MixtapeTools：给经济学家的 AI 协作工具箱

想象一下这样的场景：你在撰写一篇因果推断论文，审稿人质疑你的工具变量可能存在弱工具变量问题，你需要在 R、Stata、Python 三种语言下同时复现你的分析，同时还要给本科生准备下周的新课 PPT。这三个任务彼此独立又都紧迫，传统做法是分别在三个窗口间切换，手忙脚乱。

Scott Cunningham 给你提供了一种新思路——他是一位经济学教授，就职于贝勒大学（Baylor University），同时也是全球下载量最大的因果推断教材《Causal Inference: The Mixtape》的作者。他开发了一套名为 MixtapeTools 的工具集，专门解决上述场景中的痛点：如何用好 AI 编程工具，让学术研究、课程教学、演讲演示的效率都上一个台阶。

从《Mixtape》到 AI 协作方法论

Cunningham 在学术圈以两件事闻名：一是他的因果推断教材（免费在线阅读：mixtape.scunning.com），二是他对 AI 编程工具的前沿探索。他在 Substack（causalinf.substack.com）上定期分享 Claude Code 使用心得，积累了相当数量的读者群。MixtapeTools 就是这些心得的工程化结晶——不是一套自动化脚本，而是一套经过反复打磨的工作流程哲学。

作者在仓库 README 中明确表示：他不把 Claude Code 当"代码生成器"用，而是当作思维伙伴（thinking partner）。这两者有本质区别：代码生成器是"帮我写一个做X的函数"；思维伙伴是"我在数据里看到Y这个现象，你觉得可能是什么？咱们一起查一查"。

对于实证经济学研究，这种区别至关重要。因为最难的部分从来不是写代码，而是搞清楚该写什么代码、结果是否真的能回答你的研究问题。Claude Code 能写代码，但只有当你把它当成合作者而非工具时，它才能帮你想清楚这些问题。

核心功能模块

1. GTD 任务管理系统（gtd/）

一套基于 Markdown 的研究任务管理系统。灵感来自"Getting Things Done"（搞定）方法论，专门适配学术研究场景。包含假设追踪（hypothesis tracking）、证据管理（evidence management）和任务优先级管理模块，帮助研究者把宏大的研究目标拆解成可执行的具体任务。

关键是这套系统利用了 Markdown 的外部记忆能力。由于 Claude Code 在会话之间"失忆"，Cunningham 把研究背景、方法决策、进度记录都写进 Markdown 文件，每次新会话开始时让 Claude 阅读这些文件来恢复上下文。这相当于给有失忆症的聪明助手建立了一个外部大脑。

2. Referee 2 审计协议（personas/referee2.md）

这是整个仓库最具创新性的模块——一个系统性审计与复现协议。Cunningham 让 Claude Code 扮演"2号审稿人"角色，这名审稿人像餐饮卫生检查员一样执行审计清单，对研究代码进行五大领域的审查：

• 数据处理：样本选择、缺失值处理、异常值检测
• 变量构建：定义是否清晰、来源是否可溯
• 模型估计：估计量选择是否合理、假设是否成立
• 稳健性检验：结果对不同规格是否敏感
• 结果报告：数字是否与代码输出一致

关键规则：禁止修改原作者代码。Claude 只读、只跑、只报告，发现问题但不修。这解决了"自己写代码自己审自己"的盲区——你没法给自己打满分。审计结果输出为正式审稿意见格式，并进入修订-重提交循环。

3. Presentation 演讲系统（presentations/）

一套基于 LaTeX Beamer 的学术演讲生成系统。包含演讲修辞学指南（rhetoric_of_decks.md，6万字超长文档）、Aristotle 修辞框架应用（aristotle.md）、演讲稿生成提示词模板（deck_generation_prompt.md）。

这套系统的核心思想是：好的学术演讲不是信息堆砌，而是说服。Aristotle 的logos（逻辑）、ethos（信誉）、pathos（情感）三要素在学术演讲中同样适用。Cunningham 将这套框架工具化，提供从内容生成到幻灯片排版的完整流水线。

4. Skills 技能集（skills/）

11个子模块，覆盖从论文写作到图表美化的各个环节：

5. Claude 对话模板（claude/）

包含 CLAUDE.md 研究项目模板和对话规范。模板要求研究者提前声明：估计哲学（design before results）、研究问题、数据来源、识别策略。Claude 被训练成"先设计后结果"的对话模式，不在分析设计完成前表达对估计结果的兴奋或担忧。

技术架构：轻量级但高度结构化

项目使用 TeX（LaTeX） 作为主要标记语言，主仓库语言标注为 TeX。整个项目没有重型依赖，核心资产是 Markdown 文件和 LaTeX 模板。

目录结构：

MixtapeTools/
├── claude/           # Claude Code 对话模板（CLAUDE.md等）
├── gtd/              # 任务管理系统（INTERROGATION.md、SKILL.md等）
├── personas/         # AI角色定义（referee2.md）
├── skills/           # 11个功能技能集
└── presentations/    # 演讲生成系统

整个仓库以文本文件为核心载体，版本可控、可搜索、可被 AI 读取。没有后端服务，没有数据库，没有 API。工具的价值在于提供结构化的思维框架，而非工程化的代码实现。

上手体验

对于没有 LaTeX 基础的学者，初始门槛略高。skills/tikz 模块提供的矢量图形模板依赖 LaTeX 环境，安装 TeX Live 发行版需要一定时间和磁盘空间（约 5-6 GB）。但是一旦环境就绪，后续使用非常顺畅。

对于已经有 LaTeX 使用经验的学者，这套工具几乎是零成本接入——git clone 后按照 workflow.md 的指导配置好 CLAUDE.md，立即就可以开始使用。

Referee 2 审计协议是最值得优先体验的功能。即使不用于正式发表研究，单是"让另一个智能体审视自己的代码"这个流程，就能显著提升研究质量。它逼迫你站在批评者视角重新审视自己的假设，而这是人类研究者最难做到的事情之一。

局限与争议

作者自己也承认：这套工具反映的是一种低自动化、高参与度的工作方式。如果你是那种喜欢把任务丢给 AI、等待结果的用户，你会觉得这套工具"太松散"——它要求你深度参与思考过程，而不是袖手旁观。

此外，由于大量依赖外部 Markdown 文件作为记忆载体，如果研究者不自律地维护这些文件（更新进度、记录决策），整个系统的效果会大打折扣。这是一套需要"用心经营"的工具，不适合"拿来即用"的场景。

行业意义

MixtapeTools 代表了一种新兴趋势：AI 辅助学术研究的最佳实践正在被工具化。它不追求替代研究者，而是放大研究者的判断力。在 AI 编程工具遍地开花的当下，这种"思维伙伴"而非"代码生成器"的定位，为学术场景下的 AI 应用提供了一个有深度的范本。

作者的核心洞见——Claude 有失忆症，需要外部记忆系统——已经被越来越多的 AI 编程工具用户认可，并正在演变为一种行业共识。从这个意义上说，MixtapeTools 不仅是工具，更是一种方法论的布道。