经济学家的AI Agent军火库, 把所有资源都替你整理好了.

接着“让AI agent直接跑你的Stata, 确实挺香的, 附完整傻瓜安装与使用指南."

2026年4月，Jesse Lastunen维护的AI for Economists资源库已收录了106条AI agents资源，涵盖论文、课程、工具、视频和评论五大板块。

本文带你系统梳理，按需取用。社群群友可以到计量社群下载AI for economist资源库。

1.为什么值得咱们收藏？

经济学研究者面对AI浪潮，大多在想同一件事，即不知道该学什么，也不知道该用什么。

市面上AI教程铺天盖地，却大多是写给程序员或产品经理的，跟做回归、跑Stata、写论文的经济学家几乎不搭界。

Jesse Lastunen（芬兰政策研究所）做了一件说来简单的事，把真正与经济学研究相关的AI资源筛了一遍，分类整理，持续更新。

截至2026年4月，页面已收录了，

1.26篇学术论文（NBER工作论文为主）；

2.14个课程与学习资源；

3.19个AI辅助编程指南；

4.8个研究工具；

5.9个讲座与视频；

6.30篇评论与分析。

2.学术论文板块（26篇）帮助咱掌握AI经济学的理论前沿

26篇论文分三类来看。

a.AI对宏观经济与劳动力市场的影响

Daron Acemoglu的The Simple Macroeconomics of AI是当前被引用最广的AI经济学理论论文之一。他认为，即便AI技术顺利推进，对全要素生产率（TFP）的提升幅度也可能相当有限，这无疑给技术乐观主义降了温。

Charles I. Jones在A.I. and Our Economic Future中则推演了一个更为激进的情景：如果机器能够自动化几乎所有认知与体力任务，经济增长路径将出现何种结构性变化？这一设定将AI的长期影响推向了理论极限。

Daron Acemoglu、David Autor与Simon Johnson在Building Pro-Worker AI中从政策视角出发指出，AI究竟是强化劳动者能力，还是替代劳动者，并非由技术本身决定，而取决于制度设计与政策导向。

Stanford University的Susan Athey与Fiona Scott Morton在AI, Competition, and Welfare中的判断更为直接。她认为，随着AI市场集中度上升，被替代的劳动者可能面临双重冲击，一方面失去就业机会，另一方面还需为更高价格的AI服务付费。

b.AI作为经济学研究工具

对实证研究者而言，更具操作价值的是这一类工作。

Jens Ludwig、Sendhil Mullainathan与Ashesh Rambachan的Large Language Models: An Applied Econometric Framework提供了目前最系统、最严谨的方法论框架。

文章将LLM生成的文本明确纳入计量经济学分析之中，系统讨论测量误差、识别策略以及有效性检验等关键问题。Scott Cunningham随后给出了更为通俗的解读，便于实证研究者快速上手，相关资源也已被广泛整理与传播。

Melissa Dell的Deep Learning for Economists则逐渐成为经济学者理解深度学习的标准参考文章。文章系统梳理了从CNN、RNN到Transformer等主流架构，并结合具体应用场景，展示其在经济学研究中的可操作路径。

John Horton的Homo Silicus系列则开辟了另一条思路，即用LLM模拟经济行为人做政策实验，从而在缺乏随机对照实验数据的情境下开展政策分析。该方向为实证研究提供了新的想象空间，尤其适用于难以获取真实实验数据的问题场景。

c.”AI使用“作为对象的实证研究

美联储研究员Serafin Grundl有一篇标题颇为精妙的论文，叫Claude Code as an Empirical Economist: Like Humans but Without the Tails。他基于一系列基准测试评估Claude Code在经济学研究任务中的表现，发现其输出分布相较于人类更为集中，既缺少极端出色的表现，也较少出现明显失误。

与此同时，Feyzollahi与Rafizadeh从语言学视角出发发现了一个颇具启发性的现象：LLM 在经济学论文中的使用痕迹正迅速扩散，而且已经可以通过统计方法加以识别。

3.课程与学习板块（14个）

重点推荐两个免费资源。

Anton Korinek的The Economics of AI（Coursera）专为经济学博士生和研究者设计，覆盖AI与经济增长、劳动力市场和政策的交叉议题（不需要机器学习背景）。Korinek近年一直深耕AI经济学领域，课程内容扎实。

Anthropic官方课程（GitHub开源）包含Claude API基础、提示工程和工具调用三个模块，适合想动手对接LLM的研究者。

想系统了解Transformer架构，Stanford的CME 295课程（20余讲）质量很高，从词嵌入讲到RLHF，全程免费。

4.AI辅助编程板块（19个），手把手告诉你怎么用

日常研究里最直接有用的资源集中在这里。

Stata用户有三个必看，

Kyle Butts的VS Code Stata插件让你在编辑器里用AI辅助写do文件；Aniket Panjwani的Using Claude Code with Stata讲Claude Code与Stata的整合工作流；Thomas Monk（2026）开发的Stata MCP Server让Claude可以直接执行Stata命令，计量经济圈群友对MCP应该不陌生。

不会写代码也有资源，

Chris Blattman（发展经济学家）写的AI for Professionals Who Don't Code提供了面向知识工作者的AI工作流模板；Ben Tossell的线程Coding with Agents Without Being Technical讲的是不会编程怎么用AI把项目做出来。

最系统的两个系列，包括Paul Goldsmith-Pinkham（耶鲁）在Markus Academy出了四集视频Claude Code for Applied Economists；

Scott Cunningham（《Causal Inference》作者）在Substack上已更新到第41期，几乎每周一个新的实证案例演示。

5.研究工具板块（8个）值得马上试用

 上传PDF论文加自己的API key，Coarse（coarse.ink）几分钟内生成一份类似期刊审稿人报告的详细评审意见，其成本通常不到2美元。开发者David van Dijcke认为同行评审是公共品，不应商业化，因此其代码完全开源。

Feynman是命令行AI研究助手，可做深度文献检索、写综述提纲和尝试复现已有结果，适合习惯终端操作的研究者。

Elicit免费版可查询学术数据库、自动摘要和提取论文关键信息，文献综述阶段很方便，已有不少人在用。

Refine.ink（Benjamin Golub和Yann Calvó López开发）为研究者提供AI裁判反馈，帮助发现草稿中的逻辑漏洞和论证薄弱处。

6.讲座与视频板块（9个）

2026年AEA年会有两个AI专场，Danielle Li（MIT）主讲AI与劳动力市场，Elliott Ash（ETH苏黎世）主讲LLM在经济研究中的应用，链接都在资源库里。

EconTalk上Tyler Cowen与Russ Roberts关于AI、就业与教育的对话值得一听，两人都不是技术狂热派，谈得务实。

7.评论与分析板块（30篇）

其中有几篇文章特别适合在迷茫时读一读。

Isaiah Andrews（MIT）的Some Thoughts on AI and Research（2026年4月）是写给经济学博士生的一封信。Andrews认为，AI工具值得用，但培养独立判断和品味的能力更重要，这也是AI暂时无法替代的。

Joshua Gans的Reflections on Vibe Researching记录了他一整年以AI为主导做研究的实验。他认为，AI确实能加速很多环节，但research taste（研究品味），判断什么问题重要、什么发现有趣，仍然是人的核心竞争力。

Tyler Cowen的When Will the Research Paper Disappear?认为，当AI能批量生产论文，单篇论文的价值会下降，学者的核心资产将转移到研究体系和持续判断力上，而非某一篇具体的文章。

Gary Marcus 提供了必要的反方声音，LLM的可靠性和稳健性仍有根本性问题，不加批判地依赖AI存在不少风险。

8.延伸推荐Awesome Econ AI Stuff

资源库还链接了Antonio Mele维护的GitHub项目Awesome Econ AI Stuff，定位是可执行的技能包，按研究流程（选题、文献、建模、数据、实证、写作到发表）分了8大类、18余个AI技能，兼容Claude Code、Cursor等主流工具，用斜杠命令（如/r-econometrics）直接调用。

AI for Economists的价值在于做了筛选和分类，帮经济学研究者绕开了面向程序员的大量噪音，直接定位到与实证研究、计量方法、学术写作相关的资源。

不同情况的读者可以按需取用，