🍊 GL Skills

把论文定题、变量设计和论文复现，变成 Agent 可以直接执行的研究流程

这是「果粒数据分析」持续维护的开放 Skill 合集，面向经管类本科生、硕士生和实证研究学习者。

这里不追求一次生成更多题目、更多变量或更多回归，而是把研究中最容易跑偏的环节做成有边界、可核验、能落地的 Agent 工作流：先确认能不能做，再决定怎么做；没有证据的内容明确标记待核验。

每个 Skill 都是 Agent 可以直接加载的结构化指令集，可用于 Codex 及其他兼容 SKILL.md 的 Agent。

---

📋 Skills 目录

Skill	一句话说明	适合什么时候用
🧭 gl-thesis-topic（GL 论文定题）	从方向、热词或初步想法中筛出真正能写、能查、能拿到数据的论文题目	还没定题，或想判断现有题目能不能落地
📐 gl-thesis-variable-selection（GL 论文选题变量确定）	把题目中的概念变成有文献依据、有数据来源、可复现的变量方案	题目已定，需要确定 X、Y、控制变量和衡量口径
🧪 gl-paper-replication（GL 论文复现）	从论文材料搭建轻量复现项目，并解释代码、表格、模型和复现差异	想复现一篇实证论文，或系统学习它的研究流程

---

🔄 一条完整的研究路线

阶段	使用 Skill	解决的问题	主要产出
1	gl-thesis-topic	这个方向最终应该写成什么题目？	候选题排序、核验记录、三性评分、最终研究方案
2	gl-thesis-variable-selection	题目里的概念到底怎么衡量？	变量设计报告、数据评分、控制变量矩阵、待核验清单
3	gl-paper-replication	一篇论文的实证过程如何复现并学明白？	复现项目、Stata 文件、日志、报告和学习笔记

三个 Skill 可以独立使用，也可以按这条路线连续使用。

---

📦 安装方式

在 Codex 或其他支持 Agent Skills 的工具里，直接说：

帮我安装这个 Skill：
https://github.com/Ali66611/glskill/tree/main/<skill-name>

把 <skill-name> 替换为：

• gl-thesis-topic
• gl-thesis-variable-selection
• gl-paper-replication

例如：

帮我安装这个 Skill：
https://github.com/Ali66611/glskill/tree/main/gl-thesis-topic

也可以手动安装：

git clone https://github.com/Ali66611/glskill.git
mkdir -p ~/.codex/skills
cp -R glskill/gl-thesis-topic ~/.codex/skills/
cp -R glskill/gl-thesis-variable-selection ~/.codex/skills/
cp -R glskill/gl-paper-replication ~/.codex/skills/

重新启动 Codex 或刷新 Skills 后即可使用。只需要其中一个能力时，复制对应目录即可。

---

✨ Skills

🧭 gl-thesis-topic（GL 论文定题） “先删掉不能写的题目，再决定哪个题目最值得写。” 它只解决一件事：把研究方向收敛成可执行的论文题目。 普通 AI 往往擅长生成一长串看起来很新的标题，却不会先检查变量能不能衡量、数据能不能拿到、方法是否超出学生能力、CNKI 是否已经高度撞题。这个 Skill 把定题变成一组必须完成的判断。 它会做什么 区分本科、硕士的完成标准和风险边界 把“数字经济”“新质生产力”等方向词拆成可衡量的 X、Y 和研究对象 检查 CNKI 撞题、马甲词、变量化依据与数据可得性 按“可行性 > 相关性 > 创新性”进行三性评分 给出最推荐题目、研究框架、数据来源、方法路线和待核验事项 怎么触发 使用 $gl-thesis-topic 帮我确定毕业论文题目 这个题目能不能做？ 我是财务管理本科生，帮我把数字经济方向收敛成实证题目 帮我判断这个选题的数据和方法能不能落地 主要产出 候选题排序、主动核验记录、三性评分、最推荐题目、变量与数据初案、方法路线、风险提示和下一步行动。 → 查看完整 SKILL.md

📐 gl-thesis-variable-selection（GL 论文选题变量确定） “变量不是找一个听起来相似的指标，而是找到可解释、可获得、可复现的衡量口径。” 它只解决一件事：把已经确定的论文题目转成能真正执行的变量设计。 它不从零帮你想题目，也不会为了显著性倒推变量。它会先审查普通 AI 给出的变量答案，再用真实文献、数据来源和口径一致性逐项排雷。 它会做什么 区分 Y、X、控制变量、机制变量、调节变量和异质性分组 为核心变量确定主口径、替代口径、公式、文献和数据来源 用六维评分检查获取便利度、权威性、覆盖度、构造难度、复现性和时效性 从 10 篇相关实证文献中抽取并对齐控制变量 识别后处理变量、口径混淆、固定效应误用和内生性过度承诺 判断单指标、熵值法或主成分分析是否真的适合 怎么触发 使用 $gl-thesis-variable-selection 审查这份 AI 变量方案 我的题目已经定了，帮我确定核心解释变量和被解释变量 读取这 10 篇文献，生成控制变量矩阵 这个变量应该用单指标、熵值法还是主成分分析？ 主要产出 AI变量方案审查.md、变量设计报告.md、控制变量文献矩阵.xlsx 和 待核验清单.md。 → 查看完整 SKILL.md

🧪 gl-paper-replication（GL 论文复现） “复现不是把回归跑出来，而是把每一步为什么这样做讲明白。” 它只解决一件事：把一篇实证论文整理成可复现、可检查、可学习的项目。 它会先读取论文并确认复现准入条件。论文、数据、变量、固定效应或目标表格缺失时，只生成待确认问题和复现计划，不会把未运行的结果写成已经复现。 它会做什么 建立论文材料、变量、数据、代码、日志、结果和报告的标准项目结构 提取论文问题、样本、变量、数据来源、模型、固定效应和聚类方式 生成基础 Stata 数据清洗、描述性统计和基准回归文件 按需要扩展稳健性、机制、异质性和内生性分析 对照原文记录复现差异，不手动修改系数、P 值、星号或样本量 为初学者解释每个 do 文件、核心表格、模型和可迁移学习路线 怎么触发 使用 $gl-paper-replication 复现这篇论文 帮我建立一个论文复现项目 读取这篇论文，整理变量、数据和基准模型 复现结束后，逐段解释 Stata 代码和每张结果表 主要产出 标准复现目录、Stata 文件、运行日志、结果表、复现报告、差异说明、代码讲解、表格解读、模型学习卡片和学习路线。 → 查看完整 SKILL.md

---

🧱 共同原则

• 可行性优先：先确认数据、变量、样本和方法是否能落地。
• 证据可追溯：未经真实文献或一手来源核验的内容统一标注“待核验”。
• 学历分层：本科强调规范完成与可复现，硕士强调边际贡献、识别可信和盲审安全。
• 结果诚实：不编造文献、变量、数据来源、系数、P 值、星号或样本量。
• 不追显著性：不以结果包装、自动筛选或倒推变量代替研究设计。
• 学术诚信：GL Skills 用于研究辅助与学习，不替代作者对数据、引用、方法和结论的核验责任。

---

🏷️ 命名规范

后续新增 Skill 统一使用两种名称：

• 机器标识：小写、短横线分隔，以 gl- 开头，例如 gl-paper-replication。
• 展示名称：以 GL 开头，随后明确具体需求，例如“GL 论文复现 Skill”。

每个 Skill 在仓库根目录使用独立文件夹，并至少包含一个 SKILL.md。

---

🌟 关于

我是「果粒数据分析」，主要分享 Stata、计量经济学、论文选题、变量设计和实证研究方法。

这些 Skill 会继续根据实际使用反馈迭代。如果它们对你有帮助，欢迎给仓库一个 ⭐；发现问题或有新需求，也可以通过 Issues 提交。

联系作者

微信：爱喝果粒橙

---

MIT License · 自由使用 / 修改 / 再分发

Made by @Ali66611 · 果粒数据分析