← 返回学习中心 · 知识库与科研OiOi Academy
科研 SKILL · 06 · 跨学科

Auto-Empirical Research Skills：社科实证研究的全自动流水线

斯坦福 REAP × CoPaper.AI 打造：从一个模糊 idea 到一篇可投稿的实证论文——选题、文献、数据、因果推断、稳健性、表格、写作、降 AIGC，9 个阶段全自动、每一步都可人工介入。高中生可读，细节拉满。

仓库 brycewang-stanford/Auto-Empirical-Research-Skills Stars 4,478 合集 / Skills 77 个合集 · 1,107 个 skills 开源协议 CC BY-SA 4.0
📊

开篇：做实证研究的人都翻过三座大山

社会科学的实证研究（用真实数据回答"XX 政策到底有没有用"这类问题），有三座大山：

  • 第一座：方法大山。双重差分、断点回归、工具变量、合成控制……每个方法都有严格的前提假设，用错一个，结果全废。初学者光"选对方法"就要学一年。
  • 第二座：工具大山。Stata 要买许可证、R 要记几百个包、Python 要自己拼流水线，三种语言来回切换，同一个分析做三遍。
  • 第三座：信任大山。p 值可以"刷"出来（p-hacking）、AI 写的文字会被检测出来（AIGC 检测）、审稿人要复现包——每一步都在考验诚实。
记住：Auto-Empirical Research Skills（简称 AERS）就是来搬这三座山的。它由斯坦福 REAP × CoPaper.AI 团队打造，把"从一个模糊 idea 到一篇可投稿论文"的 9 个阶段，全部做成了 AI 可调用的技能流水线——端到端、全自动，每一步你都可以中途接管手工改。
AERS 官方中文封面图：实证研究智能体技能大全（来自仓库 images/）
AERS 官方中文封面图：实证研究智能体技能大全（来自仓库 images/）
📦

它是什么：一句话定位卡

仓库名brycewang-stanford/Auto-Empirical-Research-Skills（AERS） 一句话社会科学实证研究的端到端 AI 技能库：从 idea 到投稿，9 阶段流水线全自动、可介入。 出品方Stanford REAP（斯坦福中国经济与制度研究中心）× CoPaper.AI 真实规模77 个合集 · 1,107 个 skills（以仓库 catalog/skills.json 为准） 自研核心7 个 Stanford REAP × CoPaper.AI 自研 skill（含 StatsPAI 因果引擎） 信任机制19 项数值 benchmark（用真实数据重算金标准）+ 42 个行为评测场景 + aers-score 自测打分 仓库地址github.com/brycewang-stanford/Auto-Empirical-Research-Skills

先说清楚一个数字：23,000+ 是怎么回事？

仓库简介页写着"23,000+ agent skills"，但 README 正文实际维护的是 77 个合集、1,107 个 skills（catalog/skills.json 为准，README 明确写了统计数字以它为准）。

避坑
做课件要诚实：用 README 里的真实数字（77 合集 / 1,107 skills）。简介页的"23,000+"可能是远期口径或统计口径不同，README 里找不到对应依据。
💡

它解决什么问题

高中生类比
把做一篇实证论文想象成开一家"因果关系鉴定所"。客户问："最低工资上调，到底让就业变多了还是变少了？"过去你要：自己学鉴定手法（DiD/RD/IV…）、自己买三套鉴定仪器（Stata/R/Python）、自己写鉴定报告、还得防着自己"先射箭后画靶"。AERS 就是一家设备齐全的鉴定所：7 台自研核心仪器（StatsPAI 等）+ 70 台精选外购仪器（77 个合集），外加一套"防作弊质检流程"（benchmark + p-hacking 体检）。你把案子（研究问题）交进去，流水线自动走完 9 道工序；任何一道工序你觉得不放心，随时喊停、自己上手改完再让流水线接着跑。

它覆盖的 9 个阶段（README 原文）

  1. 选题精炼：把模糊想法收紧成"可证伪、可执行"的研究问题；
  2. 文献综述：检索、筛选、PRISMA 流程、批判性阅读；
  3. 数据获取：公开数据库、API、网页抓取、数据清洗；
  4. 识别策略：DiD / RD / IV / SCM / DML / matching 全覆盖；
  5. 估计建模：Python / Stata / R 三栈，900+ 估计器；
  6. 稳健性审计：复现包检查、HonestDiD、R&R 模拟；
  7. 表格与图形：期刊出版级排版、LaTeX 嵌入；
  8. 写作与同行评审：LaTeX / Quarto、仿审稿人、校对；
  9. 降 AIGC 与投稿：过知网/万方/Turnitin 检测、去水印、清元数据。
记住：AERS 的座右铭（README 底部署名）："AI 是放大器，不是替代品。它替你做最耗时的搬砖，你保留最核心的判断。"
🏗

仓库结构导览

仓库文件 4,600+ 个，但骨架清晰——核心是 skills/ 下按 00 → 73 编号的 77 个合集：

Auto-Empirical-Research-Skills/
├── skills/                        # ★ 77 个合集（00 → 73 编号连续）
│   ├── 00-Full-empirical-analysis-skill_StatsPAI/   # ⭐ 自研：因果引擎
│   ├── 00.1-Full-empirical-analysis-skill_Python/   # ⭐ 自研：Python 栈
│   ├── 00.2-Full-empirical-analysis-skill_Stata/    # ⭐ 自研：Stata 栈
│   ├── 00.3-Full-empirical-analysis-skill_R/        # ⭐ 自研：R 栈
│   ├── 48-de-AIGC-skills/           # ⭐ 自研：中英降 AIGC
│   ├── 50-brycewang-aer-skills/     # ⭐ 自研：顶刊投稿套件
│   ├── 69-Paper-WorkFlow/           # ⭐ 自研：元编排器（一键串起 9 阶段）
│   ├── 73-brycewang-p-hacking-skills/  # ⭐ 自研：p-hacking 体检室
│   └── 01..47, 49, 51..68, 70..72   # 精选社区合集（上游快照，带来源链接）
├── catalog/
│   ├── skills.json                  # 1,107 个 skills 的机器可读目录（数字以它为准）
│   └── provenance.json              # 每个合集的来源与许可证审计
├── benchmark/                       # 19 项数值 benchmark（真实数据重算金标准）
├── aers_score/                      # aers-score CLI：给自己的 agent 打分
├── eval-harness/                    # 42 个行为评测场景
├── docs/
│   ├── search.html                  # Skill 搜索页：按方法/阶段/语言/许可证筛选
│   ├── CONTENT_ZH.md               # 每个合集的完整中文说明
│   ├── TRUST.md / RIGOR_COVERAGE.md # 信任面说明
│   └── EXTERNAL_SCOREBOARD.md       # 外部成绩单（统一评分器重算，非自报）
├── .claude-plugin/marketplace.json  # Claude 插件市场形态
├── agents/                          # anthropic/openai/cursor/aider/codebuddy 配置
├── INSTALL.md / CHANGELOG.md / CITATION.cff
└── SKILL.md                         # 仓库级 Skill 入口

每个合集的"来源"列都链回上游原始仓库——社区合集是上游快照，README 明确呼吁去原仓库点 star、看 LICENSE。

AERS：一座"实证研究技能工厂" 69 Paper-WorkFlow 元编排器 一句话 → 9 阶段自动流水线 ⭐ 7 个自研核心技能 00 StatsPAI 因果引擎 00.1/00.2/00.3 三栈流水线 48 降AIGC · 50 投稿套件 · 73 反p-hacking 行为被 benchmark 钉死 70 个精选社区合集 因果推断 · 文献综述 · 写作 数据工具 · 复现 · 润色… 上游快照 · 安全审计过 来源链回原仓库 信任层 19 项数值 benchmark 42 行为评测场景 aers-score 自测打分 外部成绩单统一重算 安装形态：插件市场 / 单 skill 拷贝 / 直接把 URL 丢给 Agent claude plugin install aer-skills@auto-empirical-research-skills · cp -R skills/00.1-… ~/.claude/skills/ catalog/skills.json 是 1,107 个 skills 的唯一真实目录 · 许可证 CC BY-SA 4.0（各合集以上游 LICENSE 为准）

图：AERS 仓库架构（基于真实目录结构与 README 绘制）。

🧩

核心技能逐个深讲（上）：自研四大天王

77 个合集里最值得深讲的是 7 个 Stanford REAP × CoPaper.AI 自研技能——它们是整条流水线的主干，"行为都被基准钉死了"（README 原话：对着已知答案反复跑过验证）。先讲 4 个。

干什么：把 Stata / R 里常用的计量命令（reghdfe、csdid、rdrobust、synth、fixest、did 等）全部搬进 Python，一个 import statspai as sp 搞定 DID / RD / IV / SCM / DML / matching。900+ 函数（实际注册 1,312 个），免许可证、不用启动 Stata 会话，纯 Python 流水线更快。配套论文已发表于 JOSS（Wang & Rozelle 2026）。

输入 / 输出：输入数据框 + 公式；输出估计结果对象，可 .summary() / .tidy() / .plot() / .to_latex() 直接出表出图。

诚实声明（README 原话精神）：每个函数带 validation_status：certified / validated 有数值证据（和 Stata/R 逐一对照过），api_stable 只表示接口稳定、没有数值对齐声明——论文用数字前先看验证状态。

具体例子（真实代码，来自 StatsPAI README）：

pip install statspai

import statspai as sp

# Card(1995) 教育回报数据：OLS 回归
card = sp.datasets.card_1995()
ols = sp.regress(
    "lwage ~ educ + exper + expersq + black + south + smsa",
    data=card, robust="hc1")
print(ols.summary())

# 工具变量：以"家附近是否有四年制大学"为工具变量估计教育回报
iv = sp.ivreg("lwage ~ (educ ~ nearc4) + exper + expersq + black + south + smsa",
              data=card)
print(iv.summary())  # 可 .to_latex() 直接生成论文表格

干什么：AERS 的"指挥棒"。你在 IDE 里给它一句自然语言，它自动按顺序调用 9 个阶段的技能：估计 → 抓文献 → 真跑回归 → 稳健性审计 → 出表出图 → 校对 → 写作 → 降 AIGC。任何阶段你都可以手动介入：上一阶段的产物全部落盘，你接过去改方法、补变量、加稳健性，再让流水线自动接上跑——"全自动 + 可介入"。

输入 / 输出：输入一句话的研究设想；输出从估计草案到投稿前成品的全套产物。

具体例子（README 原文示例）：

开一个新论文项目：空气污染与中国劳动力市场，CS 设计 + 省级面板

它会自动执行：① StatsPAI 跑 CS-DID 估计草案并写出识别假设 → ② claude-scholar 抓变量定义与文献 → ③ 真跑 sp.feols(...) + sp.honest_did(...) → ④ sewage-econometrics-check 做 10 项复现包审计 → ⑤ 出 Table 1–5 + 期刊级图 → ⑥ academic-proofreader 通读并标注"审稿人会挑刺的位置" → ⑦ econ-writing-skill 起草 + de-AIGC 降 AI 味过检测。

干什么：三个"显式栈"技能，分别是用某一种语言从头到尾跑实证：

  • 00.1 Python 栈：pandas + statsmodels + linearmodels + pyfixest；
  • 00.2 Stata 栈：reghdfe / ivreg2 / csdid / sdid / rdrobust，带复现包；
  • 00.3 R 栈：tidyverse / fixest / did / HonestDiD + Quarto 渲染。

什么时候用：导师/期刊要求必须用 Stata 复现？用 00.2。想全 Python 免费开源？用 00.1。R 党？用 00.3。三栈结果可以互相印证。

具体例子（可复制的提示词）：

用 00.2 Stata 栈重做我的分析：
数据 panel.dta，个体 id=id，年份 year，政策变量 did。
跑 reghdfe 吸收个体和年份固定效应，聚类到省份层面，
输出复现包（含 do 文件、数据说明、版本记录）。

干什么：对标经济学 Top-5 顶刊（AER/QJE/JPE/Econometrica/RES）的投稿全流程：识别策略选择 → 稳健性检验清单 → R&R（修改再投）应对。是"从能跑出结果"到"能投顶刊"之间的最后一公里。

输入 / 输出：输入你的识别设计和初稿；输出顶刊标准的稳健性清单、R&R 回复框架。

具体例子（可复制的提示词）：

我的论文用双重差分识别最低工资对就业的影响，目标 AER。
用 50 AER-skills 给我：1）识别假设的完整论证清单；
2）必须做的稳健性检验列表（含安慰剂检验、平行趋势）；
3）如果审稿人质疑"政策内生性"，R&R 回复的论证框架。
✦

核心技能逐个深讲（下）：诚实三件套 + 精选

AERS 最有特色的是"诚实"机制：防 p-hacking、防 AI 味、防不可复现。继续深讲。

干什么："p-hacking"指反复尝试不同模型、变量、样本，直到 p 值小于 0.05 再发表——这是实证研究的"兴奋剂"。这个技能是个体检室：在真实效应为零的数据上，仪表化地演示"规格搜索"是怎么"搜"出显著结果的，给出诚实 p 值、p 曲线检测，并教你用预注册免疫。教学与审计用。

高中生类比
就像驾校的"酒驾模拟课"：让你在安全场地里体验"喝两杯之后反应有多迟钝"，而不是真让你酒驾上路。p-hacking 体检室让你亲眼看到"换 20 种模型总有一种显著"是怎么发生的，以后自己就不敢/不屑这么干了。

具体例子（可复制的提示词）：

用 73 p-hacking-skills 给我上一课：
生成一份真实效应为零的模拟数据，
演示"尝试 20 种不同模型设定"后 p 值分布长什么样，
画出 p 曲线，并解释为什么预注册能防止这种行为。

干什么：AI 写的论文会被 Turnitin AI / GPTZero / 知网 / 万方检测出来。这个技能做两件事：降 AIGC（识别 34 类 AI 写作痕迹模式并改写，去"AI 味"）+ 去水印（清除隐藏字符、C2PA 标记、docx 元数据这些"AI 指纹"）。中英双语。

避坑
提醒：降 AIGC 的正当用途是"把 AI 辅助起草的文字变成你自己的表达"；不能用来把 AI 代写包装成原创——学术诚信的底线是：AI 是放大器，你为内容负责。

具体例子（可复制的提示词）：

这段引言是我用 AI 辅助起草的，帮我降 AIGC：
[粘贴段落]
要求：识别其中的 AI 痕迹模式并改写，保留原意和学术语气，
改完后清理 docx 元数据。改写前后都保留，我要对照学习。

干什么：来自 sticerd-eee/sewage 的"下水道计量经济学检查"——名字很糙，活很细：10 项复现包审计，检查你的分析能不能被别人完整复现：数据有没有、代码能不能跑、随机种子定没定、版本锁没锁……审稿人最爱挑的就是这些。

具体例子（可复制的提示词）：

投稿前，用 41 sewage-econometrics-check 给我的项目做体检：
检查复现包是否完整（数据/代码/说明）、随机种子是否固定、
软件版本是否记录。列出 10 项检查的通过情况，
没通过的给修复建议。

干什么：来自 Scott Cunningham 的经典开源教材《Causal Inference: The Mixtape》配套技能：DID / IV / RDD / SCM 的标准模板与代码。相当于把一本因果推断教科书变成了 AI 可调用的"例题库"。

具体例子（可复制的提示词）：

我想学断点回归（RDD）。用 10 mixtape 技能：
先给我讲清 RDD 的识别假设（高中生能懂的版本），
再用模拟数据演示一遍完整流程：画驱动变量分布图、
做 McCrary 密度检验、估计断点处的跳跃。

干什么：完整的文献综述工作流，中文：检索 → 筛选 → PRISMA 流程 → 批判性阅读 → 主题分析。适合中文论文开题和综述章节。

具体例子（可复制的提示词）：

用 36 文献综述技能帮我梳理"数字经济与共同富裕"的中文文献：
检索知网近五年核心期刊论文，做主题聚类，
输出"研究脉络—主要分歧—尚未回答的问题"三段式综述，
并画 PRISMA 文献筛选流程图。

干什么：两个实用小技能——70 ssci-polish：SSCI/SCI 英文论文语言润色（语法、可读性、学术语气）；72 kaggle-research：通过官方 CLI 安全检索 Kaggle 公开数据集，限界下载并保留审计证据（下载了什么、哪天下的，都有记录）。

具体例子（可复制的提示词）：

1）用 70 ssci-polish 润色我的摘要：[粘贴]，要求学术语气，不要改变原意。
2）用 72 kaggle-research 帮我找"中国省级面板数据"相关公开数据集，
只下载明确标注可公开使用的数据，并记录下载审计信息。
🔁

完整工作流演示：9 阶段流水线

把核心技能串起来：下面是 README 官方示例"空气污染与中国劳动力市场"在 Paper-WorkFlow 里的一次真实行程。

9 阶段流水线：一句话 → 可投稿论文 ① 选题精炼25 Diverga ② 文献综述36 中文综述 ③ 数据获取72 Kaggle ④ 识别策略00 StatsPAI ⑤ 估计建模00.1/2/3 三栈 ⑥ 稳健性审计41 复现包审计 ⑦ 表格图形期刊级排版 ⑧ 写作评审50 投稿套件 ⑨ 降AIGC·去水印·投稿48 de-AIGC 官方示例：Paper-WorkFlow 的一次真实行程 输入："开一个新论文项目：空气污染与中国劳动力市场，CS 设计 + 省级面板" → StatsPAI 出 CS-DID 估计草案 + 识别假设 → claude-scholar 抓变量定义与文献 → 真跑 sp.feols + sp.honest_did → sewage-econometrics-check 10 项复现包审计 → 出 Table 1–5 + 期刊级图 → academic-proofreader 标注"审稿人会挑刺的位置" → econ-writing-skill 起草 + de-AIGC 降 AI 味，过知网 / Turnitin 每一步产物落盘，你可随时介入改方法、补变量、加稳健性，再让流水线接上跑 信任层：行为被"钉死"的技能 19 项数值 benchmark（真实数据重算金标准）· 42 个行为评测场景 / 217 条评分细则 aers-score CLI 给自己的 agent 打分 · 外部成绩单由统一评分器重算（非自报） StatsPAI 每个函数带 validation_status：certified / validated 有数值证据，api_stable 仅接口稳定

图：AERS 9 阶段流水线与官方示例行程（基于 README 原文绘制）。

💾

安装与上手：三选一

最省事的一招：把 URL 丢给 Agent

README 原话：把项目 URL https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills 丢给 Claude Code / Codex，并指定作用域，剩下的让它自己做：

帮我安装 https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills
装到「全局」（~/.claude/skills/），我想在所有项目里都能用

作用域三选一：目录（当前会话临时用）→ .claude/skills/；项目（团队共享可进 git）→ 项目根目录；全局（所有项目）→ ~/.claude/skills/（Codex 是 ~/.codex/skills/）。

手动安装 A：插件市场（Claude Code v2.1+，推荐，可升级）

claude plugin marketplace add brycewang-stanford/Auto-Empirical-Research-Skills
claude plugin install aer-skills@auto-empirical-research-skills                 # 顶刊投稿全流程（9 skills）
claude plugin install empirical-analysis-python@auto-empirical-research-skills  # Python 计量流水线
claude plugin install empirical-analysis-stata@auto-empirical-research-skills   # Stata 计量流水线
claude plugin install empirical-analysis-r@auto-empirical-research-skills       # R + Quarto 流水线

手动安装 B：只要某一个 skill，直接拷文件夹

git clone --recurse-submodules https://github.com/brycewang-stanford/Auto-Empirical-Research-Skills.git
cd Auto-Empirical-Research-Skills
cp -R skills/00.1-Full-empirical-analysis-skill_Python  ~/.claude/skills/  # 全局
# cp -R skills/00.1-Full-empirical-analysis-skill_Python  .claude/skills/   # 项目级

怎么用

新开会话，直接用自然语言说要做什么，Agent 按 description 自动挑 skill；说不动就点名方法或 skill：

用面板数据跑一个 Callaway–Sant’Anna 事件研究，
并出 HonestDiD 稳健性和期刊级表格

新手先看 docs/search.html（按方法/阶段/语言/许可证筛 1,107 个 skills），或终端跑 make quickstart 看 5 分钟导览。

📖

三个适用场景小故事

故事一：经济学硕士生的毕业论文

小赵要研究"高铁开通对沿线城市就业的影响"，但只会基础 Stata。他对 Paper-WorkFlow 说了一句话，流水线自动选了 CS-DID 设计、跑完省级面板、出了平行趋势图和 Table 1–5。小赵在"识别假设"一步喊停，手工补了两个安慰剂检验——答辩时老师问的每个稳健性问题，他都有现成的图。

故事二：跨学科团队的政策评估

一个"环境 + 劳动"交叉团队要评估空气污染对劳动力市场的影响：环境组用 72 kaggle-research 找公开数据，计量组用 00.1 Python 栈跑估计，写作组用 50 AER-skills 按顶刊标准组织稳健性。三个组共用一条流水线，产物全部落盘可审计。

故事三：青年教师的投稿保卫战

李老师的论文被审稿人质疑"结果可能是 p-hacking 搜出来的"。他用 73 p-hacking 体检室做了诚实性自查、用 41 sewage-econometrics-check 补齐了复现包、R&R 回复里附上了预注册记录。修改稿投回去，审稿人对"可复现性"一节表示满意。

🏁

总结与延伸思考

一句话总结

AERS = 社会科学实证研究的"全自动流水线 + 诚实质检科"：77 个合集、1,107 个 skills 覆盖从 idea 到投稿的 9 个阶段，7 个自研技能是主干（StatsPAI 因果引擎 + Paper-WorkFlow 指挥棒 + 三栈流水线 + 降 AIGC + 投稿套件 + 反 p-hacking 体检室），19 项数值 benchmark 和 aers-score 保证"行为被钉死"。而它的座右铭值得贴在墙上：AI 是放大器，不是替代品——它替你做最耗时的搬砖，你保留最核心的判断。

延伸思考

仓库原链：github.com/brycewang-stanford/Auto-Empirical-Research-Skills · StatsPAI：github.com/brycewang-stanford/StatsPAI（MIT，JOSS 论文） · 许可证 CC BY-SA 4.0

词

术语翻卡：点卡片看解释

实证研究
empirical research
用真实数据回答"到底有没有用/有多大用"的研究；区别于纯理论推导，结论要能被数据检验。
双重差分 DiD
difference-in-differences
比较"政策前后"×"有政策/无政策地区"的双重差异，像"前后对比的对比"，剥离共同趋势。
断点回归 RD
regression discontinuity
利用分数线/年龄线等"一刀切"门槛：线上下的人几乎一样，比较两者结果就是政策效应。
工具变量 IV
instrumental variable
找个"只影响 X、不直接影响 Y"的中间人（如"家附近有无大学"研究教育回报），绕开混杂。
合成控制 SCM
synthetic control method
给只有一个处理组（如加州控烟法案）"合成"一个双胞胎对照组：用其他州加权拼出来。
识别策略
identification strategy
论证"这个效应真的是因果、不是巧合"的整套逻辑；是实证论文的命门。
稳健性检验
robustness check
换方法、换样本、换变量重跑一遍，看结论还站不站得住；站得住才可信。
p-hacking
p-hacking
反复试模型直到 p<0.05 再发表——学术"兴奋剂"；预注册是解药。
预注册
pre-registration
动手分析前先公开"打算怎么做"，防止事后挑对自己有利的结果。
复现包
replication package
数据+代码+说明的完整压缩包，别人拿到能一键跑出你论文里的数字。
AIGC 检测
AIGC detection
检测文字是否 AI 生成（Turnitin AI/GPTZero/知网）；"降 AIGC"是把 AI 味改写成人的表达。
固定效应
fixed effects
回归里"吸收"掉不随时间变的个体差异（如城市固有特征），让比较更干净。
测

自测：单选，点击选项看对错与解析

Q1AERS 的 9 阶段流水线里，"识别策略"阶段覆盖哪些方法？
解析：README 第 4 阶段原文：识别策略——DiD / RD / IV / SCM / DML / matching 全覆盖，核心引擎是 StatsPAI。
Q2StatsPAI 里 sp.ivreg("lwage ~ (educ ~ nearc4) + ...") 这行代码在做什么？
解析：这是 StatsPAI README 的真实示例：(educ ~ nearc4) 表示用 nearc4（家附近有四年制大学）作为教育年限的工具变量，绕开"能力"这个混杂因素。
Q3p-hacking 体检室（73 号技能）为什么要在"真实效应为零"的数据上做演示？
解析：技能说明原文：在真实效应为零的数据上仪表化规格搜索，给出诚实 p 值与 p 曲线检测——这是"酒驾模拟课"式的教学设计。
Q4投稿前用 41 号技能（sewage-econometrics-check）做什么？
解析：该技能来自 sticerd-eee/sewage，README 原文：10 项复现包审计。审稿人最爱挑的正是"代码跑不通、数据对不上"。
Q5关于仓库数字，诚实的说法是？
解析：简介页写 23,000+，但 README 正文总表是 77 合集、1,107 skills，且 README 明确"统计数字以 catalog/skills.json 为准"。课件采用可验证的 README 数字。
Q6de-AIGC 技能（48 号）的正当用途边界是？
解析：README 座右铭：AI 是放大器不是替代品。降 AIGC 的正当用途是消除 AI 痕迹、保留你的表达；把 AI 代写包装成原创违反学术诚信。