Об этом проекте

## Обзор проекта Auto-Empirical Research Skills (AERS) — это коллекция навыков ИИ-агентов для эмпирических исследований в социальных науках, поддерживаемая Stanford REAP и CoPaper.AI. Репозиторий по умолчанию использует китайский язык в качестве точки входа, а также предоставляет версии на английском, традиционном китайском, японском и корейском языках. Согласно README, репозиторий содержит 76 наборов навыков и около 1096 скиллов, пронумерованных подряд от 00 до 72, все они включены в репозиторий и отслеживаются через `catalog/skills.json`. Семь навыков, отмеченных как собственные разработки команды, составляют основу конвейера, остальные — это прошедшие проверку безопасности снимки сообщества, источники которых напрямую ссылаются на вышестоящие репозитории. ## Охват и конвейер README разбивает процесс эмпирического исследования на 9 этапов и перечисляет соответствующие навыки для каждого: 1. Уточнение темы — сужение нечёткой идеи до проверяемого, выполнимого исследовательского вопроса 2. Обзор литературы — поиск, отбор, процесс PRISMA, критическое чтение, тематический анализ 3. Получение данных — публичные базы данных, API, веб-скрапинг, очистка данных 4. Стратегии идентификации — DiD / RD / IV / SCM / DML / matching 5. Оценка и моделирование — три технологических стека: Python, Stata, R 6. Аудит устойчивости — проверка пакетов воспроизведения, Honest-DiD, симуляция R&R 7. Таблицы и графики — вёрстка журнального уровня и встраивание в LaTeX 8. Написание и рецензирование — LaTeX / Quarto, имитация рецензента, корректура 9. Снижение AIGC и подача — обработка следов ИИ, очистка скрытых символов и метаданных Мета-оркестрационный навык Paper-WorkFlow описан как связывающий вышеуказанные этапы в сквозной конвейер: пользователь может ставить задачи на естественном языке, артефакты каждого этапа сохраняются на диск, и после ручного вмешательства на любом шаге можно продолжить автоматическое выполнение. ## Собственные навыки Собственные навыки команды, перечисленные в README, включают: StatsPAI (Python DSL для причинного вывода), три версии Full Empirical на Python / Stata / R, de-AIGC-skills (двуязычное снижение AIGC для академических текстов), AER-skills (набор для подачи в экономические журналы) и Paper-WorkFlow (мета-оркестратор). ## Установка и использование README предлагает три способа установки: передать URL репозитория в Claude Code / Codex с указанием каталога, проекта или глобальной области; установить через маркет плагинов Claude Code; или клонировать репозиторий и скопировать отдельную папку навыка в `.claude/skills/` или `~/.claude/skills/`. При использовании задача описывается на естественном языке, и агент автоматически выбирает навык на основе описания. ## Механизмы качества и валидации Репозиторий включает benchmark, eval-harness и инструмент оценки aers-score. README утверждает, что с помощью того же скорера можно оценивать внешних агентов и публиковать результаты на внешней доске показателей. Также есть каталог проверок, проверка ссылок, модульные тесты и другие шлюзы, а также документы аудита лицензий и источников. ## Лицензия Репозиторий использует лицензию CC BY-SA 4.0. Коллекции сообщества — это снимки вышестоящих репозиториев; конкретные лицензии и уверенность в источниках указаны в документах аудита внутри репозитория.