Anna (2021) Difference-in-differences with multiple time periods — JEconometrics
• de Chaisemartin & D'Haultfœuille (2020) Two-way fixed effects estimators with heterogeneous treatment effects — AER
• Borusyak, Jaravel & Spiess (2024) Revisiting Event-Study Designs: Robust and Efficient Estimation — ReStud

学术写作

• Cochrane (2005) Writing Tips for PhD Students
• Thomson (2011) A Guide for the Young Economist
• Shapiro (2019) How to Give an Applied Micro Talk

复现研究规范

• Gentzkow & Shapiro (2014) Code and Data for the Social Sciences
• DIME Analytics Data Handbook (World Bank)

八、总结

awesome-econ-ai-stuff 不是"AI 替你写论文"，而是把经济学家每天重复的工作流——数据清洗、回归、文献笔记、LaTeX 排版、Beamer 演讲——打包成可被 AI 调用的标准化技能包。

它不替代你的研究判断，但能让你的机械劳动时间减半，让方法论规范内嵌在每次输出中——从 assert income >= 0 到 iplot 事件研究，从 EARS 需求句式到 Conventional Commits。

对经济学研究者而言，这套技能最值得借鉴的是它的结构化思维：把"如何写好引言"、"如何跑 DiD"、"如何做文献综述"这些隐性知识显性化、模板化、可复用化——这本身就是一个值得学习的科研工程化范式。

文档版本：v1.0 · 撰写日期：2026-07-05 · 数据来源：meleantonio/awesome-econ-ai-stuff GitHub 仓库 main 分支 60 commits, 533 stars