QUOTE
把原本零散的实证研究要求， 变成 AI 可以参照执行的流程。
—— 扣子
今天分享一个开源项目，叫 Auto-Empirical Research Skills（AERS）。名字有点长，你可以把它理解成一个面向实证研究的 AI 技能库。
它把不同研究环节需要的方法、操作步骤和检查要求，整理成了 AI 可以按需读取的技能文件。
项目由 Stanford REAP × CoPaper.AI 维护，目前收录了 76 个合集、1,096 个 skill（以仓库 README 与 catalog/skills.json 为准）。
⚠️ 许可提示：根目录 LICENSE 为 CC BY-SA 4.0（署名-相同方式共享），允许商用但须署名、且改编后以相同许可分发；它不是 MIT，社区合集各按上游许可证。详情见第七节。
本文看点
01
覆盖全环节
02
三栈工作流
03
诚实的边界
01
COVERAGE
覆盖哪些环节
前期
辅助检索文献、梳理研究问题。
拿到数据后
协助清洗数据、构造变量、开展计量分析。
得到结果后
辅助做稳健性检验、整理图表、检查引用，以及修改论文和准备审稿回复。
02
THREE STACKS
最实用的地方：三栈工作流
它提供了 Python、Stata 和 R 三套分析工作流。你可以结合自己熟悉的软件，让 AI 参考相应的流程开展工作：
栈
主要工具
Python
pandas / statsmodels / linearmodels / pyfixest
Stata
reghdfe / ivreg2 / csdid / sdid / rdrobust
R
tidyverse / fixest / did / HonestDiD（配 Quarto 渲染）
03
HOW TO PROMPT
安装以后怎么用：关键是把任务说具体
别只说
「帮我跑个回归」。
更好的说法
请使用这个实证研究技能库，分析我提供的企业面板数据。我想研究一项政策对企业创新的影响。先检查数据结构、处理组和政策时间，评估双重差分方法是否适用，再给出分析方案。
这样 AI 才知道需要先检查什么、再执行什么——而不是上来就给你一堆系数。
04
ROUTER
不用一次启用全部技能
项目提供了一个总入口（根目录 SKILL.md 作为路由器），能够根据任务寻找相关技能，再按需读取具体步骤。
你不必、也不应该一次把上千个 skill 全塞进上下文。
05
REPLICATE
一个可以验证的参考
仓库里包含一个端到端复现：Card & Krueger (1994) 最低工资 DiD。从官方原始数据出发，一条零依赖命令即可复现：分组均值逐位匹配、Table 4 系数完全一致。
复制评分器给出的评级是 PERFECT（三个准确度层级均 100%）。
06
THE LIMITS
说句实话：边界在哪里
这几条必须分清：
1. 装了技能库 ≠ 配好了一切。统计软件、数据接口和运行环境仍需你自己准备；
2. 结论不会自动可信。数据质量、识别假设和结果解释，仍然需要研究者把关；
3. 回归是否显著，不能代替对研究设计的判断。这是本项目自己也强调的；
4. 社区合集是上游快照，各自遵循其上游许可证（审计见 docs/LICENSE_AUDIT.md）；
5. 安全扫描是模式匹配，绿色只代表未命中已知恶意模式，不等于已人工审查并确认安全；
6. 项目自述的行为评测中，42 个场景里只有 9 个具备 pass / fail 双 fixture 自检，能证明可区分对错。
07
LICENSE
许可
根目录 LICENSE 为 CC BY-SA 4.0（Creative Commons Attribution-ShareAlike 4.0，Copyright 2026 CoPaper.AI）：可以分享和改编，允许商用，但必须署名，并且改编后以相同许可分发。
注意它不是 MIT，社区合集也各按上游许可，别一概而论。
∞
EPILOGUE
写在最后
我觉得这个项目最值得尝试的地方，是把原本零散的研究要求，变成了 AI 可以参照执行的流程。
如果你已经在用 AI 辅助科研，可以先拿一个明确的小任务试一试——比如检查变量构造，或者复核一张回归表。从一个环节开始，会更容易判断它究竟能帮你做到哪一步。
项目地址：https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills
END
我是扣子，一个热衷于把 AI 真正用进科研的人。
关注「扣子说AI」，持续分享能帮科研提效的 AI 工具和玩法。
#学术神器 #skill