社科研究十大 Skills & 工具排名！

1. Auto-Empirical-Research-Skills
斯坦福团队自研的 23k+ 实证研究 Agent Skills 全家桶
 https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills…
2. StatsPAI
Agent-native 因果计量 Python 库，统一 API + 结构化输出
 https://github.com/brycewang-stanford/StatsPAI…
3. Awesome-Journal-Skills
期刊专用投稿技能包（AER/QJE/Nature 等）
 https://github.com/brycewang-stanford/Awesome-Journal-Skills…
4. AER-Skills
针对 AER 及 AEJ 系列的顶级期刊投稿技能栈
 https://github.com/brycewang-stanford/AER-Skills…
5. Auto-Research-Skills
自主科研技能与 Agent 精选库
 https://github.com/brycewang-stanford/Auto-Research-Skills…
6. statsmodels
Python 经典统计建模与计量经济学库
 https://github.com/statsmodels/statsmodels…
7. dowhy
因果推断核心库（DoWhy），图形模型 + 假设检验
 https://github.com/py-why/dowhy
8. causalml
Uber 出品：Uplift建模与因果 ML 工具
 https://github.com/uber/causalml
9. EconML
异质性因果效应（CATE）机器学习工具
 https://github.com/py-why/EconML
10. python-causality-handbook
《Causal Inference for the Brave and True》实战手册
 https://github.com/matheusfacure/python-causality-handbook…

把前 5 个 brycewang-stanford 的自研仓库 star 起来，尤其是想用 AI Agent 写论文、做实证的同学，效率直接起飞。

brycewang-stanford/Auto-Empirical-Research-Skills

Source: https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills

Auto-Empirical Research Skills (AERS)

🌐 语言: English | 简体中文（默认） | 繁體中文 | 日本語 | 한국어

Stanford REAP × CoPaper.AI · 实证研究 AI 工具的学术工业级产品
_{由斯坦福实证研究方法论团队打造，覆盖从数据清洗到顶刊投稿的完整工作流}

先看这里：整仓是一个 AERS Router Skill

本仓库支持把仓库根目录作为一个整体 skill 导入 Codex、CodeBuddy、Claude Code 或类似 IDE。根目录的 SKILL.md 会注册为 auto-empirical-research-skills，作用是根据你的研究任务路由到合适的 vendored 子 skill，而不是把 69 个合集、1,145 个 skill 一次性加载进上下文。

• 推荐整仓导入：选择仓库根目录，使用 agents/openai.yaml 和根 SKILL.md 注册一个 catalog router；后续由 agent 先查 catalog/skills.json 或 docs/SKILL_CATALOG.md，再只读取目标子 skill。
• 推荐单 skill 导入：如果 IDE 要求“一目录一个 skill”，请复制那个直接包含 SKILL.md 的子目录，例如 skills/50-brycewang-aer-skills/skills/aer-workflow/，不要把整仓误当成 1,145 个独立 skill 递归注册。
• 安装细节：见 docs/INSTALL.md。中文 README 是默认入口；英文入口保留在 README-en.md。

全部 69 个 skill 合集一览

打开仓库 → 看见整座库。 全部 69 个合集 · 1,145 个 skill，从 00 → 69 编号，每一个都已 vendor 进本仓库（不仅是外链），并由 catalog/skills.json 跟踪。点击任意一行即可打开其文件夹。 ⭐ = 由 Stanford REAP × CoPaper.AI 团队自研的 skill；其余均为精选、经安全审计的社区作品。

主题图例 — 🚀 全流程与编排器 · 🎯 因果推断与计量经济学 · 📚 文献与研究设计 · ✍️ 写作、编辑与去 AIGC · 📑 引用、复现与同行评审 · 🛠️ 数据、工具与基础设施

⭐ 我们亲手打造的主干： StatsPAI（因果引擎）· 显式的 Python / Stata / R 全流程移植 · AER-skills（Top-5 投稿套件）· chinese-de-aigc · Paper-WorkFlow（元编排器）。它们是 AERS 的主干 —— 完整对比见 旗舰流水线 skills ↓。更想按用途浏览？见 同样的 69 个，按用途分组 ↓。

面向实证研究的专业级 Agent Skills 发行版。 不是一份营销清单 —— 本仓库自有并已编目 1,145 个 skill，外加一套数值基准 + 评测套件 + 安全审计 + CI 把质量焊死，再叠加一张覆盖生态 23,000+ skill / 119 个仓库的精选地图。

AERS 同时是两样东西：(1) 一小撮自研旗舰 skill，能跑通完整实证流水线 —— 数据清洗 → 识别 → 估计 → 稳健性 → 表格图形 → 可投稿初稿；(2) 一份精选、安全可控的目录，按研究流程阶段组织整个实证研究 skill 生态。我们的差异化不在数量，而在于：旗舰 skill 的行为是对着已知答案验证过的，而不是嘴上声称的。

已更名。 本项目原名 Awesome Agent Skills for Empirical Research。GitHub 会自动重定向旧地址，但请更新你的本地 remote：

git remote set-url origin https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills.git

目录

• 全部 69 个 skill 合集一览（完整的 00 → 69 索引）
  • 69 个合集 · 按用途分组
• 你究竟得到什么（精确数字）
• 2 分钟自行验证
• 为什么值得信任 —— 三层信用锚点
• 旗舰流水线 skills
• 从这里开始 —— 30 秒选一个 skill
• 凭什么不只是 23K skill 的堆砌
• 浏览全景
  • 工具目录（tools/）
  • 按研究流程
  • 综合型 skill 套件
  • 降 AIGC 检测率 & 学术去 AI 味
  • 多代理系统 · MCP 服务器 · 平台 · 学习资源
• 安全扫描
• 更新日志
• 贡献与引用

69 个合集 · 按用途分组

与顶部的顺序索引 ↑同样是 69 个合集 · 1,145 个 skill —— 这里按研究用途重新排序，方便你直接跳到当前所处的阶段。⭐ = 自研（Stanford REAP × CoPaper.AI）；其余均为精选、经安全审计的社区作品。

🚀 全流程旗舰与编排器 —— 一次调用，跑通整个实证闭环

🎯 因果推断与计量经济学 —— AERS 的方法论核心

📚 文献、阅读与研究设计 —— 从问题到证据基础

✍️ 写作、编辑与去 AIGC —— 起草、润色，并通过 AI 检测

📑 引用、复现与同行评审 —— 让它可验证、可复现

🛠️ 数据、工具与基础设施 —— 流水线底下的管道

你究竟得到什么（精确数字）

本 README 的数字一律精确、可辩护、不混淆。“自有（vendored）“指文件就在本仓库里、并被生成式 catalog 跟踪；“生态目录“指对外部仓库的精选链接。

安全审计覆盖的是原始 52 合集 / 2,940 文件的基线（52/52 CLEAN）。在该基线之后新增的 vendor skill 由 catalog/provenance.json、docs/LICENSE_AUDIT.md、docs/SKILL_AUDIT.md 跟踪；高信任场景使用前请先 make audit 复核。

2 分钟自行验证

这里最有说服力的不是某个数字，而是：旗舰流水线的行为不需要 API key、不需要付费模型就能复核。只要 Python 3：

git clone https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills.git
cd Auto-Empirical-Research-Skills
make check        # 仓库校验 + 单元测试 + eval lint + 数值基准

基准是最关键的部分：它每次运行都从原始数据集重算 gold 答案，所以分数无法靠写死一个数字蒙混过关。开箱即可复现：

• LaLonde (1986) / Dehejia–Wahba (1999) —— 朴素观察性比较给出错误符号（−635）；加入协变量调整后翻正（≈ +1,548），逼近实验基准（≈ +$1,794）。
• Card (1995) —— IV 教育回报（0.131）高于 OLS（0.075），且第一阶段 F（13.3）如实报告而非藏起来。
• 另含交错 DID（TWFE 偏误 vs group-time 真值）、断点 RDD，以及一个坏控制 / 后处理偏误陷阱。

只有当流水线暴露陷阱、拒绝把误导性数字当头条、并匹配重算真值时才算通过。详见 benchmark/ 与完整信任说明 docs/TRUST.md。

💡 想要托管版、开箱即用？ 不必自己拼装 —— copaper.ai 由同一支斯坦福方法论团队在打造本目录的同时构建，直接替你跑完整实证流水线。

为什么值得信任 —— 三层信用锚点

旗舰流水线 skills

四个并行实现，跑的是同一套 8 步实证闭环 —— 数据清洗 → 变量构造 → 描述统计 → 诊断检验 → 估计 → 稳健性 → 机制/异质性 → 发表级表图 —— 再加上投稿与去 AIGC 两条线。每个都采用渐进式披露：SKILL.md 只放一条主干（每步的标准调用），分步深度手册按需加载。它们并存共生，按技术栈和场景挑选即可。

为什么既要 DSL 又要显式三件套？ 信任一键 DSL 时用 StatsPAI；做教学、审计、或要逐个替换诊断时用 00.1/00.2/00.3。AER-skills 再把一份正确的分析推到录用门槛 —— 它们解决的是不同问题，可以组合。

从这里开始 —— 30 秒选一个 skill

更多入口：

• 不确定用哪个？ → docs/CHOOSING_A_SKILL.md · 分面搜索：docs/search.html
• 端到端走通前 10 分钟 → docs/GETTING_STARTED.md
• 直接复制完整工作流 → docs/GOLDEN_WORKFLOWS.md
• 装进 runtime / 免安装使用 → docs/INSTALL.md
• 机器可读索引 → catalog/skills.json · 分类法：docs/TAXONOMY.md · 完整目录：docs/SKILL_CATALOG.md
• 常见问题 → docs/FAQ.md

凭什么不只是 23K skill 的堆砌

公开 skill 的数量很容易灌水，近期研究也表明大型 skill 索引常常冗余、偶尔不安全。AERS 比拼的是可验证的质量，不是裸数量。下面每一层都能本地 make check、也都在 CI 里跑。

make catalog     # 重新生成 catalog、provenance、audit、enrichment
make validate    # 新鲜度 + 链接 / frontmatter 检查
make check       # 完整 gate：validate + Python 编译 + 单元测试 + eval lint + benchmark

这套信任面是必要而非充分 —— 正则 rubric 不能认证文笔，小基准也覆盖不了每一种设计。它的设计目标是对已知高代价错误快速失败。诚实的边界说明见 docs/TRUST.md 与 docs/QUALITY_GATE.md。

浏览全景

📚 完整的 69 合集目录 ↑ 就在本 README 顶部 —— 本节按主题深入这个生态。

按研究流程

选题构思 → 文献检索 → 文献精读 → 研究设计 → 数据获取
   │           │          │          │          │
   ▼           ▼          ▼          ▼          ▼
  01          02         03         01         04

数据清洗 → 统计分析 → 论文初稿 → 修改润色 → 排版引用
   │           │          │          │          │
   ▼           ▼          ▼          ▼          ▼
  04          05         06         07         08

论文复现 → 投稿审稿 → 审稿回复 → 答辩展示
   │           │          │          │
   ▼           ▼          ▼          ▼
  09          10         10         10

🗺️ 研究流程地图 — 10 阶段直达仓库 vendored skill · 从选题到投稿，一屏看全。

各阶段 skill 速查（中英双语）：01 选题与研究设计 · 02 文献检索与综述 · 03 论文阅读与拆解 · 04 数据获取与清洗 · 05 统计分析与因果推断 · 06 论文写作 · 07 论文修改与润色 · 08 引用管理与排版 · 09 论文复现与可复现研究 · 10 审稿回复与学术答辩

综合型 skill 套件

AERS 要解决的痛点：让 AI 跑一个 DID，它给了基准回归就停了。“平行趋势呢？”—— 补一个。“安慰剂呢？”—— 再补一个。每次都像挤牙膏。 而 skill 是给 agent 的方法论操作手册：它已经知道一个完整的 DID 意味着 平行趋势 → 基准 → 稳健性矩阵 → 异质性 → 机制，每一步该输出什么也都定好了。

降 AIGC 检测率 & 学术去 AI 味

2026 年学术写作最尖锐的痛点之一：论文 AIGC 率超标（Turnitin、GPTZero、知网）可被一票否决。下面这几个 skill 是目前最完整的开源方案 —— 全部 MIT，全部本地收录（skills/44-49）。

组合建议： 🇨🇳 中文（知网/万方/维普）→ chinese-de-aigc · 🇬🇧 英文 → humanizer_academic · 需要审计留痕 → avoid-ai-writing · 通用散文 → stop-slop。

工具目录（tools/）：自动化实证与因果推断工具

与上面的 skill 不同，tools/ 收录的是 agent / 研究者实际调用的软件与服务——已结构化编目、核实过 license 与维护状态，并接入 make validate。事实源 tools/tools.json，可浏览清单 tools/CATALOG.md。

335 个工具 / 6 类（2026-06 收录）：

• 因果推断 / 处理效应库（32） — DoWhy · EconML · CausalML · DoubleML · CausalPy · causallib · grf · CATENets · TMLE 系列 · 孟德尔随机化 …
• 计量 / 准实验库（170） — 面板FE · DiD（含现代/staggered）· 事件研究 · RDD · IV · 合成控制/SDID · 匹配加权 · 敏感性分析（fixest · did · HonestDiD · rdrobust · synthdid · reghdfe · csdid · sdid · pyfixest · linearmodels …）；新增空间计量（spdep · PySAL/spreg · GeoDa）· 局部投影/IRF & (S)VAR（lpirfs · vars · svars）· 调查加权/MRP/raking（survey · samplics · balance）· 元分析（metafor · meta · netmeta · metan）；横跨 R/Python/Stata/Julia。
• 自动化研究 / 数据科学 Agent（51） — 端到端自动做科研/数据分析：AI-Scientist · data-to-paper · Agent Laboratory · RD-Agent · AI-Researcher · STORM · PaperQA2 · gpt-researcher · DeepAnalyze · MetaGPT(DI) · Biomni …（⚠️ 含非 OSI/无 LICENSE 仓库，用前确认授权）。
• MCP 服务（48） — 统计执行（StatsPAI · stata-mcp · R / Jupyter MCP）+ 数据获取（FRED · World Bank · IMF · OECD · Eurostat · Census · BEA · BLS · SEC EDGAR · OpenAlex · Semantic Scholar · PubMed · Zotero · arXiv …）。
• 因果发现 / 结构学习（25） — causal-learn · Tetrad / py-tetrad · gCastle · CDT · tigramite(PCMCI) · LiNGAM · NOTEARS / DAGMA · pcalg · bnlearn · pgmpy …
• 基准与数据集（9） — causaldata · IHDP / Twins · ACIC 竞赛数据 · RealCause · JustCause · Tübingen cause-effect pairs · bnlearn 网络库 …

完整说明见 tools/README.md。

多代理系统 · MCP 服务器 · 平台 · 学习资源

安全扫描

仓库原始 52 个 skill 合集 / 2,940+ 文件通过了系统性审计 —— 52/52 全部 CLEAN，零 FLAGGED：未发现任何恶意 prompt、病毒、反向 shell 或 prompt 注入。所有看似敏感的命中，经验证后均归入三类合法内容：防御性安全规则、合法学术 API 调用（arXiv / CrossRef / PubMed / FRED / World Bank / OECD / BLS）、或标准 Claude Code 工作流 hook（全部本地文件操作、零网络 IO）。

六阶段、纵深防御：13 类风险维度自动 grep → 6 个含 hook 的 skill 及其 40+ hook 脚本 100% 人工核查（全仓无 Bash(*) 通配符）→ 三 agent 并行内容审查 → 补充完整性检查（隐藏 Unicode、编码异常、HTML 注入、网络 import）。

关键洞察： 规模最大 ≠ 风险最高。体量最大的几个 skill 全部通过；17-DAAF 反而树立了安全意识标杆（14 个防御 hook + 32 条 deny rule + 主动凭据扫描）。

基线之后新增的 vendor skill 由 catalog/provenance.json 与 docs/SKILL_AUDIT.md 跟踪 —— 请 make audit。完整报告：SECURITY-SCAN-REPORT.md。

更新日志

叙事版更新日志已迁至 CHANGELOG.md。近期要点：

• 2026-05 —— 收录 AER-skills（Top-5 经济学投稿套件，9 个 skill）并设周更上游同步；数值基准扩到 5 个因果复原任务、评测套件扩到 17 场景 / 95 rubric。
• 2026-04 —— 完成 52/52 安全基线；交付四个全流程旗舰（StatsPAI + 显式 Python / Stata / R）；上线原创 chinese-de-aigc skill。
• 更早 —— 从 43 个合集成长为覆盖 119 仓库 / 23,000+ skill 的精选地图；新增双语 README、学术数据 MCP 服务器与多代理系统。

贡献与引用

欢迎贡献 —— 请阅读 CONTRIBUTING.md 与 docs/SKILL_SUBMISSION_GUIDE.md。我们特别欢迎社会科学 skill（经济学、政治学、社会学、心理学、教育、公共健康）、因果推断方法的新实现、学术/政府数据的 MCP 服务器、中文友好的 skill、以及多代理案例。新提交须声明 来源、许可、类别 以供 provenance 审计。

如果 AERS 对你的工作有帮助，请引用它（CITATION.cff）并点个 Star，让更多研究者看到。

AI 是放大器，不是替代品。它替你做最耗时的“搬砖“，你保留最核心的“判断“。

_{Stanford REAP × CoPaper.AI · 实证研究 AI 工具的学术工业级产品}

扫码访问 copaper.ai

关注公众号「CoPaper.AI」

内置 20 个方法论 skill · 20 分钟完成实证论文 · 自研 StatsPAI（900+ 函数 / MIT 开源）