ARTICLE · 1236766
软件调用 | AI + Stata 还能有这些玩法?
这篇推文想讲清楚的
把 Stata 的成熟工作流，与 Python、AI Agent 的能力连起来
在寻找社科实证研究相关的 AI Agent Skill 时，我看到一个很有意思的项目：Auto-Empirical-Research-Skills（github.com/brycewang-stanford/Auto-Empirical-Research-Skills）。它整理了 23,000+ 个 Agent Skill，覆盖经济学、政治学、社会学、教育学、心理学等 8 个社会科学领域，获得了 4.7k Star。我们已经学习并把它封装到了实证研究这个套件。
其中有一个把 Stata、Python 和 AI Agent 结合得很紧密的方向——StatsPAI（斯坦福大学团队研发）。我研究了一番，又顺带对比了目前常见的几种“Stata + AI”玩法，整理成这篇推文分享给大家。
目前企小喵已经支持下面所有的能力：
在经管常用软件调用套件中，我们可以通过智能体用pystata直接调用 Stata，运行.do文件。
在实证研究套件中，我们可以调用 StatsPAI 完整经济实证流程，用 StatsPAI 生成 Python 版计量的.py文件。
可以通过 MCP 连接 Stata MCP 与 StatsPAI MCP，也可以做到上面的两种能力。
01
PART
为什么需要这些工具？
WHY THESE TOOLS
Python 已经成为机器学习、数据工程的主流语言，但很多社科研究者，尤其是经济学、管理学、公共政策领域的老师和学生，仍然习惯 Stata 的代码逻辑。比如这样一段很常见的固定效应回归：reghdfe y x, absorb(id year) vce(cluster id)和 Python 语法毫不相关。
问题是，Python 生态很强，但完全迁移代码成本很高；Stata 使用习惯成熟，但与 AI Agent、现代数据科学工具的连接还不够自然。所以现在出现了几种不同的“Stata + AI”玩法，把 Stata 的成熟工作流与 Python、AI Agent 的能力连接起来。
02
PART
简单介绍一下这些工具
THE TOOLBOX
目前玩法我整理出来了这些：StatsPAI、stata-code、pystata、Stata MCP 和 StatsPAI MCP。它们各有侧重，下面逐个介绍。
可以理解为 Stata/R 计量工作流的 Python 化、Agent 化版本。它提供 OLS、IV、固定效应、DiD、RDD、合成控制、匹配、DML 等常见方法，并尽量保留 Stata/R 用户熟悉的标准误、公式和后估计逻辑。简单说，可以把 Stata/R 命令转换成 Python 代码。调用 StatsPAI 的重点是在 Python 中完成实证研究，而不是直接启动本机 Stata。
更像是 Agent 与真实 Stata 之间的桥梁。它可以帮助 Agent 理解现有的.do文件、生成和修改 Stata 代码、执行 Stata 命令、运行完整.do文件、读取r()、e()结果，并返回日志、图形和结构化错误，还能在 Stata 与 StatsPAI 之间进行结果核验。它不是重新实现一个 Python 版 Stata，而是让现代 Agent、Jupyter、VS Code 和 MCP 可以更好地使用真实 Stata。
由 Stata 官方提供的 Python 库，涵盖了所有 Stata 和 Python 的交互方式。简单来说，它允许你在 Python 环境中直接调用 Stata 命令和功能，运行.do文件，实现 Python 与 Stata 之间的无缝交互。
例如 VS Code 中的 Stata MCP Extension，可以让智能体执行选中的 Stata 代码、运行完整.do文件、查看数据、获取回归结果、显示图形，并管理多个 Stata session。因此，Stata MCP 的重点是让 Agent 真正控制和运行本机 Stata。
这里容易混淆——它不是连接本机 Stata 的 MCP，而是把 StatsPAI 中的 Python 计量函数暴露给 AI Agent，让 Agent 通过 MCP 发现和调用 OLS、IV、DiD、RDD、SCM、DML、Matching 等计量方法。
五种工具一句话总结
03
PART
企小喵功能
QIXIAOMIAO · READY TO USE
上面这些玩法，恰好指向我们正在建设的企小喵实证研究智能体所覆盖的方向：一方面保留社科研究者熟悉的 Stata 思维和代码习惯，另一方面接入 Python、机器学习、因果推断、MCP 和可复现研究流程。而且，这些能力在企小喵里并不是需要自己拼装的零件，而是打包好的现成功能。
企小喵把 MCP 与 Skills 按科研任务预先打包成科研套件，开箱即用，不用自己搭环境、调配置，就能直接上手实证研究。它的科研环境管理会自动识别本机已安装的 Stata、R、Python，像 Stata MCP 一样连接本地软件跑回归；它支持 DTA 数据预览和 Jupyter Notebook 编辑运行，代码与结果自动留存，让每一步都可以复现。
连接 MCP 本身也是企小喵的基础能力，只要提供配置方法和对应的 API Key，就能把更多 MCP 工具接入对话中。
接下来我在下方用上述不同的工具演示一遍：
📒 演示任务：用三种方法跑通同一套流程
方法一：使用「经管常用软件调用」套件中的「企小喵-智能体调用 Stata」，实际运行自带的 nlsw88 数据：
① 对工资（wage）和教育年限（grade）进行简单描述统计，说明样本量、均值和标准差
② 绘制工资直方图，标明单位为美元/小时
③ 以 wage 为被解释变量、grade 为解释变量，进行一次线性回归，使用稳健标准误，报告系数、样本量和 R²，简要解释相关关系，不作因果推断
④ 保留 do 文件、运行日志、统计表、回归结果和图表，说明文件保存位置
并用方法二 stata-mcp 和方法三 statspai（StatsPAI 完整经济实证流程）将刚刚的流程复现一遍，结果放在 3 个对应的不同文件夹。
最终结果
— 企小喵调用 Stata 跑 nlsw88：wage 样本 2246、grade 样本 2244；稳健回归中 grade 系数 0.7432，R² 0.1059
图1 方法1、方法2
图2 方法3
图3 数据可视化优化
图1 是用方法1、方法2 跑出来的，效果一样；图2 用方法三效果差了点，只是将 Stata 统计方法转化为 Python 跑了一遍；图3 用企小喵数据可视化的套件进行了优化。
///
LAST
写在最后
CONCLUSION
让代码编写留给智能体助手，这样，研究者可以把精力留给更重要的判断：识别策略、变量定义、样本处理、平行趋势和稳健性假设。
未来的实证研究工具，可能不再是单纯选择“Stata 还是 Python”，而是：
让 Stata 负责成熟的经验工作流，让 Python 扩展机器学习与因果推断能力，再让 AI Agent 把两者连接起来。
SKILLS 很多，但用心做的不多！
如果大家觉得不错，就来下载我们的企小喵实证研究智能体进行体验吧！
下载地址
agent.qiyansoft.com
-END-
数据 Agent
这里是人工智能、数据分析与学术研究的三叉路口
往期推荐
