耶鲁大学管理学院金融学副教授（Associate Professor of Finance）Paul Goldsmith-Pinkham，“Bartik大神”把 AI 科研工作流开源了：7 分钟从零跑出发表级图表，代码解释、项目辅助、本地模型、VS Code 与 Git 一条龙。但最值得转发的，不是“快”，而是他反复强调的那句话——
验证，才是新的瓶颈。
🔹 Paul Goldsmith-Pinkham 是谁
Paul Goldsmith-Pinkham 耶鲁大学管理学院金融学副教授（Associate Professor of Finance），NBER Faculty Research Fellow。在实证经济学圈，他的名字和 Bartik / shift-share 工具变量
紧紧绑在一起——Goldsmith-Pinkham, Sorkin & Swift（2020）系统论证了“份额即工具”的识别框架，让 Bartik 从“惯例用法”变成了可检验、可分解的方法论对象。他也做消费金融、住房市场、金融危机传染，研究发表在 AER、ReStud、JF 等顶刊。加入耶鲁前，他在纽约联储做研究经济学家。
这样一个做识别、做计量的人，来开源 AI 科研工作流，本身就说明一件事：他关注的不是“让 AI 替你做研究”，而是把 AI 塞进一个可审计、可复现的研究基础设施里。
🔹 项目：applied-methods-phd——不止是课程仓库
仓库本体是耶鲁“Applied Empirical Methods” PhD 课程的公开材料，包含讲义、作业、代码和考试题。但让它跳出“又一门课”的，是配套的 “Using AI in Research and Teaching” 资源体系：代码解释、项目辅助、网页抓取、本地模型、VS Code + Copilot、Git 工作流，全链条覆盖。下面拆开看几个真正有区分度的模块。
为帮助大家AI提效并规范使用AI，我们特设【数智科研交流群】，开放加入！专为在读博士、硕士及青年教师打造，聚焦AI智能体在论文选题、文献综述、数据收集、数据清洗、实证分析、文本分析、论文写作、投稿选刊等的科学应用。
添加备注“数智科研交流“进群，领取“数智科研”大礼包。
① 代码解释 + 项目辅助：从“读不懂”到“改得动”
AI 在这里的第一层用法，不是写新代码，而是解释别人的代码：生成注释、翻译逻辑、辅助理解陌生项目的结构。进阶一步是项目层面的辅助——Makefile、目录结构、复现流程，AI 帮你把“跑不起来的老仓库”变成可迭代的工作底稿。核心原则很克制：AI 降低执行成本，判断留给研究者。
② 本地模型：敏感数据不出机器
涉及 IRB、PII 或受监管数据时，云端 LLM 不是选项。他给出的路径是在本地跑自己的 LLM，让 AI 能力进入“数据不能出门”的场景。这不是炫技，是把 AI 从“公开数据的玩具”推向“真实研究的生产力”。
③ VS Code + Git：让 AI 的每一步都可回滚、可审计
VS Code + Copilot 提供内联补全和聊天，内置 Git 让每一次 AI 改动都落在版本历史里。他在普林斯顿的迷你系列里说得更直白：把项目做成一连串已提交的步骤，而不是一个最终输出，然后
一次只审查一个改动。AI 可以改文件、跑代码，但如果不用 Git，你就失去了“它到底改了什么”的追溯能力。
④ 实操效能：快到什么程度，以及快到之后该盯什么
他展示的两个案例很有冲击力：用 Claude Code 从人口普查局抓取跨度 50 年的房屋所有权数据，处理反爬拦截和复杂 Excel 格式，不足 7 分钟生成达到发表标准的图表；从 SEC EDGAR 批量下载 120 份 10-K，提取关税风险披露并构建可 SQL 查询的结构化数据库，传统人工管道往往需要数天。但他紧接着的落点不是“AI 多强”，而是：每一张图、每一个数字都必须来自代码，不能来自 AI 的记忆。快速执行之后，审查和验证的工作量并没有消失，只是转移了位置。
参考来源：
仓库：https://github.com/paulgp/applied-methods-phd
AI 指南：https://paulgp.com/2024/06/24/llm_talk.html
耶鲁主页：https://som.yale.edu/faculty-research/faculty-directory/paul-goldsmith-pinkham
