应用微观经济学研究者(博士生、助理教授、RA)在拿到 WRDS 等受限数据后,用 Stata 做事件研究或回归,并把结果整理成可投稿的论文表格,同时要能复现每一个数字。
研究者自己写 Stata do 文件、手工整理 LaTeX 表、靠个人笔记和邮件传递复现步骤,或使用现成的复现包模板。
从原始数据到论文表要跨数据授权、清洗、回归、制表多道手工环节,任何一步脚本或版本不一致都会让复现失败;审稿与期刊复现要求会直接卡住发表。
AI 应用的生意判断
帮经济学研究者从拿数据、做回归到出论文表,并把数字复现出来
01
从用户的一天开始 · 公开事实 + 可观察行为 · 2026-10-20
应用微观经济学研究者(博士生、助理教授、RA)在拿到 WRDS 等受限数据后,用 Stata 做事件研究或回归,并把结果整理成可投稿的论文表格,同时要能复现每一个数字。
研究者自己写 Stata do 文件、手工整理 LaTeX 表、靠个人笔记和邮件传递复现步骤,或使用现成的复现包模板。
从原始数据到论文表要跨数据授权、清洗、回归、制表多道手工环节,任何一步脚本或版本不一致都会让复现失败;审稿与期刊复现要求会直接卡住发表。
趋势是学术论文开始要求「数字真能从数据跑出来」。切入做实证经济学的复现审计:期刊投稿前核表、核计算,靠科研经费付咨询,不要做通用论文生成器。
推断:它把复现审计、事件研究、WRDS/Stata 调用和出版级表格封装成 Claude Code/Codex 可直接调用的技能,减少研究者逐条重写脚本和手工对表的一步;当研究者需要在投稿前自查复现或接手他人数据时,会倾向选择它。
① 三个月内是否出现 fork 和真实采用案例——有没有人真的在自己的论文工作流里用它; ② 是否新增技能或更新既有技能(项目还在动说明作者自己还在用); ③ 是否进入知名实验室/课程的推荐清单——学术工具的传播靠口碑背书,不靠榜单
值得拆解。推断:它把复现审计、事件研究、WRDS/Stata 调用和出版级表格封装成 Claude Code/Codex 可直接调用的技能,减少研究者逐条重写脚本和手工对表的一步;当研究者需要在投稿前自查复现或接手他人数据时,会倾向选择它。
做 AI 辅助工具时,把"验证"做成显式产品功能而非隐式承诺。 三个动作可以照搬:给每个输出步骤加可复现的检查点(金丝雀测试); 失败时先诊断是输入质量问题还是模型问题,再决定改哪里; 对证据一致性做字节级保证,不给"大概一致"留空间。
未披露。 MIT 开源,无付费服务、无 SaaS、无赞助页。 ① 三个月内是否出现 fork 和真实采用案例——有没有人真的在自己的论文工作流里用它; ② 是否新增技能或更新既有技能(项目还在动说明作者自己还在用); ③ 是否进入知名实验室/课程的推荐清单——学术工具的传播靠口碑背书,不靠榜单
帮经济学研究者从拿数据、做回归到出论文表,并把数字复现出来
推断:它把复现审计、事件研究、WRDS/Stata 调用和出版级表格封装成 Claude Code/Codex 可直接调用的技能,减少研究者逐条重写脚本和手工对表的一步;当研究者需要在投稿前自查复现或接手他人数据时,会倾向选择它。
追踪该仓库 README 与 issue/discussion,确认是否已有研究者报告复现审计或制表的实际使用结果。
产品主张帮助用户完成:“帮经济学研究者从拿数据、做回归到出论文表,并把数字复现出来”。具体痛点强度与不采用代价尚未由用户证据核验。
价值闸门未通过,共识闸门未进入。
价值闸门未通过,模式闸门未进入。
价值闸门未通过,求真闸门未进入。
02
市场对照
尚未完成中英文市场对照。待覆盖范围和可核验证据补齐后再给出结论。
03
先给出判断与下一步,再保留完整证据和反例。
给实证应用微观经济学研究用的 Claude Code / Codex 技能包:从数据获取、LLM 辅助分类、 计量估计、论文表格到最终交付,覆盖整条研究管线,核心卖点不是"帮你更快出论文", 而是"让已发表的数字真的能从数据复现出来"。
作者 kennethkhoocy,单作者仓库,MIT 协议,2026-07-22 创建,47 star / 0 fork。 主要语言是 Python 脚本加 Markdown 技能定义。无公司、无团队信息。
判断:这是"研究者给同行写工具"的形态。0 fork、无 issue,说明还没形成社区; 但技能质量(面向复现性验证的整套方法)更像是作者自己在研究中被咬过后写的解决方案。
仓库含 18 个独立技能,按研究管线分五组:
adversarial-empirical-review:对抗性审查论文表格里每个数字
能否从底层数据复现,用确定性检查加跨模型审查者加盲审评委会;也支持从原始数据完整复现模式annotator-input-parity-check(确认模型看到的证据和人工标注者一致)、
llm-gold-bound-failure-check(门控失败时先诊断是否金标准标签质量的问题,避免盲目烧钱改提示词)、
llm-campaign-drift-gate(多日标注活动中用廉价金丝雀测试防模型别名漂移)、
adjudication-sheets(人工裁决表,保证裁决证据和分类器输入字节级一致)、
asyncopenai-concurrency-httpx-pool(修复批处理评分器约 100 并发上限)event-study-cars(累计异常收益计算引擎,已对照 Stata 的
eventstudy2 验证到浮点精度)、wrds(WRDS 查询模式:Compustat/CRSP/FactSet 等)、
stata(用 pystata 驱动 Stata,内存中交换 pandas 数据)、pyfixest 相关的两个调试技能latex-empirical-tables(estout 风格回归表格)、
stata-style-figures(matplotlib 样式化成 Stata 风格)、cite-placement(用已核验参考文献,
明确"绝不虚构引用")lit-review-orchestrator(文档驱动的文献检索)、latex-to-word、
markdown-to-pdf、download-gated-pdfs(从机器人拦截网站经 Wayback Machine 拿真实 PDF)实证经济学里"数字能否复现"以前靠的是人的肉眼和耐心:审稿人或研究助理打开论文、 对照数据和代码,手动验证每个表格数字;LLM 辅助标注以前靠人抽检; "上周用模型跑的分类结果可信吗"以前靠重跑一次碰运气。
这套技能的替代对象是这条"人工复核链"里的重复劳动——把对抗性复核、标注质量门控、 表格转换检查变成可重复执行的自动化步骤。同时它也替代了一个更隐蔽的旧行为: 在 AI 辅助研究里"相信模型输出"的默认动作,换成一层显式的验证门。
判断:这里最值钱的是作者对"验证"的偏执——多数人拿 LLM 做研究是加速生成, 作者想的是生成之后的每一步都得能证明没坏。这是被顶刊审稿人教育过的人才写得出的东西。
未披露。 MIT 开源,无付费服务、无 SaaS、无赞助页。
判断:学术工具的价值一向在"声誉 + 方法论影响",不在直接收费。技能包如果能进 几个知名实验室的工作流,作者在学术圈的声誉资本是更实在的回报。
| 维度 | 结论 |
|---|---|
| 创始人-产品匹配度 | 高度匹配。作者显然是被"数字复现不出来"这个问题反复咬过的人 |
| 产品洞察力 | 抓住了实证研究里"验证"这个真痛点,且方法设计细致(金丝雀测试、字节级证据一致) |
| 技术实现质量 | 技能定义扎实,含可复现的工程细节,不是提示词堆砌 |
| 市场时机 | 偏早。AI 辅助研究刚起步,大部分研究者还在"让 AI 帮干活"阶段,没到"证明 AI 干的活没错"阶段 |
这是"研究者给 AI 辅助研究上护栏"的样本,洞察真实,但还停留在个人项目阶段。
它踩中的是真问题:LLM 辅助实证研究的最大争议不是"快不快"而是"能不能信"。
作者用一整套显式验证机制回应——不是"我保证结果是对的",而是"每一步都可以被检查"。
llm-gold-bound-failure-check 这种技能(门控失败先诊断是金标准的问题还是模型的问题)
说明作者在真实研究里吃过分类质量的亏,这种细节编不出来。
但证据面很薄。 47 star、0 fork、单作者、两周前才创建,没有任何采用证据。 技能包的价值只在被真实研究工作流用起来之后才成立——而在被使用之前, 它只是"另一个人的笔记"。
可迁移的规律:给 AI 输出设计"验证层",比优化提示词更接近研究工作流的真实需求。 当错误代价高(论文被撤稿、标注被质疑),用户真正买的是"可证明没坏", 不是"通常都对"。任何高容错成本场景(研究、金融、医疗)都值得照这个思路做。
① 三个月内是否出现 fork 和真实采用案例——有没有人真的在自己的论文工作流里用它 ② 是否新增技能或更新既有技能(项目还在动说明作者自己还在用) ③ 是否进入知名实验室/课程的推荐清单——学术工具的传播靠口碑背书,不靠榜单
产品逻辑:做 AI 辅助工具时,把"验证"做成显式产品功能而非隐式承诺。 三个动作可以照搬:给每个输出步骤加可复现的检查点(金丝雀测试); 失败时先诊断是输入质量问题还是模型问题,再决定改哪里; 对证据一致性做字节级保证,不给"大概一致"留空间。
定价结构:无。开源学术工具没有可迁移的定价结构。
有待观察。 痛点真实、方法细致,但 47 star、0 fork、零采用证据说明还处于 "个人项目"阶段。作者是真的懂行的研究者,这点不用怀疑;值得怀疑的是它能不能 从个人笔记变成被采用的工具。三个月后看上面三条。
05
产品官网缺失或当前链接只是线索时,从这些检索入口继续核验。