经管人的AI工具实战指南

组会上，有人提了个idea，散会前就让AI跑了个初步验证——当天下午结果就出来了。这放在两年前，光是整理CSMAR数据、写Stata代码、调PSM参数，没有一周根本下不来。

不是魔法，是工具用对了。

这篇文章整理自一次研究生内部分享，聊聊经管科研场景下，哪些AI工具真的好用、怎么用、以及容易踩哪些坑。

主流AI工具，各有各的用法

市面上AI工具很多，但对经管科研来说，真正好用的就那几个，各有侧重。

Claude Code ——本地数据处理首选

命令行运行，界面说实话挺丑的，但代码能力和文字功底都很强。最适合的场景是本地数据处理：把数据文件路径告诉它，它能自己读数据、写代码、运行、输出结果，全程不用你动手。

GPT Codex ——稳定可靠的日常助手

集成在GPT会员里，不额外消耗token，适合日常代码任务。有人的评价是”老实的程序员”——不撒谎，让它给代码它就给代码，不过度发挥，稳定可靠。

Perplexity ——严谨推理场景的首选

做数学和定量推理特别好，幻觉少，不会跟你说好话，就是一板一眼地给结果。如果你需要精确的计算过程或理论推导，它比通用型大模型更靠谱。

Google NotebookLM ——文献综述神器

可以把50篇文献一次性丢进去，让它做整合分析。关键是它不太会编——基于你给的文献回答，不会凭空捏造引用，这一点对学术写作至关重要。此外还支持思维导图、PPT生成，以及最新上线的YouTube插件，可以把指定频道内容转化为可交互的知识智能体。

真实案例：用Claude Code做PSM匹配

做过DID的人都知道PSM有多烦。控制变量的选择、近邻匹配还是卡尺匹配、卡尺半径设多少——每个参数都要试，试完还要看协变量平不平衡，平衡了再看显著性。手动调的话，一个下午就这么没了。

有人把这个任务交给了Claude Code，结果第一次跑了一个小时没动静——AI把所有可能的参数组合写成了一个大循环，要一次性跑完再输出最优结果。

这就是AI和人类处理问题的核心差异：

▶AI的本能：穷举所有可能，写循环，一次性给你答案

▶人类的本能：先试一个，看结果，往好的方向调，迭代收敛

两种思路都能到达终点，但AI的穷举在参数空间大的时候会卡死。

解决方法其实很简单：在提示词里明确告诉它用迭代的方式。比如：”先试卡尺半径0.05，看结果，再往下调，每次给我看中间结果，问我是否继续。”加上这个指令之后，AI就变成了一个会汇报进度的助手，而不是一个闷头干活的黑箱。

核心技巧：告诉AI停止条件和核查节点，比给它更多算力更重要。

论文复现测试：AI能做到什么程度？

有人做了一个系统性测试，用Claude Code复现Management Science上的实证资产定价论文（期刊提供了原始数据和代码）。

配置是：Claude会员订阅 + Claude Code + Pedro’s Workflow。其中Pedro’s Workflow由计量经济学家Pedro H. C. Sant’Anna开发——他在DID方法领域有重要影响力——本质上是一套让AI从聊天工具升级为”能自主规划、协作分工并自我校验”的自动化研究框架，可以显著增强Claude Code的任务执行能力。

第一轮：给数据 + 代码

提供论文的数据、SAS代码和Stata代码，要求用Python完成复现并整理为Word文档。输入提示词后，Claude Code迅速完成论文阅读和数据检查，给出详细执行计划，获批后不到15分钟就完成了全部实证检验，复现结果与原文几乎完全一致，报告格式规范美观。