Sobre o projeto

## Visão geral do projeto Auto-Empirical Research Skills (AERS) é uma coleção de habilidades de Agent de IA voltada à pesquisa empírica em ciências sociais, mantida pela Stanford REAP e CoPaper.AI. O repositório usa o chinês como entrada padrão e também oferece versões em inglês, chinês tradicional, japonês e coreano. Segundo o README, o repositório reúne 76 coleções de skills e cerca de 1.096 skills, numeradas de 00 a 72 de forma contínua, todas já vendorizadas neste repositório e rastreadas por `catalog/skills.json`. Entre elas, 7 skills marcadas como desenvolvidas pela equipe formam o eixo principal do pipeline; as demais são snapshots de trabalhos da comunidade submetidos a auditoria de segurança, com a coluna de origem ligando diretamente ao repositório upstream. ## Cobertura e pipeline O README divide o fluxo de pesquisa empírica em 9 etapas e lista as skills correspondentes a cada uma: 1. Refinamento do tema — transformar ideias vagas em perguntas de pesquisa falsificáveis e executáveis 2. Revisão de literatura — busca, triagem, fluxo PRISMA, leitura crítica, análise temática 3. Obtenção de dados — bancos de dados públicos, APIs, web scraping, limpeza de dados 4. Estratégia de identificação — DiD / RD / IV / SCM / DML / matching 5. Estimação e modelagem — três stacks tecnológicos: Python, Stata e R 6. Auditoria de robustez — verificação de pacotes de replicação, Honest-DiD, simulação de R&R 7. Tabelas e gráficos — composição tipográfica em nível de publicação e incorporação em LaTeX 8. Redação e revisão por pares — LaTeX / Quarto, simulação de revisor, revisão de texto 9. Redução de AIGC e submissão — tratamento de padrões de vestígios de IA, limpeza de caracteres ocultos e metadados A skill de metaorquestração Paper-WorkFlow é descrita como a responsável por encadear as etapas acima em um pipeline ponta a ponta; o usuário pode emitir tarefas em linguagem natural, os produtos de cada etapa são gravados em disco e é possível intervir manualmente em qualquer passo antes de continuar a execução automática. ## Skills desenvolvidas pela equipe As skills desenvolvidas pela equipe listadas no README incluem: StatsPAI (DSL em Python para inferência causal), as três versões de Full Empirical em Python / Stata / R, de-AIGC-skills (redução acadêmica de AIGC bilíngue chinês-inglês), AER-skills (kit de submissão em economia) e Paper-WorkFlow (metaorquestrador). ## Instalação e uso O README oferece três caminhos de instalação: entregar a URL do repositório ao Claude Code / Codex e especificar o diretório, o escopo de projeto ou global; instalar pelo marketplace de plugins do Claude Code; ou clonar diretamente o repositório e copiar uma pasta de skill individual para `.claude/skills/` ou `~/.claude/skills/`. No uso, descreve-se a tarefa em linguagem natural e o Agent seleciona automaticamente com base na description da skill. ## Mecanismos de qualidade e validação O repositório inclui benchmark, eval-harness e a ferramenta de pontuação aers-score; o README afirma que o mesmo conjunto de avaliadores pode pontuar agentes externos e publicar os resultados em um placar externo. Há também processos de verificação de catálogo, checagem de links, testes unitários e outros controles, além de documentos de auditoria de licenças e origens. ## Licença O repositório adota a licença CC BY-SA 4.0; as coleções da comunidade são snapshots upstream, e a licença específica e a confiança na origem constam nos documentos de auditoria dentro do repositório.