当AI Agent走进经济学研究：Claude Code能给实证学者带来什么？

前段时间，和一位做实证的朋友聊天。

他正在赶一篇因果推断的论文，数据已经跑过三轮，但光是清理遗留代码、重跑稳健性检验、调整表格格式、更新参考文献，就花了他整整两周。

"最让我崩溃的是，"他说，"这些工作做完之后，我发现自己已经没力气认真思考识别策略了。"

我听后沉默了。因为这是每一个实证研究者的日常——不是不会写代码，而是没有时间。

你真正想做的，是把数据背后的经济机制想清楚，是把识别策略打磨到经得起审稿人拷问。但现实是，你的精力被数据清理、脚本调试、表格格式化、参考文献管理这些"学术体力活"一点点吞噬。

直到我读到了 Alessandro Spina 的一场演讲。

这位 UTS Finance 的研究者，在 2026 年 3 月做了一次题为 Claude Code for Academics: An AI Agent for Empirical Research 的报告。他在开场时说了一句话，让我久久无法平静：

"对大多数人来说，瓶颈从来不是‘我不会用 R 写循环'，而是‘我没有时间清理数据、格式化表格、写审稿意见，同时还能认真思考识别策略'。AI 的作用，就是把瓶颈推回它应该在的地方——深度思考经济学问题。"

什么是Claude Code？

简单来说，Claude Code 是 Anthropic 公司开发的一个 AI agent，它住在你的终端里，可以直接操作你的项目文件。

它不是你在浏览器里聊天的 ChatGPT，也不是 IDE 里帮你自动补全代码的 Copilot。Claude Code 能做四件关键的事：

• • 读取和编辑文件——你的数据、脚本、LaTeX 文档，它都能读
• • 执行代码——在终端里直接运行 R、Stata、Python
• • 记住上下文——通过 CLAUDE.md 文件在会话间保持记忆
• • 生成表格和图表——输出到本地或 GitHub

换言之，它不是一个聊天工具，而是一个能读文件、能跑代码、能记住上下文的项目级协作者。

两个核心概念

第一，"锯齿形前沿"（Jagged Frontier）。

AI 的能力不是一条平滑的上升曲线。在某些领域，它已经远超人类——比如文献综述、代码编写、数据格式化、跨语言翻译。但在另一些领域，它仍然弱得可怜——比如因果推断、新颖想法、细致的理论判断。

这意味着：AI 怀疑论者和 AI 狂热者可能都是对的。 关键在于知道哪里该用它，哪里不该。

第二，三层进阶框架。

Spina 将 Claude Code 的使用路径分为三个层级：

有趣的是，他说："大多数学者从 Tier 1 获得的收益就已是巨大的。"

01 代码验证："坎宁安猜想"与跨语言复现

2026年初，计量经济学家 Scott Cunningham 在他的 Substack 上提出了一个引人深思的想法。

他称之为"坎宁安猜想"：

AI 的幻觉（hallucination）类似于测量误差。当你用不同语言写代码时，这些误差在不同语言之间是正交的。

这是什么意思？

假如你用 Claude 写了一段 R 代码来做双重差分估计，代码存在一个不易察觉的 bug。那么当你让 Claude 用 Stata 复现同样的分析时，它犯的错误大概率是不一样的——甚至可能没有错误。如果两段代码输出了完全相同的结果，你就有很高的置信度认为代码是正确的。

Cunningham 的报告显示，在他的测试中，R 和 Stata 版本的 ATT 估计值匹配到了小数点后六位：ATT = -0.731842。

当两份独立生成的代码输出一致时，你获得的不只是一个结果，而是一份内置的同行评审。

这就是跨语言验证的力量。单一语言的代码审查可能遗漏微妙错误，但 AI 在不同语言中"犯错的模式不同"——这个特性本身成为了一种验证机制。

当然，如果结果不一致呢？那更好——因为你已经发现了一个需要认真检查的 bug。

02 可视化的力量：当制图成本为零

Spina 在演讲中提到了另一件事。

他在做一个大规模数据集的事件研究时，随手让 Claude 把关键变量的时间趋势画出来。结果图里出现了一些异常的跳跃。

他说："如果只看回归表，你可能永远不会注意到这个问题——'ATT = -0.73' 这个数字太容易被不假思索地接受了。但一个可视化，会让错误变得可见。"

他让 Claude 深入挖掘原始数据，找到了异常的原因，并提出了修复方案。

这件事的真正启示是：当制图的边际成本趋近于零时，你会开始做那些你本来绝不会费劲去做的事。

我们都被教过：总是先画图。 Claude 让这件事变得毫不费力。

回归表让你接受，可视化让你质疑。

03 从临时RA到永久项目记忆

Spina 分享了他用 Claude Code 重建一个遗留项目的故事。

一个几年前的项目，积累了数十个脚本。文件名混杂着各种 _v2、_final、_v3_FINAL 的后缀——每个实证研究者都懂这种痛。

Claude Code 做了什么？

1. 1. 考古——几秒钟内读完了所有脚本，区分了核心文件和历史遗留文件
2. 2. 重构——重新标注、嵌入注释、改进代码组织
3. 3. 翻译——把一位合作者的 Matlab 代码翻译成了 R
4. 4. 流水线更新——新数据到达后，自动重跑所有流程、更新图表、同步 Overleaf
5. 5. 制度记忆——Claude 记住了数据是如何清理的、变量是如何定义的、回归是怎么跑的

他说道：

"最有价值的，不是 Claude 写代码更快。而是有一个东西读完了你的整个项目，然后问你：‘为什么你在企业层面聚类标准误？'"

这句话击中了很多人的痛点。

有了 CLAUDE.md 文件，每次开启新会话时，Claude 自动读取项目概况、关键决策、已知问题和当前状态。你的项目记忆——那些你几个月后一定会忘记的东西——不再随着会话关闭而消失。

不只是效率：AI Agent如何改变研究流程

Spina 在演讲中引用了 Pedro Sant'Anna 的五阶段生产工作流，展示了从"反复迭代协作"到"自主执行+质量门控"的转变：

1. 1. 规划——用 MUST/SHOULD/MAY 明确需求优先级
2. 2. 执行——Claude 自主在"承包商模式"下工作
3. 3. 验证——逐文件质量评分（0-100分）
4. 4. 审查——10个专业 Agent 并行审查
5. 5. 修复——Critic/Fixer 循环直到通过质量门

每个文件按分数分级：95分以上卓越、90分可发表、80分可提交。

这套流程的核心，是从你手把手引导每一步，变为在护栏内自主执行，你只负责验证。

演讲者自己的实践成果也颇具说服力：

• • ✓ 用 Claude Code 从零制作了这场演讲的幻灯片
• • ✓ 将 Claude 整合到多个项目——2篇手稿达到会议标准
• • ✓ 重建了整个学期的教学幻灯片
• • ✓ 完成了一份 grant 报告

如何开始？三阶落地指南

第一阶：学徒（30分钟就能上路）

做的事很简单：

1. 1. 在你的项目文件夹里建一个 CLAUDE.md 文件 —— 写下项目概况、方法决策、已知问题、当前状态
2. 2. 学会用两个命令：
• • /logsession —— 在会话结束时记录进度日志
• • /newscript —— 用统一模板创建新脚本

Spina 反复强调："大多数学者在这里停下的收益就已经巨大。CLAUDE.md 加上两个命令，就足以带来质变。"

第二阶：门徒（遇到重复劳动时再升级）

当你发现自己不断重复同样的指令时，逐步添加：

• • Skills（技能）：预写的工作流——比如"回归表格式""LaTeX 编译规范"
• • Commands（命令）：可复用的精确指令——/reviewcode、/checkrobustness
• • Rules（规则）：路径限定的护栏——.claude/rules/r-style.md 只在操作 .R 文件时加载

第三阶：大师（进阶玩家）

当你需要更高程度的自动化时：

• • Agents（子代理）：让 Claude 生成独立的子实例并发工作
• • Personas（角色）：定义特定角色——比如"审稿人#2"（怀疑论者）、"编辑"（语法与结构审查）
• • Agent Teams：多专业 Agent 并行工作，由协调者合并结果

安全守则

Cunningham 有一个精妙的比喻："Claude 大致相当于一只训练有素的拉布拉多。它会冲在前面，挣脱绳子，虽然会回来，但在这个过程中可能惹麻烦。"

保护自己的六条原则：

1. 1. 限定范围——只在项目文件夹内打开 Claude，绝不在 home 目录运行
2. 2. 写下来——用 CLAUDE.md 写明能做什么、不能做什么
3. 3. 始终用 Plan 模式——先看它想做什么，再批准执行
4. 4. 隔离个人文件——使用单独的 Dropbox 账户
5. 5. 全局设置——在 ~/.claude/settings.json 中配置 allow/deny 路径
6. 6. 备份——用 Git 做版本控制

另外，数据隐私是一个不能回避的问题。当 Claude 读取你的数据文件时，文件内容会被发送到 Anthropic 的 API。所以：

• • 用 Claude 写代码，但不要让 Claude 读取原始数据
• • 用合成数据或匿名数据进行原型测试
• • 最终流水线在本地运行

最后的思考

Spina 在演讲结束时谈到了一个更大的图景。

"输出爆炸"正在发生——当每个研究者都有一个 24/7 的 AI 协作者时，论文产量会如何变化？期刊如何应对？审稿流程会变成什么样？年轻研究者会受到怎样的冲击？

这些问题没有答案。

但他的核心建议却异常朴素：

从小处开始。选一个项目（确保有备份），建一个 CLAUDE.md。

对于每一个还在犹豫的实证研究者，Spina 引用了 Cunningham 的一句话：

"没有人会在墓志铭上写‘他亲自写了自己的 LaTeX 代码。'"

把技术性的、重复的、消耗精力的事情外包出去。然后把省下来的时间，用来思考那些真正重要的问题。

因为你选择做学术，从来不是为了写代码。

本文基于 Alessandro Spina 的演讲「Claude Code for Academics: An AI Agent for Empirical Research」（UTS Finance Department, March 2026）整理。

相关资源：

• • 工具与代码：github.com/aspi6246/ClaudeCodeTools
• • Cunningham 系列博客：causalinf.substack.com
• • Sant'Anna 工作流：github.com/pedrohcgs/claude-code-my-workflow
• • Claude 容器（Goldsmith-Pinkham）：github.com/paulgp/claude-container