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 · 2026-09-23
应用微观经济学研究者（博士生、青年教师、RA）在拿到 WRDS 等受限数据后，用 Stata 跑事件研究等回归，并把结果整理成可投稿的论文表格，同时要保证论文里的数字能被复现。
旧做法是研究者自己维护 do-file、手工拼表，或依赖个人脚本库、同事的代码和通用 LLM 对话来补 Stata/WRDS 细节；这些替代不针对复现审计和出版级表格做端到端约束。
公开材料指向的痛点是：从原始数据到论文表之间的 Stata 脚本、变量构造和表格排版高度手工化，且复现审计往往在审稿或合作者复核时才暴露不一致，返工成本高。这是从产品能力与工作流结构推出的判断，尚无用户抱怨或案例直接佐证。
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：相较自己写 do-file 或问通用 LLM，它把复现审计、LLM 流水线方法、事件研究、WRDS、Stata 和出版级表格封装成可调用的技能，研究者可在同一流程里生成表格并核对数字，减少手工拼表和事后返工这一步；因此正在做实证论文、需要向审稿人或合作者交付可复现结果的研究者会在写作与复核阶段选择它。
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：相较自己写 do-file 或问通用 LLM，它把复现审计、LLM 流水线方法、事件研究、WRDS、Stata 和出版级表格封装成可调用的技能，研究者可在同一流程里生成表格并核对数字，减少手工拼表和事后返工这一步；因此正在做实证论文、需要向审稿人或合作者交付可复现结果的研究者会在写作与复核阶段选择它。
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：相较自己写 do-file 或问通用 LLM，它把复现审计、LLM 流水线方法、事件研究、WRDS、Stata 和出版级表格封装成可调用的技能，研究者可在同一流程里生成表格并核对数字，减少手工拼表和事后返工这一步；因此正在做实证论文、需要向审稿人或合作者交付可复现结果的研究者会在写作与复核阶段选择它。
追踪该仓库的 issue、discussion 与 README 更新，确认是否有研究者公开报告在真实 WRDS/Stata 数据上跑通复现审计与出版级表格的可复现记录。
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。