HLER：基于多智能体管线的人类-机器协作经济研究

大型语言模型（LLM）已使智能体系统能够自动化科学研究工作流程。现有方法大多聚焦于完全自主的发现，其中AI系统生成研究想法、进行分析并生成论文，人类参与程度有限。然而，经济学和社会科学的实证研究存在额外约束：研究问题必须基于可用数据集，识别策略需要谨慎设计，人类判断对于评估经济显著性仍至关重要。我们提出HLER（Human-in-the-Loop Economic Research），一种支持实证研究自动化同时保留关键人类监督的多智能体架构。该系统协调数据审计、数据概述、假设生成、计量经济学分析、论文草拟和自动审阅等专职智能体。关键设计原则是数据感知式假设生成，即候选研究问题受数据结构、变量可用性和分布诊断的约束，从而减少不可行或幻觉的假设。HLER进一步实施双环体系：问题质量环节筛选和选择可行假设，研究修订环节通过自动审阅触发重新分析和论文修订。在关键阶段嵌入人类决策门户，允许研究者引导自动化管线。在三个实证数据集上的实验表明，数据感知式假设生成在87%的情况下均产生可行研究问题（与无约束生成的41%相比），平均API成本为0.8-1.5美元即可生成完整实证论文。这些结果表明，人机协作管线可能为可扩展的实证研究提供实用路径。