这才是 AI 科研工作流的终局:76 个 Skill 串成一条论文流水线

这才是 AI 科研工作流的终局：76 个 Skill 串成一条论文流水线

两个月前我们聊 academic-research-skills 火到 1.6w Star，还以为那就是终点了。结果斯坦福实证研究方法论团队直接把桌掀了——他们整了一个 Auto-Empirical-Research-Skills（AERS），76 个 Skills 按 9 阶段流水线串起来，从「空气污染对中国劳动力市场的影响」这种模糊 idea 开始，一句话跑到底，输出顶刊投稿稿。

这不是又一个 Skills 合集，这是论文工厂的操作系统。

一个项目，把学术研究全流程拆成 9 个按钮

AERS 把一篇实证论文切成 9 个连续阶段：选题精炼 → 文献综述 → 数据获取 → 识别策略 → 估计建模 → 稳健性审计 → 表格图形 → 写作同行评审 → 降 AIGC 投稿。每一阶段都有专门的 Skill 顶上去，比如：

• 第 4 阶段识别策略：StatsPAI（DiD/RD/IV/SCM/DML 全套因果识别）
• 第 5 阶段建模：Python / Stata / R 三栈，900+ 估计器
• 第 8 阶段写作：仿审稿人逐节反馈、LaTeX/Quarto 排版
• 第 9 阶段降 AIGC：知网/万方/Turnitin/23 类 AI 痕迹模式

最狠的是第 69 号 Skill「Paper-WorkFlow」——它是指挥棒。你在 IDE 里给它一句话「开一个新论文项目：空气污染与劳动力市场，CS 设计 + 省级面板」，它就自动调度上面 9 阶段跑到底。中间任何一步你都可以接过去手工改方法、补变量，再让流水线自动接上跑。

为什么这是「行业观察」级别的合集

我盘了一下 AERS 的整合姿势，发现三个值得关注的信号：

第一，「Skills 合集」开始分层了。 早期 awesome-claude-skills 是 1000+ 平铺，现在顶级团队开始做垂直深耕——学术研究这条线就有学术综述、文献搜索、实证写作、降 AIGC 各自的小合集，再被 AERS 收编成总成。

第二，跨工具栈整合成为新标配。 AERS 同时接 Claude Code、Cursor、Codex，并把 Python/Stata/R 三栈估计器、LaTeX/Quarto 排版、PRISMA 流程、Turnitin 检测都串了起来。这意味着 Agent Skills 正在从「单一工具增强」走向「领域操作系统」。

第三，中文场景被认真做了。 AERS 单独拉出「chinese-de-aigc」「humanize-chinese」两个针对中文学术环境的 Skill，覆盖知网、万方、Turnitin 等本土化检测——这是出海 Skill 难得的本地化动作。

它现在 3k Star，但定位是「学术工业级产品」

项目地址：github.com/brycewang-stanford/Auto-Empirical-Research-Skills

作者 Stanford REAP × CoPaper.AI，把每一阶段都做了 benchmark 验证（17 个 numeric gold 值、183 项 rubric 行为评测），这是合集类项目里少见的「学术工业级」姿态。如果你是社科实证研究者、博士生，或者重度用 AI 写论文/复现文献的开发者——这就是当下最完整的端到端方案。

3k Star 看着不高，但这玩意儿的定位不是刷榜，而是把跑论文这件事流水线化。下一个出圈的学术 Agent 大概率从这里长出来。

GitHub: https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills