可重复性研究素来被视为科学实践与学术积累传承的良好范式——公开代码与公开数据，让任何同行皆可按图索骥地复现一项研究。但这一范式在社会科学中长期难以落地，质性研究尤甚——访谈材料的伦理约束、田野情境的不可重演、编码对研究者判断脉络的依赖，这些是研究方法的本性使然，难以单靠外部技术工具加以消解。即使在那些可复现性已勉强达成的领域，传统范式仍有其更普遍的局限，它只触及研究产出的底层载体（代码与数据），并不触及研究者背后的思维过程与操作流程。质性研究长期以个人经验、师承传递与默会知识等形式存在，难以实现结构化保存与再生。智能体为这一长期困境提供了破解契机，也使研究技艺本身的重塑与传承成为可能。

　　以往技能体系的内在局限在于：数据获取主要倚仗问卷调查、深度访谈、参与观察与二手数据库，受研究者亲历约束；分析技能以SPSS、Stata、R等统计程序为载体，或以默会知识形式师徒相传，处理大规模数据须依赖编程基础；最为关键的是，研究者的思维与操作过程在论文之外几乎不可被复用。人工智能时代以应用程序编程接口（Application Programming Interface， API）、模型上下文协议（Model Context Protocol，MCP）与智能体（Agent）为核心的新技能体系，使这一长期空缺有了被弥合的可能，它不仅能拓展数据获取与分析的能力边界，更开启了将研究者的思维与操作流程进行工程化封装的可能。

　　新技能体系带来的根本转变，是数据与知识的获取从主要依托个人调研、田野网络与研究团队的内向积累，扩展为兼可依托技术接口与开放平台的外向获取。研究者面对的不再只是手头能直接收集到的小规模数据，而是通过技术接口可批量获取的大规模动态数据。这一入口端的重塑往往比中段分析工具的更新更具结构性后果，它直接决定了某项研究问题在技术上是否可行——以往因数据获取门槛过高而被搁置的诸多问题，得以重新进入议程。

　　API：从网页使用者到程序调用者

　　API是不同软件系统之间相互沟通的标准化入口——研究者无需进入某个网站的页面手动操作，而是通过程序指令直接向对方系统发出请求、获取数据或调用功能，由此从网页使用者转为程序调用者。

　　API的类型广泛地涵盖大模型推理API、AI能力API（如图像识别、语音转录）、数据API（如政府开放平台、企业工商数据）、学术服务API（如文献元数据、引用图谱）等多种形态，使研究者得以在跨平台、跨服务的数据生态中拼接自身的研究素材。API的关键技术意义在于使研究流程具备可复现性——以大模型推理API为例，通过温度参数等控制项让同一提示词在多次调用中给出稳定可复现的输出，否则论文方法部分将无法成立。其学术意义则在于研究者角色的重大转变：从一次性的人工操作转为以程序与服务对话，把数据获取升级为可批量、可复现、可审计的研究流程。

　　如果说API解决的是“如何连接单个外部服务”，MCP解决的则是“如何让AI同时协调调用多个工具”。它为大模型与各类外部工具之间提供了一套通用的对接标准，使AI不再局限于文字对话，而是能够主动调取检索、查询、抓取等多种工具来完成复合任务。其核心价值在于研究者与人工智能的协作模式由人类辅助AI转向AI辅助人类：研究者不再需要把数据手动拼凑后喂给模型，而是一句话下达复合指令，由AI自动调度多个工具完成任务。例如，一句复合指令可让AI在数分钟内完成查询法律法规、检索司法判例、抓取媒体报道与生成综合分析的完整链路。

　　MCP的标准化协议使外部工具得以被灵活组合，研究者由此从信息整合者转化为任务下达者与结果审核者，把烦琐的工具切换托管给AI，自身则始终保持在过程中的指挥位置。

　　Agent的本质是提示词工程的体系化升级与执行能力的拓展。提示词作为文本形式本就具备可分享、可累积的潜力，但过去存在两重限制：其一，缺乏体系化结构，多以零散技巧的形式流传，难以沉淀为稳定可用的方法资产；其二，提示词的使用大多局限于大模型服务商官网的对话框，难以调用外部工具或自主运行代码，执行能力十分有限。Agent同时突破了这两重限制。其工程化以上下文工程（Context Engineering）为核心——通过结构化的文档、配置与可被自动触发的资源，组织智能体的工作上下文。目前它有两种典型实现方式：一是研究者撰写完整的需求文档，让智能体按蓝图施工，从而获得逻辑一致、风格统一的复杂系统；二是“Skills”。它由Anthropic于2025年10月为其Claude系列产品推出，并于同年12月作为开放标准被多平台采纳。其将领域知识、工作流与辅助脚本封装为带元数据的可重用模块，由智能体根据任务自动触发，其渐进式披露机制让单个智能体可承载数百种“Skills”而不致上下文膨胀。

　　API是外部数据与知识的获取入口，MCP是大模型调用外部工具的统一通道，Agent则是研究流程的工程化封装与自主执行层，三者各居一层，共同构成智能协作架构。这意味着研究者长期以师承方式传递的研究技艺具备了被结构化封装、被智能体自动触发、在共同体内分享与复用的形态。当然，真正具身的直觉与现场敏感性仍随研究者散去；但其中可由相似性与示例传达的部分，借助大模型的语义理解，也可得到外化。

　　API、MCP与Agent之所以能为无编程基础的社会科学研究者所掌握，关键在于大模型自身已具备编码能力，从而成为研究者与代码之间的中介。编码门槛的下沉发生在三个层次：其一，少数图形化客户端可使大模型推理API的调用变为可视化操作，但这一层主要适用于大模型推理API，对更广泛的API（如政府数据开放平台、专业服务接口等）则尚无同等便利的图形界面；其二，对那些没有图形化工具支持的API，研究者只需把对应的技术文档交给大模型，由其生成调用代码即可，这一路径已足够便利；其三，氛围编码与智能体编码让研究者以自然语言描述意图，由大模型生成可运行代码并由智能体自行尝试、调试与闭环完成。尽管如此，研究者仍需保持对程序与流程的基本理解，否则无法判断智能体输出的可靠程度。

　　尽管以上技能在技术上日趋成熟，已在IT、法律等行业蔚然成风，但社会科学界的整体响应却较为冷淡。这看似是因为本领域技术化程度不高，但更重要的原因则在于学科的知识生产激励机制：学术晋升以论文署名为主要回报，公开分享研究流程与方法相当于让出竞争优势，制度层面对此难以给予相称的鼓励；而分享的投入既无现成回报亦无评价加分，一旦分享更可能让追随者迅速掌握同一议题上的方法资本。对学科的长期发展而言，能否培育与新技能体系相称的开放共享文化与制度激励，比单个学者掌握多少种工具更为关键。

　　归根结底，智能时代对研究技艺的重塑，并不意味着技能对素养的替代，业务素养与学科判断力始终是研究者不可让渡的核心。新技能体系的真正意义并不在于让社会科学家变成工程师，而在于让研究者凭借大模型的中介，把数据、知识与工具的获取门槛降到学科判断力可以发挥作用的位置，并由此把研究者长期未能被结构化保存的思维与操作流程，以可复现、可复用的工程化形态，沉淀到学科共同体之中。

　　（作者系中华女子学院（全国妇联干部培训学院）副教授）