自动经验研究技能
自动经验研究技能 是 AI Skill Hub 本期精选Agent工作流之一。已获得 2.1k 颗 GitHub Star，综合评分 8.0 分，整体质量较高。我们强烈推荐将其纳入你的 AI 工具库，帮助提升工作效率。
📚 深度解析
自动经验研究技能 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 8.0 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
自动经验研究技能 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
自动经验研究技能 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 克隆仓库 git clone https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills cd Auto-Empirical-Research-Skills # 查看安装说明 cat README.md # 按 README 完成环境依赖安装后即可使用
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 查看帮助 auto-empirical-research-skills --help # 基本运行 auto-empirical-research-skills [options] <input> # 详细使用说明请查阅文档 # https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills
# auto-empirical-research-skills 配置说明 # 查看配置选项 auto-empirical-research-skills --config-example > config.yml # 常见配置项 # output_dir: ./output # log_level: info # workers: 4 # 环境变量（覆盖配置文件） export AUTO_EMPIRICAL_RESEARCH_SKILLS_CONFIG="/path/to/config.yml"
Auto-Empirical Research Skills (AERS)
🌐 Language: English | 简体中文 | 繁體中文 | 日本語 | 한국어
<br/>
<img src="images/aers-readme-cover-en.png" alt="Auto-Empirical Research Skills cover" width="100%" />
<br/>
|
|
<br/>
<strong>Stanford REAP × CoPaper.AI</strong> · An academic–industrial AI toolkit for empirical research<br/> <sub>Built by Stanford's empirical-methodology team — the full pipeline from data cleaning to top-journal submission</sub>
<br/> </div>
---
The flagship pipeline skills
Four parallel implementations of the same 8-step empirical loop — data cleaning → variable construction → descriptives → diagnostics → estimation → robustness → mechanism/heterogeneity → publication-ready tables & figures — plus the submission and de-AIGC stacks. Each uses progressive disclosure: a thin canonical-call spine in SKILL.md, with deep per-step reference manuals loaded only on demand. They coexist; pick by stack and use case.
| Skill | Stack | Best for |
|---|---|---|
| **[StatsPAI](skills/00-Full-empirical-analysis-skill_StatsPAI/SKILL.md)** 🔥 | Agent-native Python **DSL** — one sp.causal(...) runs the loop; 900+ functions, self-describing API, unified CausalResult | Whole-pipeline automation in one agent call when you trust the DSL |
| **[Full Empirical Analysis — Python](skills/00.1-Full-empirical-analysis-skill_Python/SKILL.md)** 📘 | **Explicit** stack: pandas · statsmodels · linearmodels · pyfixest · rdrobust · econml · causalml | Teaching, referee-level line-by-line audit, strict replication needing full control |
| **[Full Empirical Analysis — Stata](skills/00.2-Full-empirical-analysis-skill_Stata/SKILL.md)** 📊 | Community standard: reghdfe · ivreg2 · csdid · did_imputation · sdid · rdrobust · synth · psmatch2 · boottest · esttab | When a referee or co-author insists on a Stata replication pack (AER/QJE/JPE/ReStud style) |
| **[Full Empirical Analysis — R](skills/00.3-Full-empirical-analysis-skill_R/SKILL.md)** 📗 | Modern tidyverse: fixest · did · synthdid · HonestDiD · rdrobust · grf · DoubleML · marginaleffects · **Quarto** | Single-.qmd reproducibility reports rendered to PDF/HTML/Word in one command |
| **[AER-Skills](skills/50-brycewang-aer-skills/)** 📕 | 9 skills: topic routing → identification audit → robustness → intro → tables → replication → submission → R&R → orchestrator | Top-5 economics (AER / AER:Insights / AEJ) submission: *identification-first* — fragile design, no prose saves it |
| **[chinese-de-aigc](skills/48-copaper-ai-chinese-de-aigc/SKILL.md)** 🇨🇳 | 17-pattern Chinese AI-tell library, 5-step locate→diagnose→rewrite→score→review loop | Lowering AI-writing signal for CNKI / Wanfang / VIP / Turnitin-Chinese submissions |
| **[Paper-WorkFlow](skills/69-Paper-WorkFlow/README.md)** 🧭 | **Meta-orchestrator** chaining Stage 0–9 — topic → design → data → estimation → tables/figures → draft → polish → de-AIGC → mock review → submission — by dispatching existing skills and parallel subagents with a resumable workflow_state.json | Auto-running a full empirical social-science paper end to end |
**Why a DSL and explicit ports?** Reach for StatsPAI when you trust the one-shot DSL; reach for 00.1/00.2/00.3 when you are teaching, auditing, or must swap every diagnostic by hand. AER-skills then takes a correct analysis to acceptance threshold — these solve different problems and compose.
---
高质量的AI工作流，丰富的代理技能
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- +可扩展性强，支持复杂场景
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
该工具使用 NOASSERTION 协议，商用场景请仔细阅读协议条款，必要时咨询法律意见。
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
📄 NOASSERTION — 请查阅原始协议条款了解具体使用限制。
🔗 相关工具推荐
❓ 常见问题 FAQ
经综合评估，自动经验研究技能 在Agent工作流赛道中表现稳健，质量优秀。如果你已有明确的使用需求，可以直接上手体验；如果还在评估阶段，建议对比同类工具后再做决策。
| 原始名称 | Auto-Empirical-Research-Skills |
| Topics | academic-researchai-agentawesome-list |
| GitHub | https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills |
| License | NOASSERTION |
| 语言 | Stata |
收录时间：2026-06-21 · 更新时间：2026-06-21 · License：NOASSERTION · AI Skill Hub 不对第三方内容的准确性作法律背书。
🤖 交给 Agent 安装 · 自动经验研究技能
选择 Agent 类型，复制安装指令后粘贴到对应客户端