À propos du projet

## Aperçu du projet Auto-Empirical Research Skills (AERS) est une collection de compétences pour agents IA destinée à la recherche empirique en sciences sociales, maintenue par Stanford REAP et CoPaper.AI. Le dépôt utilise le chinois comme langue d'entrée par défaut, avec des versions en anglais, chinois traditionnel, japonais et coréen. Selon le README, le dépôt contient 76 collections de compétences et environ 1 096 skills, numérotés de 00 à 72 en continu, tous intégrés (vendored) dans ce dépôt et suivis par `catalog/skills.json`. Parmi eux, 7 compétences développées par l'équipe constituent l'épine dorsale du pipeline, les autres étant des instantanés de travaux communautaires ayant fait l'objet d'un audit de sécurité, avec des liens directs vers les dépôts d'origine. ## Couverture et pipeline Le README décompose le processus de recherche empirique en 9 étapes, avec les compétences correspondantes pour chaque étape : 1. Affinage du sujet — resserrer les idées vagues en questions de recherche falsifiables et exécutables 2. Revue de littérature — recherche, filtrage, processus PRISMA, lecture critique, analyse thématique 3. Acquisition de données — bases de données publiques, API, scraping web, nettoyage des données 4. Stratégie d'identification — DiD / RD / IV / SCM / DML / matching 5. Modélisation et estimation — trois piles techniques : Python, Stata, R 6. Audit de robustesse — vérification des paquets de reproductibilité, Honest-DiD, simulation R&R 7. Tableaux et graphiques — mise en page de qualité publication et intégration LaTeX 8. Rédaction et évaluation par les pairs — LaTeX / Quarto, simulation de relecteurs, relecture 9. Réduction AIGC et soumission — traitement des motifs d'IA, nettoyage des caractères cachés et des métadonnées La compétence de méta-orchestration Paper-WorkFlow est décrite comme reliant les étapes ci-dessus en un pipeline de bout en bout, où l'utilisateur peut donner des tâches en langage naturel, les produits de chaque étape étant enregistrés sur disque, avec possibilité d'intervention manuelle à n'importe quelle étape avant de poursuivre l'exécution automatique. ## Compétences développées par l'équipe Les compétences développées par l'équipe listées dans le README comprennent : StatsPAI (DSL Python pour l'inférence causale), Full Empirical en trois versions Python / Stata / R, de-AIGC-skills (réduction AIGC académique bilingue chinois-anglais), AER-skills (suite de soumission en économie) et Paper-WorkFlow (méta-orchestrateur). ## Installation et utilisation Le README propose trois voies d'installation : fournir l'URL du dépôt à Claude Code / Codex en spécifiant la portée répertoire, projet ou globale ; installer via le marché des plugins de Claude Code ; ou cloner directement le dépôt puis copier un dossier de compétence individuel dans `.claude/skills/` ou `~/.claude/skills/`. À l'utilisation, on décrit la tâche en langage naturel, et l'agent sélectionne automatiquement la compétence en fonction de sa description. ## Mécanismes de qualité et de vérification Le dépôt comprend des outils de benchmark, eval-harness et de notation aers-score. Le README indique que le même système de notation peut être utilisé pour évaluer des agents externes et publier les résultats sur un tableau de bord externe. Il existe également des processus de contrôle tels que la validation du catalogue, la vérification des liens, les tests unitaires, ainsi que des documents d'audit des licences et des sources. ## Licence Le dépôt est sous licence CC BY-SA 4.0. Les collections communautaires sont des instantanés des dépôts d'origine ; les licences spécifiques et la confiance des sources sont détaillées dans les documents d'audit du dépôt.