用途：帮助搭建可复现的经验研究流水线，从项目目录结构到自动化工作流，再到投稿用的复制包，使每个计算结果都能由原始数据经单条命令重新生成。
主要能力：提供标准化项目目录布局（data/raw 不可变，intermediate、final、output 可重新生成并加入 gitignore，代码按 01_clean.py 等编号标明执行顺序）；给出 Makefile、Snakefile、dvc.yaml 的配置范式与常用命令；比较 Make、Snakemake、DVC、pytask 的复杂度、学习曲线、集群支持、数据版本能力和可用性；整理常见反模式（用 notebook 当流水线、绝对路径、不固定依赖版本、修改原始数据、大数据入库、随机种子散落各处等）及替代做法；并附 Stata 与跨语言、环境与种子、AEA 复制包等参考主题。
使用方式：新建项目先按标准目录结构布局，需要工作流管理器时选择 Make（默认推荐）、Snakemake 或 DVC；准备投稿时走提交前检查清单。文中给出必要命令，如 make -j4、make -n、snakemake --dag | dot -Tpdf > dag.pdf、dvc init、dvc add、dvc repro estimate、dvc metrics diff 等，保持原样照用。
适用场景：新经验研究项目搭建、调试 Makefile/Snakemake/DVC 流水线、制作期刊投稿复制包、管理 conda/Docker/renv 计算环境、追踪数据来源与大数据版本、排查“在我机器上能跑”的复现失败。
限制：估计方法本身应使用因果推断或结构建模技能；git 工作流见 worktree-patterns.md；Claude 智能体编排见 orchestration-patterns.md。需要说明的是，本资料的官方页面文字为空，以上内容均据所提供的技能说明整理。