一段回归程序能够运行，和一项实证研究能够回答问题，中间还隔着数据、设定与证据。研究者关心“一个政策有没有促进企业创新”，需要先说明政策影响谁、怎样衡量创新、哪些数据能观察到变化，以及如何建立可信的比较。AI 可以协助写程序、处理材料和完成计算，但只有这些工作与研究问题对应起来，输出才有分析和解释的价值。
我理解的 AI for empirical research，是让 AI 参与这些具体工作，使研究者能够核对成果、调整分析并继续研究。困难并不只在代码生成环节，还在于任务条件是否明确、数据处理是否保留含义、模型比较是否有依据，以及程序反馈能否与研究判断区分。把这些要求纳入工作方式，才能让 AI 完成的部分成为研究者下一步可以使用的成果。
实证任务需要明确的分析依据
一项实证任务往往包含从问题到指标、从材料到数据、从模型到解释的多次转换。每次转换都可能改变研究含义，例如用研发投入衡量创新活动，或用一组企业的变化解释政策效果。工具需要知道研究者已经决定了哪些条件，哪些条件仍待讨论，以及当前步骤准备交付什么。否则，即使每段程序分别能运行，也未必构成同一项研究所需的分析。
“帮我研究政策效果”与“按照这个设定完成估计”是不同范围的要求。前者可能需要整理文献、检查数据可得性并比较研究设计；后者可以依据指定材料、变量和样本执行计算。AI 能够协助两类工作，但不能把尚在讨论的设计直接当成定稿，也不能把完成一次估计等同于完成整项研究。说明任务所在阶段，有助于将生成、检查和判断安排在合适的位置。
因此，面向实证研究的产品应当让材料、条件、操作与结果的关系能够被检查。研究者改变指标或样本时，需要确认哪些处理和模型随之变化；AI 完成计算时，需要报告实际使用的条件与取得的输出。这样的协作使每一步都有明确依据，研究者能够根据观察决定下一步，而不必反复重建工具替自己作过的选择。
问题定义决定计算要做什么
“政策促进了创新”不是一个可以直接执行的计算要求。它可能指专利数量、专利质量、研发投入或新产品，也可能关注不同企业、行业和时期。研究者需要说明自己关心哪一种变化，以及所用指标为何能够表达它。这里的判断先于模型估计：同一句问题采用不同指标，可能就在研究不同的事情，程序不能仅凭一个变量名称确定其含义。
例如，研究一项补贴政策是否改变企业创新活动，先要确认哪些企业受到政策影响、影响发生在什么时候，以及手中的数据能够观察什么。如果选择研发支出，就需要解释它作为创新投入的意义；如果选择专利，也需要区分申请与授权等口径。AI 可以帮助核对材料、整理候选指标和生成处理代码，但这些工作要围绕已经说明的研究问题展开，不能先生成一个规范模型，再倒过来寻找配合它的理由。
识别策略也不能只由方法名称决定。研究者要说明为什么某组对象适合比较、相关时间窗口如何选择、哪些其他因素可能同时影响结果，以及当前材料支持什么假设。AI 熟悉回归或因果推断的语法，可以减轻执行负担；研究设定是否合理，则需要把理论、制度背景和数据条件一起讨论。区分这两层，才能知道一份结果表究竟完成了什么。
由此得到的产品要求，是任务条件能够被明确表达、核对和修改。条件未定时，AI 可以先整理材料与待确认事项；条件已定时，再执行指定的整理和计算。研究者根据新观察调整设定，工具就应当依据更新后的要求继续。人机协同中的判断因此有具体对象，不必在每次生成之后从头追查模型替自己作了哪些选择。
数据整理要保留研究含义
实证研究所需的材料可能来自行政记录、企业披露、平台数据或调查。它们围绕不同目的产生，使用不同对象、单位和时间尺度，也有不同的访问与使用条件。能够取得文件，不等于已经具备回答问题的数据。覆盖范围、变量口径和匹配方式，都可能改变研究对象与最终的比较，必须在进入计算之前说明。
单位转换是一个容易理解的例子，身高用米还是厘米可以明确处理；更复杂的是企业营收按年度还是季度记录、地区编码是否改变、调查题目在不同轮次是否一致。同名变量未必同义，统一列名也不会自动统一测量。AI 可以执行转换和匹配，但研究者需要知道它采用了哪条规则，哪些记录无法处理，以及处理前后的样本发生了什么变化。
从企业披露文本整理面板数据，同样可以作为说明性任务。需要先确定企业、年份和指标，再检查提取值对应的统计期间、合并范围与材料版本。如果几份披露对某个指标的含义不同，直接拼成一列就可能产生形式完整、实质不一致的数据。工具应当保留原始来源和处理依据，让研究者能够回到记录核对；文本中的数字被提取出来，并不表示测量工作已经完成。
这些要求说明，数据准备本身就是研究过程的一部分。工具的交付不能只有整理后的表，还应使变量说明、筛选条件和必要的检查结果能够被追踪。材料能否用于当前任务，也需要依据具体来源和授权范围确认。AI 减少的是重复查找、转换和执行的劳动，研究者仍能掌握数据怎样形成，后面的分析才有明确基础。
程序反馈和研究反馈要分别判断
在实证任务中，至少有两类不同的检查。程序层面要确认文件能读取、变量处理符合要求、计算正常执行；研究层面还要判断比较是否回答了问题，模型条件是否合理，以及结论有没有超出证据支持的范围。程序没有报错，只证明相应执行没有在这个环节失败；统计输出完整，也不意味着其中的解释已经成立。
以政策效果研究为例，我们观察实施政策之后的结果，同时关心同一对象没有实施政策时会怎样。不能同时观察到两种状态，研究者就需要提出比较设计和识别假设。AI 可以协助检查程序是否落实这些设定，整理相应的检验和结果，却不能从一张显著的回归表直接宣布假设成立。怎样论证比较的可信度，仍要联系问题与材料。
模型比较也需要明确改变了什么。加入控制变量后，如果部分观察因缺失值退出估计，系数变化就同时涉及设定和样本。可以先确认有效观察，再完成适当的同样本比较，并讨论控制变量选择的理由。类似地，更换标准误主要改变不确定性的估计，不能据此声称解决了模型设定中的偏误。每一步比较都需要与它实际能够检查的问题对应。
因此，AI 的反馈应当使程序结果与研究解释的依据分别可见：用了什么样本、改变了什么设定、取得什么输出、还有什么未确认。让几个模型互相赞同一段解释，并不能替代对数据与方法的检查。实证研究需要的可靠帮助，是把执行情况和经验依据整理清楚，使作者能够继续判断，而不是把所有输出统一标成“已完成”。
一项实证任务怎样形成有效的人机分工
假设研究者准备比较补贴政策与企业研发投入之间的关系，手中已有数据说明和一个初步分析设定。AI 的第一步可以协助检查变量、单位、观察时间和材料覆盖，列出执行当前任务还缺哪些条件。研究者确认所用指标、样本和模型后，再组织数据处理与估计。这样的分工既让工具承担实质工作，也避免把未确定的研究选择悄悄写进程序。
进入计算后，可以保留样本处理、基础模型和扩展模型的代码与结果。发现异常时，先定位对应阶段：是材料读取、变量构造、样本筛选，还是估计与解释的问题。已经确认的部分不必反复重写，需要修改的部分则应连同后续依赖一起核对。研究者也可以直接修改代码，再说明变化后的条件，请 AI 完成下一步比较。
任务结束时，交付应当支持继续研究。代码与图表要能对应当前数据和设定，结果整理要区分观察、解释和待核实事项，文件中的执行顺序也要明确。保存代码和输出不会自动恢复内核变量，所以重开之后仍需要按顺序运行前置步骤。这样的成果可以进入汇报、复核和后续修改，而不只是在一次聊天中看起来完整。
这也是检验效率的合适尺度。AI 是否提效，要看它完成了多少可以继续使用的工作，研究者的总劳动量是否减少，检查和返工成本是否可控。研究问题、方法与解释由作者负责，不能成为工具交付低质量结果的理由；工具认真完成已明确的任务，人才有条件把时间用于真正需要判断的部分。
Marx Max 围绕实证研究组织协作
针对这些要求，Marx Max 将需求讨论、可编辑代码与计算结果放在同一个工作区。左侧明确当前问题和任务条件，右侧查看实际执行、修改并重跑代码；研究者可以依据输出继续讨论，也可以保留已有计算进行比较。这个安排回应的是实证分析中反复观察、调整和核对的工作方式，不能仅以一次生成速度来评价。
AI for empirical research 的产品价值，需要在这些具体任务中形成：资料能否支撑当前问题，代码能否落实已经确认的设定，结果能否被人理解和检查，修改后能否在可靠的基础上继续工作。编程与计算能力提供了基础，针对实证研究组织材料、条件和协作过程，决定了这些能力能否有效参与研究。这也是我们围绕实证任务组织人机协同的设计方向。