实证研究智能体工作流

#计算社会科学 #实证研究 #Agent #复现 #科研工作流

实证研究智能体工作流

实证研究智能体工作流把论文生产从“和聊天机器人问答”改造成一个可复现、可审计、可停止的项目文件夹。它关注的对象不是单次 prompt，而是研究目标、数据、代码、权限、验证和 provenance 共同构成的制度层。

观察

研究智能体的最小单元不是模型，而是本地项目文件夹：README/目标、数据目录、脚本、输出、skills、permissions、provenance 和 memory 共同定义任务边界。
README 或项目说明负责把研究任务写成可验收目标；skills 负责沉淀可复用 SOP；MCP/tools 负责访问真实数据和执行代码；verification 负责阻止“看起来完成”的静默降级。
provenance 和 memory 必须分开。provenance 面向研究者、审稿人和合作者，记录数据来源、下载时间、API 参数和处理链；memory 面向 agent，帮助它减少重复检索和保持上下文。
权限设计是科研质量的一部分：raw data 应该只读，processed data 可以生成，安装包、联网、写入敏感目录等动作要有明确 allow/ask/deny 边界。
停止规则把完成定义权留在人手里。连续同错、超预算、未满足 README 验收条款、脏数据进入回归等情况都应触发停止或报错，而不是让 agent 自行美化结果。
OpenClaw 的课堂部署把这一工作流教学化：研究路径要求用 agent 完成完整社科研究任务，技术路径要求自主构建 agent 工具，从而把“会用”推进到“能造”。
AI4SS 技术入门把这套工程语言带到公开教学场景：社科研究者需要理解 agent 如何进入文献综述、研究设计和基础设施搭建，而不只是调用聊天机器人。
Christopher Blattman 的 Prompt、Plan、Review、Revise 页面提供了面向非技术专业人士的低摩擦入口：先把问题、背景和约束装入项目，再显式计划、独立审查、修订并沉淀下一次可复用的说明。对实证研究而言，这个入口仍须继续细化为 estimand、识别假设、数据边界和验收测试。
Emergence World 提供长程多智能体数据生成环境，但其跨模型示范运行首先是平台观察。若要形成实证研究，需要固定角色与工具、记录版本和随机种子、进行独立重复，并把模型比较与现实人群推论分开。

和可执行社会科学的关系

可执行社会科学关注社会科学问题如何转成可运行实验结构；实证研究智能体工作流则提供项目工程层：目录、脚本、验证、来源追踪和权限边界。前者回答“研究机制如何执行”，后者回答“执行过程如何可复现和可审计”。

边界

Agent 能提高执行密度，不替代研究问题、识别策略、变量含义和理论判断。
自动下载和分析公开数据不自动满足伦理要求；隐私、涉密和受限数据仍需要独立合规流程。
同一 agent 不应既产出结果又做最终审稿；高风险项目需要新会话、不同模型或人工复核。
单次模拟中的跨模型差异不能代替因果设计；即使平台宣称“只改变基础模型”，缺少重复运行和独立核验时仍不能估计稳定模型效应。

实证研究智能体工作流

实证研究智能体工作流

观察

和可执行社会科学的关系

边界

相关页面

证据