有人问：要不要给学生上 AI 编程助手？

让模型直接答，它会给你一段听起来很顺的话：提效、个性化、未来已来。翻文献又是另一回事——CHI 2023 有 1.15× / 1.8× 的对照，也有「一周后无显著差距」；PNAS 2025 在无监督考试里测到 −17%。

AI 不缺搜索，缺的是证据纪律。

EduEvidence 要做的，是把「决策问题」变成「有证据支撑、可试点、可评估」的答案，而不是一段更长的摘要。

README 的产品句是：From Research Questions to Evidence-Based Decisions.

交付形态是 AI Agent Skill；Skill 里面跑的是 EduEvidence Research Engine——持久、可审计，把决策问题压成证据接地的回答。

三条冻结原则：

  1. 检索片段只是定位器，不是证据。
    OpenAlex / Semantic Scholar / Sciverse 给你的是线索；要成为证据，必须进入可追溯的引用链。

  2. 没有证据接地的 Knowledge Gap，就不允许设计新研究。
    冻结科学规则：study design 必须显式引用已接地的 Gap ID。

  3. result.json / HTML / Markdown 是投影，不是事实库。
    真正的事实层是 Evidence Graph 的版本化、不可变 revision。

输出也不是「允许 / 禁止」二值，而是四态：

ADOPT / PILOT / REJECT / INSUFFICIENT EVIDENCE，外加可执行的干预与评估计划。

问题

教育决策有三个坑：

九阶段协议
Research Core 六阶段 + Decision Extension 三阶段。
  • 引用像真的：年份、期刊、结论都对得上，细节却经不起核对
  • 把相关当因果：「用了分数提高」往往只是选择偏差
  • 跳过适用边界：对谁有效、在什么条件下失效，常常被抹掉

CHI 2023 和 PNAS 2025 这类真实研究提醒我们：AI 辅助编码在短任务上可能提效，在迁移与无监督场景也可能拖后腿。没有边界条件的「全面提效」是不可用的决策输入。

方法

引擎把完整研究周期拆开：

  • Research Core：框定问题 → 检索 → 证据分级 → Gap → 综合
  • Decision Extension：方案 → 试点设计 → 评估 → 更新决策

三条公开工作流：

工作流回答什么
Evidence Review现有证据支持什么、不能支持什么
Decision & Pilot怎么试点、怎么验证
Evaluate & Update新数据如何改写决策

多域靠契约而不是复制引擎：education 与 policy 各自声明 frame schema、outcome taxonomy、方法清单；未知 token fail closed。

四态决策
ADOPT / PILOT / REJECT / 证据不足。

做法

安装后，Claude Code / Cursor / Codex / OMP 等宿主可以在「教学决策」类问题上自动加载 Skill。

npm install -g eduevidence
eduevidence skill --host claude

Native Core 只依赖 Python 标准库，不需要 Agent MCP，也不需要 daemon。这是刻意的：研究引擎不该绑死在某一个编排框架上。

检索通道分零配置（OpenAlex / Semantic Scholar / CrossRef…）与密钥通道（Sciverse 等）。Sciverse 用来拿引用级定位；再进 Graph 做结构化。

结果

  • Benchmark 仿真 ≠ 实证。 benchmarks/results/ 只是模拟 harness；第一轮实证是 B2 vs B3（10 题 × 3 重复），不能写成「全面碾压」。
  • 四态比二值难卖，但更有用。 「证据不足」是合法结论，不是失败。
  • 投影可变，事实层不可变。 报告可以重排；Graph revision 一旦落地就不该被悄悄改写。

当前 6.2.0。Landing / Research Studio / Deep Research 对比页都可以直接打开。示例报告：

open examples/ai-coding-assistant-evidence/EduEvidence_Report.html

它不会替你做教育决策。它只保证：在你说「上」或「不上」之前，证据从哪来、Gap 是什么、试点怎么验——写清楚。

主仓库：37chengshan/eduevidence。