Claude Code 装上这个框架，做实证研究不再担心 AI 瞎编结论

用 Claude Code 做实证研究，最怕什么？

不是代码写错，而是——跑完发现数字对不上、日志找不到、样本定义和论文不一致。更可怕的是，AI 自信满满给了结论，你却没法证明它有没有在某个环节”幻觉”了一把。

这个问题，Claude Code Research Harness 专门来解决。

这是一个把 Claude Code 从”会写代码的智能体”，变成”可审计研究协作者”的框架。作者是来自中国农业大学的朱晨，目前在 GitHub 开源，定位非常垂直——面向有实证研究需求的学者和研究人员。

它的核心思想就一句话：

No script, no log, no claim.

没有脚本、没有日志，就不下结论。听起来像常识，但 Claude Code 跑起来的时候，没几个人真的会停下来检查日志。

7 个阶段，把研究流程锁死

Research Harness 把整个实证研究流程拆成 7 个强制阶段：

• /research-harness-setup — 初始化研究合同、文件夹结构和原始数据保护规则
• /research-harness-audit — 只读审查原始数据，生成审计报告，发现 ID 变量、缺失值、合并键等问题
• /research-harness-clean — 必须生成可复现脚本 + 日志 + 报告三件套，才能进入下一步
• /research-harness-plan — 根据研究规格生成可执行分析计划，研究者批准后才能执行
• /research-harness-work — 执行分析，每个任务必须满足：脚本存在 + 日志存在 + 输出存在 + 证据路径写入记录
• /research-harness-review — 审查识别策略、数字一致性和因果表述
• /research-harness-release — 打包完整复制档案：脚本、日志、输出、报告

如果你只想做数据清洗，调用 /research-harness-audit → /research-harness-clean 就够了。支持从中间阶段切入。

解决了哪些实际问题

作者在 README 里列举了没有 Harness 时容易出现的问题：样本不一致、系数手动复制后对不上表、merge 失败但被总结成”完成”、脚本无法复现论文最终结果……

这些问题在社科实证研究里太常见了。Research Harness 把它们全部变成显式检查点——数据受保护、每次清洗有日志、每次 merge 有诊断报告、每个因果声明必须经过审查。

怎么安装

Fork 或克隆仓库，然后在项目目录启动 Claude Code 即可：

git clone https://github.com/maxwell2732/claudecode-research-harness-workflow.git
cd claudecode-research-harness-workflow && claude

之后按需求调用对应命令，不需要每次跑全流程。

适用人群

这是一个非常垂直的工具，适合：

• 用调查面板数据做实证研究的硕博生和学者

<li需要批量复现论文基准回归的研究者

• 想用 AI 辅助研究但担心”AI 瞎编结论”的团队

如果你做的是软件开发、Vibe coding 类的工作流，这个框架反而显得太重了。但对于需要可复现、可审计结论的研究场景，它确实是目前看到的最系统的方案之一。

GitHub：https://github.com/maxwell2732/claudecode-research-harness-workflow

GitHub: https://github.com/maxwell2732/claudecode-research-harness-workflow