出版芝研MCP

MicroSlides - 8 张图看懂 Stata-MCP 全貌

图片展示了 MCP 架构。画面中有一台笔记本电脑，其内部标注有“MCP clients client.py”。电脑右侧有“Claude”和“MCP hosts”标识。笔记本电脑下方有三个“MCP server”标识，分别连接“Remote services”（远程服务）、“31”（可能指 31 号应用）和“Local data sources”（本地数据源）。该图直观呈现了 MCP 在笔记本电脑上的运行及与其他服务的连接情况，与上下文介绍的 MCP 架构相呼应。

图片展示了 Stata-MCP 的架构。左侧是 Stata 图标，右侧是 Stata-MCP 的“Agent”部分，包含 Claude Code、Codex、OpenClaw 三个图标。Claude Code 图标上有“Claude Code”字样，Codex 图标上有“Codex”字样，OpenClaw 图标上有“OpenClaw”字样。图片上方有“Stata-MCP”字样，下方有“Agent”字样。该图与文档中介绍 Stata-MCP 的内容相关，直观呈现了其组成部分。

图片展示了 Stata-MCP 工作流。从获取数据信息开始，了解数据的变量名、类型、缺失、结构等，接着写入 do 文件，执行 do 文件。若成功执行则输出结果，若失败则进行错误诊断，诊断出代码或数据问题后，可查看命令说明/错误信息或查看变量细节/数据结构，再修改代码，重新执行。该图与文档中介绍 Stata-MCP 全貌的内容相关，直观呈现了其工作流程。

图片展示了从编码到研究过程中不同类型智能体的能力对比。表格横向列出通用大语言模型（如ChatGPT Web）、通用智能体（如Claude - Code）、具备 Stata - MCP 执行能力的通用智能体三种类型，纵向则是理解研究任务、生成 Stata 代码等多项能力。其中，具备 Stata - MCP 执行能力的通用智能体在多项能力上表现更优。下方图示表示从通用大语言模型代码生成，到通用智能体工作流程协助，再到具备 Stata - MCP 的通用智能体研究执行的演进过程，体现了 Stata - MCP 将 AI 从编码辅助推向研究执行。

图片展示了如何为Stata - MCP选择模型（Tan & Feng, 2025）。内容分为三部分，一是Benchmark Design，包含任务源、测试要求、评分方式；二是核心结果，列出 Provider 平均得分，Claude 得分 85.74 最高；三是选型建议，有能力优先选 Claude，因其准确性和稳定性好，适合复杂任务，次选 DeepSeek，性价比高，适合大数据研究类任务。图片结论为预算充足选 Claude，追求性价比选 DeepSeek。

图片展示了如何安装 Stata-MCP 到 Agent 的流程，适用于 OpenClaw 与 Claude Code。分为准备环境、OpenClaw 安装、Claude Code 安装及版本查看与更新建议四个步骤。准备环境需安装 uv 包管理器和 Stata-MCP；OpenClaw 安装需从 ClawHub 安装技能；Claude Code 安装有用户级和项目级两种方式；版本查看与更新建议可查看当前版本，建议每隔几天运行一次。该图与文档中介绍 Stata-MCP 安装流程的内容相契合。