AI跑通代码之后：如何判断你真正学会了？

判断有没有真的学会，标准其实非常朴素：关掉AI对话框之后，还能不能独立完成关键步骤、讲清每一步的处理依据。输出一张处理结果表，和知道这张表怎样产生、能够说明什么，中间差着好几步：数据从哪里来、一行代表什么、变量如何构造、结果如何解读。任何一环缺失，这个过程对你而言就仍然是黑箱。

一、先划清标准：“跑通”与“学会”之间隔着几步

我给自己的规则比较明确：如果一项处理离开AI就做不出来，甚至连流程都讲不清楚，我不会直接让AI替我完成，再把结果放进论文。这样做等于把质量控制权整体交了出去，审稿人追问匹配逻辑、样本筛选依据或稳健性设定时，黑箱会立刻现形。

我做的方向是经济学实证研究。AI确实能显著提高数据处理的效率，但效率的前提是判断力：你得有能力判断它做得对不对。所以更务实的做法是，凡是准备进入论文的处理，先过一遍“独立性检验”；过不了，就回到方法说明和文献把地基补牢，再让AI动手。加速本身不改变科研的质量要求。

二、代码之前：用规格说明锁住研究逻辑

实践中最容易出问题的，往往不是代码本身，而是代码之前的决定。这些决定直接定义研究对象和变量含义，AI无法替你做，它只能按你的要求执行。

以一个典型场景为例：合并两份数据。一份数据记录企业年度信息，一行是“一家企业×一个年度”；另一份数据记录企业每次获得补贴的情况，同一家企业在同一年可能有多条记录。如果直接按企业ID和年份合并，代码完全能运行，但会形成一对多的重复行：年度样本被悄悄放大，回归的样本量和系数都会失真，而且全程不报任何错误。

正确的做法是先想清楚三个问题：一行数据代表什么（研究单元）；依据什么字段匹配（匹配键）；匹配之前是否需要先汇总、汇总之后保留哪些信息（变量构造）。

为此，建议在让AI生成代码之前，先用自然语言写一份“处理规格说明”，至少覆盖四点：

1. 输入的数据是什么，一行代表什么；
2. 准备经过哪些处理，每一步的依据是什么；
3. 处理完成后，数据应呈现怎样的结构，多少行、以什么为键、新增哪些变量；
4. 哪些变化需要核查，用什么标准判断结果符合预期。

以下是一段示意性伪代码，体现“先汇总、再匹配”的处理顺序：

-- 第一步:按规格先汇总补贴明细,一行 = 企业 × 年度
SELECT 企业ID, 年份,
       COUNT(补贴金额) AS 补贴次数,
       SUM(补贴金额)   AS 补贴总额
FROM   补贴记录表
GROUP BY 企业ID, 年份;
-- 第二步:汇总结果再与企业年度表按匹配键连接
SELECT a.*, b.补贴次数, b.补贴总额
FROM   企业年度表 a
LEFT JOIN (上一步的汇总结果) b
       ON a.企业ID = b.企业ID
      AND a.年份  = b.年份;

规格说明写不清楚，通常不是表达问题，而是研究设计还没想透。这时可以先读方法说明、查相关文献，或者向导师请教。AI也可以用于辅助理解，但它给出的解释需要回到权威出处核对——尤其是变量定义和模型假设的表述，含糊甚至错误在所难免。

规格说明同样覆盖结果解释。采用一个方法之前，至少要能回答三个问题：它准备回答什么问题（识别策略）、它成立需要什么条件（假设与数据要求）、它的输出指标大致怎样理解（系数、标准误、拟合优度的含义）。否则，即使每一行代码都能逐句翻译成中文，你依然不知道这个方法适不适合当前的研究问题——方法错配比代码错误更隐蔽，也更致命。

三、小样本演算：离开对话框，独立判断对错

只听AI解释一遍，很容易产生“原来如此”的错觉。听懂和会做是两件事。真正的检验，要从暂时离开对话框开始，用一个足够小的任务做手工演算。

延续上面的例子：从数据里选三五家企业、两三个年份，先在纸面上判断，补贴记录汇总后应该得到几行？某家企业某一年的补贴总额应该是多少？自己先算出预期答案，再运行代码比对。一致，说明你的理解与代码行为对齐了；不一致，就逐步追查差异出在哪一步，是匹配键选错、汇总规则不对，还是缺失值处理与预期不符。

小样本的价值在于：它的对错可以由你独立判断，不依赖AI，不依赖任何外部权威。而大批量数据里隐藏的问题——重复匹配、静默丢行、单位混淆、年份口径错位，在几行数据上会一目了然。可以把这一步固化成四步流程：

1. 选样本：挑少量有代表性的观测，务必包含边界情形，比如某年没有任何补贴记录的企业；
2. 手工算：写下预期的行数和关键变量的值；
3. 跑代码：比对实际输出与预期；
4. 追差异：不一致时，定位到具体步骤，并解释清楚为什么会不同。

四、修改任务与反向追问：从“会做一次”到“理解规则”

小样本通过后，还可以加几道更严格的检验，把“会做这一题”和“理解这一类”区分开。

检验一：修改任务参数，预测行为变化。 比如把匹配键从“企业×年份”换成“企业×年份×补贴类型”，先说出结果行数会怎样变、变量含义会怎样变，再看代码输出是否与预测一致。能预测，说明你掌握的是规则，而不是这一次的答案。

检验二：反向重构。 给定一张处理后的结果表，能否讲出它由怎样的原始数据、经过哪些步骤产生？能否指出表中任何一个数值的来源？这相当于把黑箱从两头照亮：正向知道“怎么做”，反向知道“从哪来”。

检验三：讲给别人听。 把整条处理链路向同学或导师完整讲一遍，接受提问。讲不清楚的地方，就是理解的断层。输出会诚实地暴露所有含糊之处，这也是“以教代学”奏效的原因。

检验四：换一批数据重来。 用另一时期或另一来源的数据重做同样的处理，看流程是否依然顺畅、判断是否依然成立。理解若只依附于某一次的具体结果，换个场景就会崩塌；若依附于规则，则换数据不换方法。

五、把检验沉淀为可复用的工作流

单次通过检验不等于一劳永逸。更可靠的做法，是把上述标准固化成日常流程：

• 规格先行：任何准备进入论文的处理，先有自然语言规格，再有代码；
• 版本记录：每个关键决定——匹配键、汇总规则、样本筛选——留下书面记录和理由，写作阶段可以直接回溯；
• 独立性标记：对AI辅助生成的代码打上“已通过小样本检验”或“未检验”的标记，未检验的不得直接进入分析；
• 结果核查清单：汇总后行数、缺失值数量、关键变量分布、与原始数据交叉核对，逐项过完再采纳输出。

在这个流程里，AI扮演的是加速器，方向盘始终在自己手上。加速并不改变行驶规则：处理依据要自己想清楚，关键步骤要亲手验证，结果解释要自己扛。

结语

“是否真的学会”的判断标准很朴素：关掉AI，关键步骤能不能独立走通；合上文档，处理依据能不能讲清楚。代码跑通只是学习的起点，规格说明、小样本演算、修改任务、反向重构这一整套检验，才是把“结果到手”转化为“能力到手”的路径。愿意在验证上花掉的时间，最终会在答辩和审稿意见里兑现。