AERS 实证研究技能库
23,000+ 精选技能，覆盖 8 大社会科学学科，端到端实证论文自动化流水线。
证据显示仓库包含安全策略（SECURITY.md）、依赖固定（requirements.txt）、工作流权限最小化（check-external-links.yml 等使用 contents: read 和 issues: write），以及安装脚本的安全防护（test_install_skills.py 测试了拒绝覆盖源目录）。但未发现用户确认机制、数据流透明度的详细说明、敏感数据处理的具体措施、外部影响的明确描述或回滚机制。来源归属方面，README 提供了上游仓库链接和许可证审计，但发布者身份未验证。因此，多数标准得分较低，但依赖安全（固定版本、Dependabot、OpenSSF Scorecard）和来源归属（上游链接）得分较高。
仓库内部一致性较好：README 声称 76 个集合、1096 个技能，与目录一致；测试文件（conftest.py、test_install_skills.py、test_numeric_check.py）显示有测试基础设施。依赖可用性方面，requirements.txt 固定了版本，但未提供安装说明或依赖清单。失败消息方面，测试中显示了错误消息，但未提供面向用户的失败处理文档。因此，自我一致性和依赖可用性得分中等，失败消息得分较低。
README 明确面向实证研究者和 AI 代理开发者，并提供了多种使用场景（整仓导入、单技能导入）。能力边界在 README 中有所描述（路由技能、不加载全部技能），但触发精度（SKILL.md 的触发条件）未在提供的文件中详细说明。环境适配方面，支持 Codex、CodeBuddy、Claude Code 等，但未提供具体环境要求。因此，受众和场景、能力边界、环境适配得分中等，触发精度得分较低。
信息架构清晰：README 提供了目录、技能列表和分组。安装说明在 README 和 INSTALL.md 中提及，但未提供详细步骤。命名稳定性：项目已重命名，但提供了重定向说明。示例和 FAQ：README 提供了快速入门和验证方法，但未提供 FAQ。已知限制：未明确列出。许可证：CC BY-SA 4.0 明确。版本和变更日志：未提供。维护责任：README 和 SECURITY.md 显示了维护者响应，但未明确指定。因此，信息架构、安装说明、命名稳定性、示例、许可证、维护责任得分中等，已知限制和版本控制得分较低。
输出可用性：技能旨在生成可复现的实证论文，但未提供输出格式示例。边际价值：提供了 1096 个技能，但未与现有工具比较。成本效益：未提供性能或资源使用数据。因此，输出可用性和边际价值得分中等，成本效益得分较低。
声明可追溯性：README 声称技能经过验证，但未提供具体验证数据。跨来源佐证：提供了上游仓库链接，但未提供独立验证。事实与推断分离：未明确区分。因此，声明可追溯性得分中等，跨来源佐证和事实推断分离得分较低。
- 发布者身份未验证，需谨慎对待来源不明的技能。
- 未提供用户确认机制，安装或执行技能时可能缺乏明确同意。
- 数据流和敏感数据处理细节不足，需审查技能代码。
- 未提供回滚机制，安装后难以撤销。
- 依赖安全虽已固定，但未提供安装说明，可能影响可复现性。
这个 Agent 能做什么，适合哪些场景？
Auto-Empirical Research Skills (AERS) 是由斯坦福 REAP 与 CoPaper.AI 联合维护的实证研究技能库，收录 76 个技能合集、共 1,096 个 skill，覆盖经济学、政治学、社会学等 8 个社会科学学科。它提供了从选题精炼、文献综述、数据获取、识别策略、估计建模、稳健性审计到出版级表格/图形、写作与降 AIGC 的 9 阶段端到端流水线，并特别设计了 Paper-WorkFlow 元编排器，让 Agent 可以一键串联整个流程。项目包含自研的 StatsPAI 因果引擎（900+ 函数）、Python/Stata/R 三栈全流程 skill，以及中英双语学术降 AIGC 技能，并通过 17 项数值 benchmark 和 37 项行为评测验证了核心技能的有效性。
AERS 通过 76 个技能合集（编号 00-72）提供 1,096 个可直接调用的 skill，覆盖实证研究全流程。用户可以通过自然语言指令让 Agent 自动挑选合适的 skill，例如运行 '用面板数据跑一个 Callaway–Sant'Anna 事件研究'。核心的 StatsPAI skill 提供 'sp.causal(...)' 等 Python DSL 函数，可一行完成 DID/RD/IV/SCM/DML 等因果推断；Python/Stata/R 三栈 skill 分别封装了 pandas/statsmodels/reghdfe/fixest 等库。此外，AERS 还包含 48 de-AIGC-skills 用于降低学术写作的 AI 检测率，以及 69 Paper-WorkFlow 作为元编排器，将 9 个阶段无缝串联，并允许用户在任意阶段介入修改。安装时，仓库内的技能通过 Claude Code 插件市场或手动复制文件夹方式部署，并依赖 catalog/skills.json 进行统一管理。
- 高校社科研究者：从模糊 idea 出发，利用 AERS 流水线自动完成选题、文献综述、数据分析和论文写作。
- 经济学博士生：使用 StatsPAI 或 Stata skill 快速运行面板数据因果推断，并生成期刊出版级表格。
- 需要投稿 SSCI/CSSCI 的作者：利用 de-AIGC 技能降低论文 AI 检测率，符合期刊要求。
- 政策研究人员：通过文献综述和数据获取技能，快速收集证据并撰写政策简报。
- 跨学科团队：利用 8 大学科的技能库，支持教育、心理学等领域的实证研究。
这个 Agent 有哪些优点和局限？
- 覆盖实证研究全流程，9 阶段流水线设计，从选题到投稿一站式自动化。
- 包含自研 StatsPAI 因果引擎，支持 DID/RD/IV/SCM/DML 等多种方法，900+ 函数。
- 三栈支持（Python/Stata/R），满足不同用户的技术栈偏好。
- 内置 17 项数值 benchmark 和 37 项行为评测，技能质量有据可查。
- 提供中英双语降 AIGC 技能，适配国内期刊要求。
- 依赖 Claude Code 插件市场，对非 Claude 用户不友好。
- 仓库规模庞大（76 合集、1,096 skills），安装和检索可能有一定学习成本。
- 部分社区技能为上游快照，可能缺少维护，许可证需逐一审计。
- 许可证声明为 NOASSERTION，需谨慎评估合规风险。
如何安装或部署这个 Agent？
安装 AERS 最简单的方式是将仓库 URL 提供给 Claude Code，并指定安装范围（目录/项目/全局），Agent 会自动完成安装。手动安装可用命令行：
- 插件市场方式（Claude Code v2.1+）：
claude plugin marketplace add brycewang-stanford/Auto-Empirical-Research-Skills
claude plugin install aer-skills@auto-empirical-research-skills- 单技能复制方式：
git clone --recurse-submodules https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills.gitcp -R skills/00.1-Full-empirical-analysis-skill_Python .claude/skills/ # 项目级
cp -R skills/00.1-Full-empirical-analysis-skill_Python ~/.claude/skills/ # 全局
如何使用这个 Agent？
安装后，在 Claude Code 中新建会话，直接使用自然语言描述任务，Agent 会根据 description 自动选择对应 skill。例如：
- 运行因果推断：'用面板数据跑一个 Callaway–Sant'Anna 事件研究，并出 HonestDiD 稳健性和期刊级表格'
- 启动全流程：'开一个新论文项目：空气污染与中国劳动力市场，CS 设计 + 省级面板'
用户可在流水线任意步骤介入，上一阶段产物会落盘，便于手动修改后继续。