企业官网建设流程全解析

别再瞎装技能了！AERS 76 个合集 1096 个 Skill 选择指南：CHOOSING_A_SKILL 与 TAXONOMY 实战解读

【免费下载链接】Auto-Empirical-Research-Skills🔬 A curated collection of 23,000+ agent skills for empirical research across 8 social science disciplines. | 精选 23,000+ AI Agent 技能库，覆盖8大社会科学学科的实证研究。CoPaper.AI 20分钟完成一篇可复现的规范实证论文，并支持用户上传 Skills。-- Maintained by CoPaper.AI from Stanford REAP.项目地址: https://gitcode.com/gh_mirrors/aw/Auto-Empirical-Research-Skills

AERS（Auto-Empirical Research Skills）是由 CoPaper.AI 与斯坦福 REAP 维护的AI Agent 实证研究技能库，收录76 个合集、1,096 个 Skill，覆盖经济学、管理学等 8 大社会科学学科从数据分析到投稿答辩的全流程。面对上千个技能，新手最常卡住的问题是：到底该装哪一个？本文带你实战解读两份核心文档——docs/CHOOSING_A_SKILL.md（技能选择指南）和 docs/TAXONOMY.md（技能分类学），用"目标 → 方法 → 语言"三步法，30 秒内锁定你要的那个 Skill。

一、为什么"装得多"反而是错？

很多新手的第一反应是把 skills/ 整个目录丢进自己的 Agent 环境。官方明确反对这种做法，原因写在根目录 SKILL.md 里：

• 上下文成本：全部 1,096 个技能的描述加起来约64k tokens，会在会话启动时全部加载；
• 匹配反而变差：运行时环境会截断过长的技能列表，"装得多"等于"找不着"；
• 名字冲突：目录里有47 个重名技能（比如data-analysis、lit-review在多个合集里都有），需要靠 catalog/curation.json 里的首选副本去消歧。

所以 AERS 把整个仓库设计成一个路由器（Router）：入口只有一个根 SKILL.md，它先帮你分类任务、再加载唯一最匹配的那个技能，而不是一股脑全读。

一个 Skill 本质上是"写给 AI 的方法论手册"——没有技能时，AI 跑完一个基础回归就结束了，平行趋势、稳健性检验全靠你反复提醒；激活对应的 DID Skill 后，AI 会自动按流程走完"平行趋势 → 基准回归 → 稳健性 ×4 → 异质性 → 机制分析"五步：

二、第一步：从"你想做什么"出发选技能

docs/CHOOSING_A_SKILL.md 的第一张表就是"目标路由表"——先别管方法，先说目的。最常用的对应关系如下：

三、第二步：TAXONOMY 分类学，三个维度快速收窄

docs/TAXONOMY.md 由scripts/build-catalog-enrich.py自动生成，给全部技能打上了阶段、方法、语言、主题四类标签。三个维度各看一张表就够了。

1️⃣ 按工作流阶段（Stage）

2️⃣ 按方法（Method）——最容易踩坑的地方

注意一个反直觉结论：交错 DID 场景下，你几乎从不需要普通 TWFE。TAXONOMY 明确指向 Callaway–Sant'Anna、Sun–Abraham、Borusyak 等现代估计量，并且有行为评测场景 eval-harness/scenarios/statspai-staggered-did.toml 来验证技能是否真的做对了。

3️⃣ 按语言（Language）

latex（89）>python（50）＝stata（50）>r（22）。00.x 系列流水线在三种分析语言里都有对应版本，跟着你的技术栈选即可。交互式筛选可以用 docs/search.html 按方法、阶段、语言、许可证四维过滤。

一个 Skill 的内部长什么样？打开任意 SKILL.md 都能看到：头部 frontmatter 声明触发条件与标签（name/description/tags），正文则是带 Step 编号的标准流程（前置检查 → 诊断 → 估计 → 作图 → 稳健性），AI 照着一步步自动执行：

四、30 秒决策树：一张图走完全流程

docs/CHOOSING_A_SKILL.md 末尾给了一棵官方决策树，可以直接抄进你的工作流：

有数据、要结果？ ├─ 是 → 先审识别：aer-identification │ 再跑流水线：00 / 00.1 / 00.2 / 00.3（按语言） │ 最后做稳健性：aer-robustness └─ 否，有结果要成文： ├─ 引言/摘要 → aer-introduction ├─ 表图 → aer-tables-figures ├─ 投稿合规 → aer-submission ├─ R&R 审稿回复 → aer-rebuttal └─ 可复现数据包 → aer-replication 润色文字？ ├─ 实证论文（EN / 中文）→ de-aigc-skills └─ 通用英文学术文 → avoid-ai-writing / stop-slop

五、找不到就搜目录：find-skill 实战速查

决策树没覆盖到的任务，AERS 提供了带排名的目录搜索脚本 scripts/find-skill.py，中英文任务描述都能用：

python3 scripts/find-skill.py "staggered difference-in-differences event study" python3 scripts/find-skill.py "降低中文论文 AIGC 率" -k 5

排序逻辑：先按相关性，再按 catalog/curation.json 的路由层级——一方core技能优先、重名只保留首选副本、跑题的自然科学指南垫底。除非描述明显不匹配，直接取第一条，只读它一个 SKILL.md。

如果需要自己过滤，机器可读的目录文件是：

• catalog/skills.json：1,096 条技能的路径、描述、全局唯一qualified_name；
• catalog/skills-enriched.json：额外带tier、tags、quality_score、license、commercial_use；
• docs/SKILL_CATALOG.md：人类可读的全量目录。

⚠️ 两个 JSON 各约 1 MB / 2 万行，官方建议查询而不是整读（grep或几行 Python 过滤即可）。

六、选完技能，再看"信任面"：绿分 ≠ 算得对

最后一道防线要理解官方文档里的一个关键区分：卫生分（hygiene）为绿只说明技能格式规范；它能不能让 Agent 产出正确的计量经济学，是由行为评测和数值基准来证明的：

• benchmark/：19 个数值基准任务，黄金值每次从真实数据重算；
• eval-harness/：42 个评测场景 / 217 个评分项，其中 9 个场景经过"对/错双样本自检"证明能区分技能行为，且全部 6 个 critical 场景在内；
• 优先选有对应评测场景覆盖的技能（如statspai-staggered-did、statspai-weak-iv、statspai-rdd-diagnostics）。

以 StatsPAI 旗舰技能为例，一句"帮我做 DID 分析"触发后，流水线会自动产出事件研究图、稳健性检验和主效应系数图——下面这张系数图就是 Card 教育回报 IV 演示（demo-StatsPAI-skill/）的交付物之一：

配套的 Mincer 工资方程拟合则展示了"技能自动把每一步都做到发表标准"的另一个侧面：

七、新手速查：关键文件路径清单

记住三句话：装得少不如装得对；先说目标再说方法；找不到就find-skill.py搜目录。选对入口技能，AI 才能替你走完从数据清洗到投稿合规的每一步。

【免费下载链接】Auto-Empirical-Research-Skills🔬 A curated collection of 23,000+ agent skills for empirical research across 8 social science disciplines. | 精选 23,000+ AI Agent 技能库，覆盖8大社会科学学科的实证研究。CoPaper.AI 20分钟完成一篇可复现的规范实证论文，并支持用户上传 Skills。-- Maintained by CoPaper.AI from Stanford REAP.项目地址: https://gitcode.com/gh_mirrors/aw/Auto-Empirical-Research-Skills