一站式科研：VS Code 与大模型实操应用

会后操作手册

作者

单位

陈志远

中国人民大学商学院贸易经济系

1 使用方式

这份手册供课后练习和项目搭建时查用。你可以照着它把 VS Code、大模型、Git/GitHub 和常用计量工具放进同一个研究项目，让数据、代码、结果和写作材料能重跑、能检查、能交接。

演示项目位于 demo-project/，使用合成企业面板数据模拟“数字化转型与企业生产率”研究。这里的估计结果只用于演示工作流，不对应真实企业结论。

2 安装与环境清单

2.1 必装软件

工具	用途	建议
VS Code	统一项目空间	主工作台
Python 3.10+	数据清洗、图表、脚本	建议使用虚拟环境
Jupyter	快速研究备忘录	代码、图、表和文字放在同一页
LaTeX Workshop	正式论文与学术汇报	写论文、Beamer、BibTeX、PDF 预览
Quarto	讲座材料渲染	仅在重建本讲座 slides/handout 时需要
Git	版本控制	每个阶段可回退
GitHub	远程备份与协作	换电脑、课堂演示、合作者接手
GitHub Copilot	行内补全与对话辅助	适合低风险机械代码
Claude Code	项目级读写与验证	适合多文件工作流
Codex / Trae	AI 编程与项目协作	可作为 agent 型工作台补充

2.2 按需要安装

工具	适合场景
Stata + Stata-MCP	面板回归、DID、IV、聚类标准误
Matlab + Matlab-MCP	数值优化、结构估计、仿真
Zotero	文献管理与引用
R / Julia	统计建模、可视化、数值实验

2.3 VS Code 扩展

先装这些扩展即可：

• Python
• Jupyter
• GitHub Copilot
• GitHub Copilot Chat
• LaTeX Workshop
• Stata Enhanced
• MATLAB
• GitLens
• Markdown All in One

Quarto 主要用于重建本讲座材料。日常研究中，Jupyter 更适合快速备忘录和便携 slides；LaTeX Workshop 更适合论文、Beamer 和参考文献管理。

2.4 国产大模型接入

Copilot 和 Claude Code 默认使用海外模型。如果你希望使用更稳定、更低延迟的国产模型，可以按以下方式接入。

2.4.1 Copilot 接入 DeepSeek

DeepSeek V4 提供了专门的 VS Code 扩展，安装后可直接在 Copilot Chat 的模型选择器中使用 DeepSeek 模型。Copilot 的 agent 模式、工具调用、skills 和 MCP 全部保留，只替换底层模型。

步骤：

1. 确认 VS Code >= 1.116，已安装 GitHub Copilot 并有订阅（免费版即可）
2. 从 GitHub 安装 DeepSeek V4 扩展
3. 前往 DeepSeek 开放平台 创建 API Key（以 sk- 开头）
4. 在 VS Code 中按 Cmd+Shift+P，运行 DeepSeek: Set API Key，粘贴 key（密钥存储在系统钥匙串，不会写入磁盘）
5. 打开 Copilot Chat（Cmd+Shift+I），点击右上角模型选择器，选择 DeepSeek V4 Pro 或 DeepSeek V4 Flash

可选配置：

• 思考力度：在模型选择器中点击 DeepSeek 模型旁的齿轮图标，可选择 None（最快）/ High（默认，均衡）/ Max（复杂任务深度推理）
• 图片支持：DeepSeek V4 是纯文本模型，但扩展会自动通过其他已安装的 Copilot 模型（如 Claude、GPT-4o）描述图片后再发送给 DeepSeek

参考文档：https://api-docs.deepseek.com/quick_start/agent_integrations/github_copilot

2.4.2 Claude Code 接入 Kimi

Kimi K2.5 通过兼容 Anthropic API 的方式接入 Claude Code。配置环境变量后，Claude Code 的所有功能（agent 循环、工具调用、项目读写）均由 Kimi 模型驱动。

步骤：

1. 前往 Kimi 开放平台 创建 API Key，选择 default 默认项目
2. 建议在平台 项目设置 中配置「项目日消费预算」，并开启余额预警提醒
3. 在终端中设置环境变量后启动 Claude Code：

# macOS / Linux
export ANTHROPIC_BASE_URL=https://api.moonshot.cn/anthropic
export ANTHROPIC_AUTH_TOKEN=你的Kimi_API_Key
export ANTHROPIC_MODEL=kimi-k2.5
export ANTHROPIC_DEFAULT_OPUS_MODEL=kimi-k2.5
export ANTHROPIC_DEFAULT_SONNET_MODEL=kimi-k2.5
export ANTHROPIC_DEFAULT_HAIKU_MODEL=kimi-k2.5
export CLAUDE_CODE_SUBAGENT_MODEL=kimi-k2.5
export ENABLE_TOOL_SEARCH=false
claude

4. 进入 Claude Code 后输入 /status 确认模型状态；按 Tab 键可切换 Thinking 开关（看到 “Thinking on” 即表示思考模式已启用）

注意事项：

• 大模型代码生成存在随机性，编程工具会自动多轮重试，token 消耗可能较快，建议设置日消费上限
• 建议使用时保持监控，避免无限循环或过度重试造成不必要的资源消耗

参考文档：https://platform.kimi.com/docs/guide/agent-support

3 项目结构模板

新项目可以先按下面的结构搭起来。演示项目采用这个轻量版本：

demo-project/
├── data/raw/                    # 原始数据，只读
├── scripts/                     # 可重复脚本
├── notebooks/digital_stata_did.ipynb   # Stata DID 调试
├── notebooks/digital_matlab_model.ipynb # Matlab 理论模型
├── notebooks/research_memo.ipynb       # 快速研究备忘录
├── output/                      # 表格、图、日志
├── prompts/prompt-cards.md      # 可复用提问模板
├── paper/                       # LaTeX 论文或汇报稿
└── audit-log.md                 # 研究辅助记录

基本原则：原始数据只读；结果从脚本生成；notebook 记录探索过程；正式文本进入 LaTeX；AI 协助过什么，要留下记录。

项目变大以后，再扩展出 data/interim/、data/processed/、output/tables/、output/figures/、output/logs/ 等目录。刚开始不用复杂，先保证最小流程能跑通、能审查。

4 Git 与 GitHub：AI 协作的安全网

让 AI 改文件前，先把项目交给 Git。原因很简单：一次提示可能改动多个脚本、notebook、论文和配置文件。Git 能告诉你改了哪里，哪些改动已经确认，哪些随时可以撤回。

做法	使用 AI 工具时的优势
每个任务一个 commit	把 AI 修改切成可审阅、可回滚的小单元
git diff 先于接受结果	不被流畅解释带偏，直接检查代码和文字改动
分支或 draft PR	让大改动先停在隔离区，不污染主线研究结果
GitHub 远程备份	换电脑、课堂演示或合作者接手时仍可复现
Issue / PR 讨论	把 prompt、修改理由、验证结果放进同一条记录

AI 可以提高修改速度，Git/GitHub 用来记录过程、审查改动，并在出错时恢复到稳定版本。

4.1 第一次把项目纳入版本控制

先进入项目文件夹，再初始化 Git 仓库。第一次提交相当于给当前研究状态拍一张可恢复的快照。

cd demo-project
git init -b main
git status

git add .
git commit -m "init: add reproducible research demo"

常用命令：

命令	研究工作中的含义
git status	看 AI 或自己改了哪些文件
git diff	审查具体改动，再决定是否接受
git add .	把本轮确认过的改动放入暂存区
git commit -m "..."	保存一个可回退的研究节点
git log --oneline	回看研究过程中的关键节点

4.2 GitHub 远程备份

如果只是自己电脑上的 .git，已经可以回退；如果要换电脑、课堂演示或合作者接手，就需要把本地仓库推送到 GitHub。

git remote add origin git@github.com:your-name/demo-project.git
git push -u origin main

# 或者用 GitHub CLI 一步创建远程仓库并推送
gh repo create demo-project --private --source=. --remote=origin --push

给 AI 的最低要求：修改前先看 git status；修改后先看 git diff；验证通过再 commit。不要用一段流畅总结替代文件级审查。

5 工具分工

5.1 GitHub Copilot

Copilot 适合处理“我知道要写什么，只是不想手敲”的任务。

可以交给它：

• 读写 CSV、Excel、Stata 文件
• 变量重命名和类型转换
• 标准图表代码
• 回归规格模板
• docstring、README 初稿

不要交给它：

• 判断识别假设是否成立
• 决定是否控制某个变量
• 解释核心结果的经济含义
• 自动选择稳健性检验

用法很简单：先写注释，再让 Copilot 补代码；接受前逐行读懂；运行后检查结果是否符合预期。

5.2 Claude Code

Claude Code 适合项目级任务：读多个文件、提出修改方案、改代码、运行验证。

请求里最好写清楚四件事：

1. 目标：要完成什么
2. 边界：哪些文件可以改，哪些不能改
3. 验证：运行什么命令算完成
4. 汇报：要说明哪些变化

示例：

请检查这个 demo 项目是否可复现。先读 README 和 scripts/，不要直接改文件。
找出运行顺序、输出文件和潜在失败点。然后只做最小修改，确保下面命令能成功：
python scripts/generate_synthetic_did.py
stata -b do scripts/run_stata_did.do
matlab -batch "run('scripts/matlab_power_simulation.m')"
python scripts/analyze_did.py
最后总结改动和验证结果。

项目已经使用 Git 时，把版本控制要求直接加到请求末尾：

开始前请先汇报 git status。修改后请汇报 git diff 的摘要、实际运行过的验证命令、生成的输出文件，以及是否建议我 commit。本轮不要自行 commit。

5.3 Codex / Trae

Codex 或 Trae 这类 agent 型工具也可以处理项目内的代码修改、命令运行和上下文问答。把它们看成另一种项目工作台即可。

使用边界保持一致：先读项目，再提计划；先做低风险任务，再碰核心分析；每次修改后都要运行验证命令。

版本控制要求要写进任务本身：开始前汇报 git status，结束后汇报 git diff、验证命令和是否建议 commit。这样，AI 的工作不会只留在聊天记录里。

5.4 CLI 与 MCP

CLI（Command Line Interface）是命令行入口，例如：

stata -b do scripts/run_stata_did.do
matlab -batch "run('scripts/matlab_power_simulation.m')"

CLI 适合稳定复现、批量运行和课堂备用方案。MCP（Model Context Protocol）是 AI 助手调用外部工具的协议，可以让 AI 在理解项目上下文后调用 Stata、Matlab、R、数据库或文件系统。

CLI 适合直接、稳定地运行命令；MCP 让 AI 助手可以在项目上下文中调用这些工具。先保证 CLI 命令能跑通，再尝试用 MCP 做自然语言协作。

5.5 在 VS Code 中配置 MCP 服务器

VS Code 通过 mcp.json 文件管理 MCP 服务器。该文件有两种作用域：

• 工作区（Workspace）：在项目根目录创建或编辑 .vscode/mcp.json。将此文件纳入 Git 版本控制，即可与团队共享 MCP 服务器配置。
• 用户配置（User Profile）：运行 MCP: Open User Configuration 命令打开用户配置文件夹中的 mcp.json。此处配置的服务器在所有工作区中均可使用；如果使用多个用户配置（Profile），每个配置可以有独立的 MCP 服务器设置。

也可以通过命令面板（Cmd+Shift+P）运行 MCP: Add Server，在引导流程中选择 Workspace 或 Global 作为目标。

5.5.1 配置文件示例

{
  "servers": {
    "github": {
      "type": "http",
      "url": "https://api.githubcopilot.com/mcp"
    },
    "playwright": {
      "command": "npx",
      "args": ["-y", "@microsoft/mcp-server-playwright"]
    }
  }
}

VS Code 为该配置文件提供 IntelliSense 自动补全。完整的配置架构和字段说明参见 MCP 配置参考。

两种常见的服务器类型： - "type": "http" — 远程 MCP 服务（如 GitHub Copilot 的 MCP 端点） - "command" + "args" — 本地 stdio 进程（如 Playwright MCP 服务器通过 npx 启动）

5.5.2 安装 MCP 服务器

通过扩展视图安装：

1. 打开扩展视图（Cmd+Shift+X），搜索 @mcp 即可浏览 MCP 服务器库
2. 点击 Install 安装到用户配置；右键选择 Install in Workspace 安装到工作区（会更新 .vscode/mcp.json）

通过命令行安装：

# 示例：安装 Playwright MCP 服务器
code --install-mcp @microsoft/mcp-server-playwright

5.5.3 服务器管理与信任

操作	方式
启动/停止/查看日志	扩展视图中右键服务器，或在命令面板中运行 MCP: List Servers
启用/禁用	右键 → Enable/Disable。禁用状态独立于 mcp.json，不影响共享配置文件
信任确认	首次添加或更改配置后启动时，VS Code 会弹窗要求确认信任。不信任则服务器不会启动

可通过 MCP: Reset Trust 重置所有 MCP 服务器的信任状态。

5.5.4 安全注意事项

• 不要硬编码敏感信息：API Key 等凭据应使用输入变量或环境文件，不要直接写入 mcp.json
• 仅添加可信来源：本地 MCP 服务器可以运行任意代码，请审查发布者和服务器配置后再启动
• 沙箱模式（macOS/Linux）：可在服务器配置中设置 "sandboxEnabled": true 来限制本地 stdio MCP 服务器的文件系统和网络访问权限（Windows 暂不支持）

5.5.5 其他 MCP 能力

除工具（Tools）外，MCP 服务器还可以提供：

能力	说明	使用方式
资源（Resources）	将文件、数据库表、API 响应等作为只读上下文附加到对话中	Chat 视图中点击 Add Context → MCP Resources
提示模板（Prompts）	预配置的提示词模板，标准化常见任务	在 Chat 输入框中输入 /<MCP 服务器>.<prompt>
MCP 应用（MCP Apps）	在 Chat 中直接渲染交互式 UI 组件，如表单、可视化等	由支持该能力的 MCP 服务器自动提供

参考文档：https://code.visualstudio.com/docs/agent-customization/mcp-servers

5.6 Stata-MCP

Stata-MCP 可以把 Stata 这个计量工具接入 AI 工作流。你仍然使用熟悉的 reg、xtreg、reghdfe、ivregress 等命令；AI 可以帮助整理命令、运行脚本，并把 Stata 输出与 Python 结果交叉检查。

可以用来做：

• 面板固定效应回归
• DID / IV / RD 的标准命令
• 聚类标准误与回归表导出
• 复核 Python 或 R 的计量结果

如果 MCP 暂时不可用，就把同样命令写成 .do 文件运行。MCP 是增强项，不需要一开始就配好。

参考文档：https://github.com/hanlulong/stata-mcp

5.7 Matlab-MCP

Matlab-MCP 可以把既有 Matlab 代码、数值优化和仿真实验纳入 VS Code 项目。

可以用来做：

• 结构估计中的内外循环
• 数值优化与矩阵运算
• 旧项目的 Matlab 代码复用
• 仿真结果与 Python/Jupyter/LaTeX 写作衔接

参考文档：https://github.com/matlab/matlab-mcp-core-server

5.8 Jupyter Notebook

Jupyter 适合快速研究备忘录。它可以把代码、图、表和初步解释放在同一个文件里，方便课堂展示、组会讨论和导师反馈。

常用命令：

jupyter nbconvert notebooks/research_memo.ipynb --to html --execute
jupyter nbconvert notebooks/research_memo.ipynb --to slides --execute

探索性结果可以先写进 notebook：数据诊断、一张核心图、一张核心表、一段有边界的解释。正式论文不要停在 notebook 中，后续迁移到 LaTeX。

5.9 LaTeX Workshop

LaTeX Workshop 用于正式论文和学术汇报 slides。它提供 PDF 预览、自动编译、错误定位、BibTeX/Biber 支持和 SyncTeX 跳转。

这些内容适合放进 LaTeX：

• 正式模型设定
• 回归表和图题说明
• 论文 results subsection
• Beamer 学术汇报
• 参考文献与交叉引用

6 演示项目运行说明

进入演示项目：

cd InvitedLectures/one-stop-research-vscode-llm/demo-project

创建数据：

python scripts/generate_synthetic_did.py

运行分析：

python scripts/analyze_did.py

打开或导出 notebook 备忘录：

jupyter nbconvert notebooks/research_memo.ipynb --to html --execute

预期输出：

• data/raw/digital_transformation_firm_panel.csv
• output/python_did_results.csv
• output/stata_did_results.csv
• output/stata_event_study.csv
• output/stata_placebo_results.csv
• output/digital_parallel_trends.png
• output/digital_event_study.png
• output/matlab_theory_estimates.csv
• output/matlab_theory_model.png
• output/demo_summary.md
• notebooks/digital_stata_did.ipynb
• notebooks/digital_matlab_model.ipynb
• notebooks/research_memo.html

7 Prompt 卡片

7.1 项目检查

请先阅读这个项目的 README、scripts、notebooks/digital_stata_did.ipynb、notebooks/digital_matlab_model.ipynb 和 notebooks/research_memo.ipynb。请不要修改文件。
告诉我：运行顺序是什么？每一步应该生成什么输出？有哪些潜在失败点？
如果这是一个 Git 仓库，请先汇报 git status。

7.2 数据检查

请检查 data/raw/digital_transformation_firm_panel.csv 的变量、缺失值和面板结构。
输出一段简短诊断：企业数、处理组数量、年份数、是否存在重复 firm_id-year。

7.3 代码修复

请修复 scripts/analyze_did.py 中导致输出文件无法生成的问题。
只做最小修改。修改后运行脚本，并确认 python_did_results.csv、digital_parallel_trends.png 和 demo_summary.md 已生成。
开始前请汇报 git status；结束后请汇报 git diff 摘要、验证命令和是否建议 commit。本轮不要自行 commit。

7.4 结果写作

请根据 output/stata_did_results.csv、output/stata_placebo_results.csv、output/digital_event_study.png 和 output/matlab_theory_estimates.csv 改写 notebooks/research_memo.ipynb 中的结果段落。
要求：说明数据是合成的，不能推出真实企业数字化转型结论；不要虚构文献；保留 DID 估计对象、聚类标准误、平行趋势和安慰剂检验说明。

7.5 LaTeX 写作

请把 notebook 里的结果段落改写成论文风格的 LaTeX 小节。
要求：保留模型设定、聚类标准误说明、平行趋势/安慰剂检验、Matlab 理论机制和合成数据限制；不要虚构文献；不要改变估计对象；输出可直接放进 paper/main.tex。

7.6 审计日志

请根据本次修改更新 audit-log.md。每条记录包括：工具、任务、接受的输出、拒绝或修改的输出、验证方式。

8 常见故障

8.1 Python 找不到包

现象：ModuleNotFoundError。

解决：

python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

8.2 Notebook 找不到图片

检查图片是否已经由脚本生成，并确认 notebook 中的路径相对于当前文件。

8.3 Stata 或 Matlab 不在 PATH

讲座或课堂演示时，如果 PATH 一时配置不好，先使用备用方案，避免把演示时间耗在环境排查上。可以直接打开 Stata/Matlab GUI 运行备用脚本；时间紧的话，用准备好的输出讲 MCP 思路。

8.4 AI 改了太多文件

让它停下，运行 git diff 看改动。下次请求中明确写：“只允许修改 scripts/analyze_did.py，不要改其他文件。”

8.5 还没有第一次 commit

先不要把项目级修改交给 agent。运行 git status 看清楚当前文件，完成一次初始提交后再继续：

git add .
git commit -m "init: add reproducible research demo"

如果 git status 显示很多自己还没看过的改动，先用 git diff 审查，再决定哪些进入本次 commit。

9 AI 使用审计模板

## YYYY-MM-DD HH:MM

- 工具：
- 任务：
- 接受的输出：
- 拒绝或修改的输出：
- 验证方式：
- 人工判断：

10 7 天采用计划

10.1 第 1 天：搬项目

选一个正在做的小项目，放进 VS Code，建立 data/ scripts/ notebooks/ output/ paper/，运行 git init -b main，完成第一次 commit。

10.2 第 2 天：交给 Copilot 一个低风险任务

只交给它读数据、画图、导出表这些可验证任务。

10.3 第 3 天：请 Claude Code 检查项目

要求它只读不改，先汇报 git status，再找出项目不可复现之处。

10.4 第 4 天：脚本化一个结果

把一个手动步骤变成脚本输出文件。

10.5 第 5 天：写 notebook 备忘录

把一个表和一张图放进 Jupyter notebook，写出一段有边界的初步解释。

10.6 第 6 天：记一次 AI 协助过程

记录一次 AI 协助过程：它改了什么、你接受了什么、拒绝了什么、最后用什么方式验证。

10.7 第 7 天：复盘

从零运行整个项目。如果不能一键重现，就让 AI 帮你找断点。

11 最后一条

AI 能帮你多做几步，但题目怎么定、识别能不能站住、结论该不该写，仍然要自己负责。