🐳

计量经济学 ×
DeepSeek Harness

用 Agent 驾驭你的实证研究 —— 上机课导论

课程　微观计量经济学环节　上机实验课主讲　助教

00

计量经济学基础回顾

你已经掌握的 Stata 实证流程

01

为什么引入 Agent

从手工跑回归到智能协作

02

Harness 概念与架构

驾驭的艺术 · 公式 · 开源 · 插件

03

工作流与实战演示

从数据到论文的全流程

04

DSH 配置

让 Agent 在真实场景中持续工作

05

作业要求与学术诚信

如何正确使用 Agent 完成作业

数据导入与预处理

1导入数据

import excel "路径.xlsx", firstrow clear // 导入Excel，首行是变量名
use "路径.dta", clear // 导入Stata dta数据

2面板数据设置

encode 个体变量, gen(id)
encode 时间变量, gen(year)
xtset id year // 声明面板，可用xt系列命令

3描述性统计

summarize y x1 x2 controls // 均值、标准差、最值、样本量
estpost summarize y x1 x2 controls
esttab desc_stats using "描述性统计结果.rtf", replace // 输出到Word

4相关性、异常值

correlate y x1 x2 controls
pwcorr y x1 x2 controls, sig star(0.01) // 相关系数矩阵+显著性星号
winsor y x1 x2 controls, replace cuts(1 99) // 1%/99%缩尾

📝 面板数据必须先 xtset 声明，否则 xtreg、reghdfe 等面板命令无法使用。字符型个体标识（如企业名称）需先用 encode 转换。

OLS 与经典假设

1OLS 回归

reg y x1 x2 controls
reg y x1 x2 controls, robust // 异方差稳健标准误

2多重共线性检验（VIF）

estat vif // VIF<10 无严重共线性，VIF>10 需剔除高度相关变量

3异方差检验（怀特）

estat imtest, white // 原假设：同方差，P<0.05 则存在异方差

4自相关性检验（DW）

estat dwatson // DW≈2 无自相关，DW<2 正相关，DW>2 负相关

5线性性检验（RESET）

estat ovtest // 原假设：模型满足线性假设，P<0.05 需加入平方项/交互项

稳健性检验与异质性分析

1替换被解释变量

gen y2 = 新的被解释变量
reghdfe y2 x1 x2 controls, absorb(id year) cluster(id)

2替换核心解释变量

gen x1_2 = 新的核心解释变量
reghdfe y x1_2 x2 controls, absorb(id year) cluster(id)

3调整样本范围

drop if st_flag == 1 // 剔除ST企业
drop if year < 2010
reghdfe y x1 x2 controls, absorb(id year) cluster(id)

4更换计量模型

logit y x1 x2 controls, robust
probit y x1 x2 controls, robust

5按企业规模分组

reg y x1 x2 controls if size==1, robust // 大型企业子样本
reg y x1 x2 controls if size==0, robust // 中小企业子样本

6按地区分组

reg y x1 x2 controls if region==1, robust // 东部地区子样本
reg y x1 x2 controls if region==0, robust // 非东部地区子样本

📝 异质性分析不仅要分组回归，还需在正文中解释「为什么」存在差异——结合理论机制说明大型企业与中小企业、东部与非东部在资源禀赋、制度环境等方面的不同。

计量分析初步流程

从原始数据到论文结果的标准路径

1

数据导入

Excel / dta
面板数据声明

→

2

预处理

描述性统计
相关性 + 缩尾

→

3

基础回归

OLS / 固定效应
经典假设检验

→

4

稳健性

替换变量
调整样本 / 换模型

→

5

异质性

分组回归
机制解释

💡 接下来：如何用 AI Agent 加速这一整套流程？

为什么引入 Agent

📊

数据处理繁琐

清洗、合并、缩尾、生成变量……每一步都要写代码、查语法、调 bug，大量时间消耗在机械操作上。

🔬

模型选择复杂

OLS / IV / DID / 面板固定效应……该用哪个？假设检验怎么做？内生性如何处理？需要反复试错。

📝

结果输出耗时

回归表格、系数图、稳健性检验……整理成论文格式又是一轮重复劳动，还容易出错。

💡 Agent 能做什么？

🤖

自动写代码

查文档 / 调语法

🔄

迭代试错

跑不通自己修

📈

可视化结果

自动出表出图

🧠

方法论建议

提醒假设与陷阱

什么是 Harness

🐎

这匹马 = AI 模型

马再快，没有装束，
你也骑不走、跑不远。

harness/ˈhɑːrnɪs/

n.马具、挽具（套在马身上那一整套装备）

v.驾驭、控制、利用

套在马身上的这一整套，就是 Harness

🎯

缰绳 · 控制方向

🪑

马鞍 · 坐得稳

👢

马镫 · 使得上劲

🔗

肚带 · 不散架

🔔

笼头 · 听得懂指令

📌 本部分内容参考自 B 站 UP 主「程序员鱼皮」DeepSeek Harness 介绍视频。

Harness 工程：研究怎么让马跑得更快、更稳

跑得更快跑得更稳顺利完成任务

📋

项目规则文件

# AGENTS.md

🔧

配置的各种工具

读写文件执行命令搜索网页调用接口运行代码生成图表

📑

任务拆分和执行顺序

读源码，理清模块 done

补单元测试 done

改实现 running

跑全量回归 todo

✅

测试检查流程

$ npm run lint 0 errors

$ npm run build built in 1.4s

$ npm test 24 passed

规则文件、工具配置、任务拆分、测试检查……这些统统都算 Harness。

和网页端有什么不同

🤖

Agent

能干活的 AI

=

🧠

Model

模型 · 负责想

+

⚡

Harness

驾驭工程 · 负责做

🧠 模型负责思考和生成

「用户要一个求和函数，我写一个 sum」

export function sum(a, b) {
 return a + b
 }

但它吐出来的，始终只是一段文字。

⚡ Harness 负责接入现实环境

文件系统 → 在 src/utils/sum.ts 中编写求和函数
终端 → 运行 npm test，确保所有 24 个测试用例通过
网页 → 查阅 Vitest 官方文档，了解断言（assertion）的写法
工具链 → 通过 GitHub API 自动创建并提交 Pull Request

模型只会「想」，Harness 把想法接上文件系统、终端、网页和工具链，AI 才真正能在现实环境里干活。

之前 DeepSeek 只开源了模型这一半

🏇

Agent

完整了

=

🐴

Model

V4 Pro 等模型权重

✓ 早就开源了

+

🎠

Harness

Deepseek Harness

✓ 这次开源了

🐱

deepseek-ai / deepseek-harness

刚开源12小时，GitHub仓库就冲破了5万Star。

203k+

⭐ Stars

🎉 这次终于补齐了

模型 + Harness 都是自家的，DeepSeek 手里第一次有了完整的一整套 Agent。

一个可以高度定制的 AI 编程工具

localhost:3000

💬 帮我分析当前项目的代码仓库结构，画一张架构图

模型 DeepSeek-V4-Pro 推理等级 high 文件权限可读写终端权限需确认运行模式标准模式

🔶

Claude Code

Anthropic 出品

终端里的编程 Agent

编程 Agent

🌀

Codex

OpenAI 出品

终端里的编程 Agent

编程 Agent

🐳
DeepSeek HarnessDeepSeek 出品
网页里的编程 Agent
可配置、可重组的 Agent 运行环境

🌿 别人交付的是一个编程 Agent，它交付的是一套能自己攒 Agent 的运行环境。

一切皆插件，运行有迹可循

🧩 Agent 运行环境每一格都能拔换

🧠

模型

v4-pro / 可换

🔧

工具

bash / edit

✨

技能

skills

💬

会话

session

📦

沙箱

sandbox

🔄

循环

agent-loop

🖥️

界面

turtle-ui

🔌 一切皆插件

DeepSeek Harness 基于 Cordis 插件系统构建。模型、工具、技能、会话、沙箱、存储、循环、调度、UI 等所有 Agent 能力均由插件提供，并通过 Cordis 服务与事件彼此协作。开发者无需改动 DeepSeek Harness 源码，即可在配置层选择、替换或扩展任一能力。

⏳ 每一次运行都有迹可循

模型看到的一切都会写入仅追加设计的会话日志，包括系统提示词、思维链、工具调用与结果、子 Agent 调度，以及每一次上下文注入。在 Trajectory 视图中，你可以按来源查看这些信息。恢复、分叉、检索与回放也共享同一份事件流。

🔀 多种运行模式

标准模式提供完整的工具组合；PTC 模式通过模型生成的一段代码组合多轮工具调用；极简模式仅保留一个 shell 工具与一个文件编辑工具，用于最小化环境下的模型基准测试；创造模式可以检查当前运行时、在内存中试验 Cordis 插件，并据此组合和创作新的模式。

计量经济学×Agent 全流程工作流

📥

数据导入

Excel / CSV / Stata

→

🧹

数据清洗

缺失值 / 异常值

→

🔨

变量构造

对数 / 交互 / 滞后

→

📊

描述统计

均值 / 相关 / 分布

🔬
基准回归
OLS / 面板 FE

→

🔍

模型诊断

异方差 / 自相关

→

🛡️

内生性处理

IV / DID / RDD

→

✅

稳健性检验

换变量 / 换样本

📈

结果可视化

系数图 / 回归表

→

📝

论文写作

结果解读 / 表格

→

⚠️

人工复核

验证 / 质疑 / 定稿

💡 Agent 负责执行与建议，你负责判断与决策 —— 这才是正确的协作方式

演示 1：数据清洗与描述性统计

💬 你对 Agent 说

"我有一份中国家庭追踪调查（CFPS）数据，帮我：
① 读取并查看基本结构
② 处理缺失值和异常值
③ 对收入变量做 1% 缩尾
④ 生成描述性统计表和相关系数矩阵"

⚡ Agent 自动执行

读取 data.csv，输出 shape / dtypes / head()
识别缺失值模式，建议删除或多重插补
用 winsorize 对收入做 1%/99% 缩尾
生成 describe() 统计表 + 相关系数热力图
自动保存为 clean_data.csv 和 summary_table.docx

agent · python

▸ 读取数据并清洗

▸ import pandas as pd

▸ from scipy.stats.mstats import winsorize

▸ df = pd.read_csv('cfps_data.csv')

▸ print(df.shape)

▸ df.isnull().sum()

▸ df['income_w'] = winsorize(df['income'], limits=[0.01,0.01])

▸ desc = df.describe().T[['mean','std','min','25%','50%','75%','max']]

▸ desc.to_csv('descriptive_stats.csv')

✓ 完成！已生成清洗后数据 + 描述统计表 + 相关系数热力图

⚠️ 你需要检查

缩尾比例是否合理？（1% 还是 5%？）
缺失值处理方式是否符合研究设计？
异常值判断是否结合了变量的经济含义？

演示 2：回归分析与模型诊断

💬 你对 Agent 说

"研究教育对收入的影响：
① 跑基准 OLS 回归（log收入 ~ 教育年限 + 控制变量）
② 做异方差检验（Breusch-Pagan）和多重共线性检验（VIF）
③ 如果有异方差，用稳健标准误重新估计
④ 输出规范的回归结果表格"

⚡ Agent 自动执行

用 linearmodels / statsmodels 跑 OLS
BP 检验 → 发现异方差（p < 0.05）
VIF 检验 → 所有变量 VIF < 5，无严重共线性
改用 HC3 稳健标准误重新估计
用 stargazer / 自定义函数输出三列对比表

agent · regression

▸ 基准回归 + 诊断

▸ import statsmodels.api as sm

▸ from statsmodels.stats.diagnostic import het_breuschpagan

▸ from statsmodels.stats.outliers_influence import variance_inflation_factor

▸ X = df[['edu','age','age_sq','gender','urban']]

▸ X = sm.add_constant(X)

▸ model = sm.OLS(df['log_income'], X).fit()

▸ bp = het_breuschpagan(model.resid, X)

▸ model_robust = sm.OLS(...).fit(cov_type='HC3')

✓ 教育年限系数 0.082***，稳健标准误下仍显著

📋 回归结果表（Agent 自动生成）

	(1) OLS	(2) 稳健SE	(3) 加控制
教育年限	0.075***	0.075***	0.082***
年龄	—	—	0.031**
常数项	8.21***	8.21***	7.56***
N	12,480	12,480	12,480
R²	0.142	0.142	0.187

演示 3：内生性处理与稳健性检验

💬 你对 Agent 说

"基准回归可能有内生性（能力遗漏变量），帮我：
① 用父母教育年限作为工具变量做 2SLS
② 做弱工具变量检验（F统计量）和过度识别检验
③ 做一系列稳健性检验：换被解释变量、换样本、聚类标准误
④ 把所有结果整理成一张稳健性检验矩阵"

⚡ Agent 自动执行

用 linearmodels.IV2SLS 做工具变量回归
第一阶段 F = 24.7 > 10，排除弱工具变量
Hansen J 检验 p = 0.31，工具变量外生
自动跑 6 种稳健性检验
生成系数对比图（forest plot）+ 汇总表

🛡️ 稳健性检验矩阵

检验类型	系数	标准误	显著性
基准 OLS	0.082	0.006	***
2SLS (IV)	0.095	0.012	***
换被解释变量(年收入)	0.078	0.007	***
剔除极端样本	0.080	0.006	***
省份聚类标准误	0.082	0.009	***
控制省份固定效应	0.079	0.007	***

✓ 核心系数在 0.078~0.095 之间，方向和显著性稳健

⚠️ Agent 不会替你做的判断

工具变量是否真的外生？（需要经济学论证）
IV 估计结果比 OLS 大，是否合理？（LATE 解释）
稳健性检验的规格选择是否有 cherry-picking 嫌疑？

如何开始使用 DeepSeek Harness

⚙️方式一：本地部署（推荐）

# 1. 安装依赖Node.js后运行

npx @deepseek-ai/dsh web

# 2. 等待时间较长，看到下载过程可以运行

npm install -g --verbose @deepseek-ai/dsh

▸ Need to install the following packages:

▸ @deepseek-ai/dsh@0.1.1-rc.2

▸ Ok to proceed? (y)

# 3. 配置 API Key

# 4. 启动 Web UI

dsh web

🌐方式二：在线平台

直接使用如 WorkBuddy 官网的 Agent 模式，无需本地安装。

🐳 DeepSeek 官网☁️ 在线 IDE

📝关键配置：AGENTS.md（你的缰绳）

## 角色
你是计量经济学研究者，精通 Stata / Python。

## 工作原则

- 所有回归必须报告标准误类型

- 发现异方差时自动建议稳健标准误

- 内生性问题必须主动提醒

- 生成的表格必须符合学术论文格式

## 禁止

- 不得编造数据或结果

- 不得跳过诊断检验直接给结论

- 不得替用户做方法论的最终决策

💡 写好 Prompt 的三个要点

明确角色："你是计量经济学专家"

给足上下文：数据来源、研究问题、变量定义

指定输出格式："用 stargazer 格式输出三列表格"

作业要求与学术诚信

✅ 鼓励这样使用 Agent

用 Agent 学习语法和代码写法
让 Agent 帮你做重复性的数据清洗
请 Agent 解释回归结果的经济学含义
用 Agent 检查代码中的 bug 和逻辑错误
让 Agent 生成可视化图表的初稿
请 Agent 提醒你可能遗漏的检验步骤

⚖️ 学术诚信原则

Agent 是工具，不是替身。

你需要理解每一行代码、每一个系数、每一个结论。
能向别人讲清楚的结果，才是你自己的结果。

❌ 严禁这样使用 Agent

直接把作业题目丢给 Agent，复制粘贴答案
不理解代码含义就直接提交 Agent 生成的代码
让 Agent 编造数据或伪造回归结果
对 Agent 给出的错误结果不加验证就使用
在报告中隐瞒 Agent 的使用情况

📋 作业提交要求

提交完整的 Python / Stata 代码文件
提交可复现的结果（数据 + 代码 + 输出）
在报告中注明哪些部分使用了 Agent 辅助
附上你与 Agent 的关键对话截图或记录
对核心结果必须有自己的解读和判断

🐳

驾驭 Agent，释放你的研究力

Agent = Model + Harness　｜　模型负责想，你负责判断，Harness 负责做

Q & A

有问题随时提问　｜　驾驭 AI，而不是被 AI 驾驭

计量经济学 × DeepSeek Harness

计量经济学基础回顾

为什么引入 Agent

Harness 概念与架构

工作流与实战演示

DSH 配置

作业要求与学术诚信

1导入数据

2面板数据设置

3描述性统计

4相关性、异常值

1OLS 回归

2多重共线性检验（VIF）

3异方差检验（怀特）

4自相关性检验（DW）

5线性性检验（RESET）

1替换被解释变量

2替换核心解释变量

3调整样本范围

4更换计量模型

5按企业规模分组

6按地区分组

数据处理繁琐

模型选择复杂

结果输出耗时

💡 Agent 能做什么？

套在马身上的这一整套，就是 Harness

项目规则文件

配置的各种工具

任务拆分和执行顺序

测试检查流程

🧠 模型负责思考和生成

⚡ Harness 负责接入现实环境

🎉 这次终于补齐了

Claude Code

Codex

DeepSeek Harness

🧩 Agent 运行环境 每一格都能拔换

🔌 一切皆插件

⏳ 每一次运行都有迹可循

🔀 多种运行模式

💬 你对 Agent 说

⚡ Agent 自动执行

⚠️ 你需要检查

💬 你对 Agent 说

⚡ Agent 自动执行

📋 回归结果表（Agent 自动生成）

💬 你对 Agent 说

⚡ Agent 自动执行

🛡️ 稳健性检验矩阵

⚠️ Agent 不会替你做的判断

⚙️方式一：本地部署（推荐）

🌐方式二：在线平台

📝关键配置：AGENTS.md（你的缰绳）

💡 写好 Prompt 的三个要点

✅ 鼓励这样使用 Agent

⚖️ 学术诚信原则

❌ 严禁这样使用 Agent

📋 作业提交要求

驾驭 Agent，释放你的研究力

计量经济学 ×
DeepSeek Harness

🧩 Agent 运行环境每一格都能拔换