HLER：经由多Agent流水线的人机协同经济研究

大型语言模型（LLM）催生了旨在自动化科学研究工作流的基于Agent的系统。大多数现有方法聚焦于完全自主的发现，AI系统以最少的人类参与生成研究想法、进行分析并产出论文。然而，经济学和社会科学的实证研究提出了额外约束：研究问题必须扎根于可用数据集，识别策略需要精心设计，且人类判断对评估经济意义仍然必不可少。我们提出HLER（Human-in-the-Loop Economic Research），一个支持实证研究自动化同时保留关键人类监督的多Agent架构。系统编排专门化Agent执行数据审计、数据画像、假设生成、计量分析、论文起草和自动评审。一个关键设计原则是数据集感知的假设生成：候选研究问题受数据集结构、变量可得性和分布诊断的约束，减少不可行或幻觉假设。HLER还实现双循环架构：筛选并选择可行假设的问题质量循环，以及自动评审触发再分析和论文修订的研究修订循环。人类决策闸门嵌入关键阶段，让研究者引导自动化流水线。在三个实证数据集上的实验表明，数据集感知的假设生成在87%的案例中产生可行的研究问题（无约束生成仅41%），而完整的实证论文可以以平均每次运行0.8–1.5美元的API成本产出。这些结果表明，人机协同流水线可能是迈向可扩展实证研究的一条实用路径。