为什么 Marx Max 适合在科研中使用

开发通常是把一个明确的目标做出来；研究则要通过一次次尝试，判断下一步该怎么做。开发一个登录功能，可以先确定用户要完成什么、功能应当怎样表现，再让 AI 沿着这个目标实现和验证。研究一个经济现象，却很难一开始就把全部分析步骤定下来：数据可能与预想不同，一个模型的结果可能引出新的问题，原来的解释也可能需要重新考虑。每次计算的价值，不仅在于完成了一个步骤，还在于它为下一次尝试提供了什么依据。

在做 Marx Max 之前，我一直在用 Claude Code 和 Codex，也认可它们强大的编程能力。对研究者而言，这些能力已经能够帮助编写程序和执行计算；接下来需要解决的是，怎样让 AI 配合研究中不断变化的分析方向。研究者可能先画图观察数据，再比较几个设定，随后根据结果调整变量或补充检验。如果一开始就把整项研究交给 AI 按固定路线做完，就可能错过这些需要人参与判断的时刻。科研中的人机协同，需要允许研究者在尝试过程中改变计划，并让 AI 根据新的要求继续工作。

Marx Max 把需求讨论、可编辑代码和计算结果放在同一个工作区，正是为了支持这种探索方式。左侧讨论当前问题与下一步尝试，右侧查看实际输出、修改代码并重新运行；研究者可以保留已有计算，比较不同条件下的结果，再决定继续哪个方向。分段计算因此不只是程序的呈现形式，它为观察、讨论和调整分析提供了具体位置。让 AI 承担相应的程序与计算，让研究者根据证据决定下一步，才是我们针对科研安排这套工作方式的理由。

科研任务需要明确计算之外的研究条件

在软件开发中，代码通常直接参与形成应用、服务或工具；在实证研究中，程序的作用是处理数据和计算证据，研究成果还包括由这些证据支持的解释。这并不意味着开发任务不需要推理和验证，而是说明科研任务还有一组需要专门呈现的条件：数据来自哪里、研究对象是什么、变量怎样构造，以及计算结果与研究问题之间有什么关系。程序能够运行，不能单独回答这些问题。

例如，同样一段回归程序，换一个样本、调整变量定义或加入一组控制变量，就可能对应不同的研究比较。研究者需要判断每次调整的理由，也要核对结果变化来自设定、样本还是其他处理条件。这里的工作并非为了把程序修到可以执行，而是借助计算检验一个研究判断。若产品只突出最终代码和输出，没有把它们与研究条件联系起来，使用者仍要额外整理这些关系才能继续分析。

因此，面向科研的优化不能只停留在代码生成环节，还需要支持研究条件的说明、计算过程的查看以及不同结果之间的比较。Marx Max 把需求与计算放在同一工作区，保留研究者可以检查和修改的代码与输出，是为了让这些活动在分析过程中连续进行。科研效率应据此衡量：AI 协助完成程序和计算后，研究者是否更容易理解结果、调整分析并开展下一步工作，整体劳动量是否确实减少。

把目标明确的开发任务与探索性的实证研究放在一起，可以看到具体差别：

让一句需求变成可以检查的过程

以比较基础模型与加入控制变量后的模型为例。研究者关心的是，在其他条件明确的情况下，加入这组变量后，核心系数及其不确定性如何变化。要使比较有意义，至少需要确认使用哪份数据、哪些观察进入样本、变量怎样定义，以及两个模型采用什么标准误。这些条件决定了具体计算，不能由工具为了尽快给出结果而自行补齐。

在 Marx Max 中，可以先在左侧说明基础模型的设定，要求右侧展示计算代码与实际输出；检查后再加入已经选定的控制变量，同时保留原模型。研究者核对的不只是最后两个系数，还包括读入的文件、样本筛选、变量列表、截距和标准误类型。若某个条件需要修改，可以直接指出对应步骤，让后续工作基于修正后的条件继续，而不是反复描述一整套研究背景。

这里有一个具体的判断问题：加入控制变量后，有些观察可能因为这些变量存在缺失而退出估计。此时两个模型的差异同时涉及变量集合和样本，不能把系数变化全部归因于控制变量。可以先核对两个模型的有效观察，再在一致样本上完成所需的比较；一致样本也不能替代对控制变量选择和模型解释的判断，但能够帮助排除这一次比较中不必要的混淆。

将需求、代码和输出放在同一工作过程中，有助于研究者检查这些关系。AI 负责按确认的条件组织程序、执行所需计算，并协助整理比较结果；研究者则判断条件是否合适、变化如何解释，以及是否需要继续检验。双方的工作有明确的依据，AI 的结果就更容易成为下一步分析可以使用的成果，而不是另一份需要从头审查的材料。

分阶段执行，支持研究过程中的比较与调整

科研分析通常包含数据读取、变量构造、样本选择、模型估计和结果整理。这些阶段各自对应研究条件，后面的解释依赖前面的选择。研究者也会根据观察到的结果重新考虑变量或模型，所以分析不总是按预先确定的脚本一次完成。将阶段代码与输出分别呈现，有助于人在相关材料仍然清楚的时候检查条件，并据此决定继续、调整还是补充分析。

数据整理就是一个例子。先核对变量名称、单位和观察范围，再处理缺失值与样本筛选，确认后进入估计；这样，研究者可以在尚未产生大量模型结果时纠正处理条件。每个阶段应当提供与该步骤有关的检查信息，例如筛选前后的观察数、使用的变量和运行报错。仅有“处理完成”四个字，并不足以让使用者判断工作是否按要求执行。

Marx Max 的分段代码与结果支持这样的工作安排。已经确认的部分可以保留，需要修改的部分可以单独处理，后续计算再按依赖关系更新。分阶段的意义也不在于要求研究者逐行审批所有程序；对重复、稳定的计算，可以成批完成，对影响样本或模型解释的选择，则先确认条件。将核对集中在真正会改变结论的地方，才可能同时降低返工成本和沟通负担。

当分析已经稳定，仍需要整理明确的执行顺序，并从确定的起点检查完整流程。分段视图方便探索和修改，完整运行用于确认前后依赖是否正确，两者服务于不同阶段的工作。研究者在探索时获得调整空间，在形成正式结果时保留一致的计算过程，这才是分段设计适合科研的理由。

人机协同需要双方都能参与实际工作

人机协同要求研究者能够直接参与代码、材料和结果的修改，而不仅是在 AI 结束之后表达同意或反对。研究过程中，有些调整用自然语言说明更方便，有些调整由人直接修改更准确。如果用户已经知道某个变量应怎样构造，能够自行修改对应代码并重跑，就不必把这一操作变成多次解释和猜测。

Marx Max 右侧展示代码与结果，研究者可以查看输出、编辑代码并重新运行，左侧则用于提出要求和讨论下一步。继续任务时，研究者可以明确说明已经修改的条件，要求 AI 在这个基础上完成后续工作。这样的协作让人的调整进入实际计算，也让 AI 的工作能够被人继续使用；它不应把每次人工修改都变成重新生成整份分析的理由。

研究中的分工应当围绕任务特点安排。研究者确定研究问题、变量含义、比较理由和解释条件，AI 可以协助编写重复程序、组织指定计算和整理结果；提出新的设定时，再将依据交给研究者讨论。这样的安排允许研究者直接参与分析，也让 AI 承担实质工作。面向科研的人机协同，既要发挥编程工具的能力，也要让计算始终服务于作者正在研究的问题。

可重复计算，让生成结果具有后续使用价值

科研中的结果通常还要进入汇报、修改或复核。研究者需要知道某个输出来自哪份输入、哪段程序以及哪些设定，否则下一次变化时就难以判断原因。AI 生成的解释文字可以辅助理解，但只有保留相应代码、材料和实际输出，计算结果才具备继续检查和重复使用的基础。

Marx Max 将代码与运行结果保留在计算工作区，研究者可以保存和继续修改。不过，保存文件和保存内存状态是两回事：重新打开应用后，内核中的变量不会自动恢复。准备正式结果时，需要按顺序运行前置步骤，确认使用的是预期数据与当前代码；涉及随机过程时，还要明确相应设置。重复得到相同输出说明这一计算在这些条件下可以复做，研究解释是否正确仍取决于方法和证据。

这种区分不会削弱工具的价值。它让研究者知道哪些成果可以直接继续使用，哪些条件需要重新准备。工具把程序和输出保存下来，可以减少重复编写与寻找材料的工作；研究者核对执行条件，则确保这些成果在下一次任务中仍有意义。双方各自承担明确的工作，才能使一次生成的内容真正服务于持续研究。

适合科研，要通过具体任务来检验

判断 Marx Max 是否适合一项研究，可以从一个已经明确的分析任务开始：所用材料能够核对，模型条件已经说明，预期交付也足够清楚。观察 AI 是否遵循这些要求，代码和输出是否便于检查，修改后能否沿着正确的步骤继续，以及整个任务实际减少了多少劳动。这里比较的是使用前后的完整工作过程，不是把一次生成速度当成总体效率。

软件开发中的任务完成标准，不能直接替代一项研究的评价标准。对于科研工作台，程序执行之外，还要看样本与设定是否清楚、不同计算是否容易比较、人工修改能否进入后续分析，以及代码和结果能否按明确条件复做。这些要求并不排斥通用编程工具；它们说明了我们为什么选择围绕研究过程组织产品，并据此安排讨论、计算和修改的位置。

对话与计算结合、代码可编辑、结果及分析条件能够核对，是 Marx Max 面向科研采取的具体设计。它们分别服务于研究需求的说明、人的分析参与和证据的检查，共同目标是让强大的 AI 编程与计算能力更方便地用于研究。研究者能够以这些成果继续比较、解释和修改，并把更多时间用于问题与方法的判断，才是这一产品定位需要在实际使用中实现的价值。