Sobre el proyecto

## Descripción general del proyecto Auto-Empirical Research Skills (AERS) es una colección de habilidades de Agent de IA orientada a la investigación empírica en ciencias sociales, mantenida por Stanford REAP y CoPaper.AI. El repositorio usa el chino como entrada predeterminada y también ofrece versiones en inglés, chino tradicional, japonés y coreano. Según el README, el repositorio contiene 76 colecciones de habilidades y alrededor de 1.096 skills, numeradas de forma continua del 00 al 72, todas vendorizadas en este repositorio y rastreadas por `catalog/skills.json`. De ellas, 7 habilidades marcadas como desarrolladas por el equipo constituyen el tronco del pipeline, y el resto son instantáneas de trabajos comunitarios sometidos a auditoría de seguridad, cuyas columnas de origen enlazan directamente a los repositorios upstream. ## Alcance y pipeline El README divide el proceso de investigación empírica en 9 etapas y enumera las habilidades correspondientes a cada etapa: 1. Refinamiento del tema: ajustar una idea vaga hasta convertirla en una pregunta de investigación falsable y ejecutable 2. Revisión de literatura: búsqueda, cribado, flujo PRISMA, lectura crítica, análisis temático 3. Obtención de datos: bases de datos públicas, API, scraping web, limpieza de datos 4. Estrategia de identificación: DiD / RD / IV / SCM / DML / matching 5. Estimación y modelado: tres stacks técnicos de Python, Stata y R 6. Auditoría de robustez: revisión de paquetes de replicación, Honest-DiD, simulación de R&R 7. Tablas y gráficos: maquetación de nivel editorial y incrustación en LaTeX 8. Escritura y revisión por pares: LaTeX / Quarto, simulación de revisores, corrección 9. Reducción de AIGC y envío: tratamiento de patrones de rastros de IA, limpieza de caracteres ocultos y metadatos La habilidad de metaorquestación Paper-WorkFlow se describe como la que encadena las etapas anteriores en un pipeline de extremo a extremo; el usuario puede dar tareas en lenguaje natural, los productos de cada etapa se guardan en disco y se permite continuar la ejecución automática tras la intervención humana en cualquier paso. ## Habilidades desarrolladas por el equipo Las habilidades desarrolladas por el equipo enumeradas en el README incluyen: StatsPAI (DSL de Python para inferencia causal), las tres versiones de Full Empirical en Python / Stata / R, de-AIGC-skills (reducción académica de AIGC bilingüe chino-inglés), AER-skills (kit de envío para economía) y Paper-WorkFlow (metaorquestador). ## Instalación y uso El README ofrece tres rutas de instalación: entregar la URL del repositorio a Claude Code / Codex y especificar el directorio, el ámbito de proyecto o el global; instalar mediante el mercado de plugins de Claude Code; o clonar directamente el repositorio y copiar una carpeta de skill individual a `.claude/skills/` o `~/.claude/skills/`. Al usarlo, se describe la tarea en lenguaje natural y el Agent selecciona automáticamente según la description del skill. ## Mecanismos de calidad y verificación El repositorio incluye benchmark, eval-harness y la herramienta de puntuación aers-score; el README afirma que se puede usar el mismo conjunto de evaluadores para puntuar agentes externos y publicarlo en un marcador externo. También hay procesos de control como validación del catálogo, comprobación de enlaces y pruebas unitarias, además de documentación de auditoría de licencias y procedencia. ## Licencia El repositorio adopta la licencia CC BY-SA 4.0; las colecciones comunitarias son instantáneas upstream, y la licencia concreta y la confianza en la procedencia figuran en la documentación de auditoría dentro del repositorio.