宏观经济实证研究 Skills

基于 Agent Plan 模型、专业数据集和豆包搜索，构建可审计、可复现、会主动拒绝越界结论的宏观经济实证研究 Skill。

中文介绍

本项目是一套面向宏观经济实证研究的 Agent Skill 套件，覆盖研究设计、宏观数据构建、动态分析、稳健性审计和研究综合。它通过结构化合同、确定性计算和可追溯 Artifact，把自然语言研究问题转化为可审计、可复现并受结论边界约束的研究流程。

Agent Plan 提供推荐的完整能力组合：

Agent Plan 官方能力	在本项目中的作用
Agent Plan 模型	理解自然语言研究需求、澄清问题、编排 Skill 和解释结果
专业数据集	召回宏观经济指标候选数据
豆包搜索	补充统计机构资料、最新信息和开源项目调研

这些在线能力通过 MCP 或宿主工具配置接入。Skill 不保存 API 密钥，也不把模型输出直接当作科研结论；数据资格、JSON Schema、数值计算、状态流转和文件校验由确定性 Python 代码控制。

为什么需要这套 Skill

宏观经济实证研究不只是“跑一次回归”。一条可公开复现的研究链需要同时完成：

把模糊想法变成可检验、可审查的研究设计；
从专业数据集中筛选实体、指标、频率、时期和口径完全匹配的数据；
区分描述、关联、预测和因果，不让结论超过证据；
保存来源、参数、替代规格、失败记录和 SHA-256 校验值；
交付数据、表格、图形、报告和复现材料。

专业数据集如何参与

macro-data 默认先使用 专业数据集中的宏观经济数据能力进行候选召回，再执行本地确定性筛选和科研质量门：

研究问题
→ 明确实体、指标、频率和时期
→ 专业数据集分批查询
→ 筛选完全匹配的候选记录
→ 核验定义、单位、季调、价格口径、覆盖和来源
→ 形成可分析数据包，或明确停止并报告缺口

六个 Skill

Skill	用户获得什么
`empirical-macro`	统一入口、阶段路由、停止原因和断点恢复
`research-design`	研究问题、识别审核、数据需求和结论边界
`macro-data`	规范化数据、来源、质量报告和文件校验值
`time-series-dynamics`	逐期动态估计、区间、图形和诊断
`robustness-audit`	替代规格比较、敏感性判断和限制
`research-synthesis`	研究报告、表格、图形和复现材料

自然语言研究问题
    ↓
empirical-macro
    ↓
research-design
    ↓
macro-data  ←  Agent Plan 专业数据集
    ↓
time-series-dynamics
    ↓
robustness-audit
    ↓
research-synthesis

安装到任意 Agent

前置条件：

Node.js 20 或更高版本（使用 npx 时）
Python 3.12
uv

推荐使用 npm 包提供的统一安装入口：

npx empirical-macro-skills

这个入口只负责选择目标 Agent 并调用仓库中的 Python 安装器，不包含另一套 Skill 实现。直接从源码安装时，将 /path/to/your-agent/skills 替换为目标 Agent 的 Skills 目录：

uv run --isolated --project skills/empirical-macro --locked --no-dev \
  python scripts/install.py install \
  --host generic \
  --target-root /path/to/your-agent/skills

安装器会为六个 Skill 分别创建锁定依赖环境，并在写入目标目录前运行快速验证。依赖安装或验证失败时，已有目录保持不变。已提供 Trae、Codex 和 Claude Code 的目标目录预设，但这些预设不是使用本项目的前提。

OpenAI4S 使用相同的六个 Skill 目录，不需要下载另一套包：

uv run --isolated --project /path/to/OpenAI4S --locked --no-dev \
  python /path/to/empirical-macro-skills/scripts/install.py \
  install --host openai4s --scope personal

每个 Skill 根目录都包含可选 kernel.py sidecar。OpenAI4S 可以按需导入它，其他遵循 Agent Skills 规范的 Agent 可以忽略它并继续使用 SKILL.md 与 scripts/。

完整安装、升级和卸载命令见 INSTALL.md。

Agent Plan 配置

需要在线模型、专业数据集或搜索能力时，请先准备可用的 Agent Plan 套餐，并按官方文档启用相应能力：

API 密钥不得写入提示词、文档、代码仓库或研究 Artifact。

使用示例

我想研究美联储意外收紧货币政策以后，美国通货膨胀在未来四年会怎么变化。
请完成一项可以公开复现的实证研究，并交付研究报告、结果图和复现材料。

请优先使用 Agent Plan 专业数据集中的宏观经济数据，核对指标、地区、频率、
时期、单位和价格口径。数据不足或识别条件不成立时停止，不要编造结果。

科研边界

未通过识别审核时，只能报告条件关联，不能声称因果效应。
数据返回成功不等于科研可用，必须通过口径、覆盖、许可和质量检查。
数据源覆盖必须针对具体指标、地区、频率和时期逐项核验，不能从单次成功调用外推。
使用者负责最终审核数据许可、识别假设、模型诊断和研究结论。

English

Empirical Macro Skills is an open-source Beta suite for auditable and reproducible empirical macroeconomic research. Its six Skills cover research design, macro-data preparation, dynamic analysis, robustness auditing, and evidence-bound synthesis through structured contracts and deterministic execution.

The recommended Agent Plan capability stack is:

Agent Plan 模型 for natural-language understanding, orchestration, and explanation;
专业数据集 for macroeconomic data candidate retrieval;
豆包搜索 for official sources, current information, and open-source research.

Online capabilities are connected through MCP or host tools. Deterministic Python code controls schemas, data eligibility, numerical calculations, workflow state, and artifact checksums.

Research workflow

research question
→ empirical-macro
→ research-design
→ macro-data and Agent Plan 专业数据集
→ time-series-dynamics
→ robustness-audit
→ research-synthesis

The suite separates identified-shock responses from noncausal conditional associations, fails closed when required evidence is missing, and preserves data provenance and unfavorable robustness results.

Generic installation

The npm package provides one entry point for selecting the target Agent:

npx empirical-macro-skills

This command delegates to the repository's Python installer; it does not contain a second Skill implementation. From a source checkout, use:

uv run --isolated --project skills/empirical-macro --locked --no-dev \
  python scripts/install.py install \
  --host generic \
  --target-root /path/to/your-agent/skills

OpenAI4S installs the same Skill directories through its versioned Skill service:

uv run --isolated --project /path/to/OpenAI4S --locked --no-dev \
  python /path/to/empirical-macro-skills/scripts/install.py \
  install --host openai4s --scope personal

See INSTALL.md for known host presets, upgrades, rollback, and uninstall.

Beta status

This release is in Beta. Public interfaces may change before a stable release. Runtime behavior depends on the target Agent and its configured data and search capabilities. Users remain responsible for reviewing data licenses, identification assumptions, diagnostics, and research conclusions.

Repository structure

.
├── README.md
├── INSTALL.md
├── SECURITY.md
├── CONTRIBUTING.md
├── LICENSE
├── THIRD_PARTY_NOTICES.md
├── package.json
├── plugin.json
├── bin/
├── scripts/
├── tests/
└── skills/
    ├── empirical-macro/
    ├── research-design/
    ├── macro-data/
    ├── time-series-dynamics/
    ├── robustness-audit/
    └── research-synthesis/

Each installable Skill contains a SKILL.md entry point, an optional OpenAI4S kernel.py sidecar, scripts, source code, schemas, references, and bounded public assets. Repository regression tests live at top-level tests/ and are not copied into Agent installations.

Security, contribution, and license

Run the standalone release scan before publishing:

python scripts/scan_public_release.py .

Licensed under the Apache License 2.0. See LICENSE and THIRD_PARTY_NOTICES.md.