实操案例：用 OpenCode 做一次真实数据分析

从一份公开数据，到数据检查、回归、图表、报告的完整闭环

提示本案例你会做出什么

用 OpenCode + Python，对一份真实公开数据（Gapminder 国别面板）完成：数据检查 → 一个基准回归 → 一张图 → 一份结果报告。全程用「计划 → 确认 → 执行 → 检查」的方式驱动 AI，你负责把关，AI 负责落地。

1 先下载案例项目

案例是一个规范的项目文件夹，数据、任务说明书、分步提示词都备好了：

  • 下载：github.com/LyuZhichong/ai-for-research → 右上角 Code → Download ZIP，解压后进入 cases/gapminder-python-opencode/。
  • 或用 git：git clone https://github.com/LyuZhichong/ai-for-research.git

项目结构：

gapminder-python-opencode/
├── README.md      # 任务说明书：目标、数据、要求、验收标准
├── data/gapminder.csv
├── prompts.md     # 分步提示词（照着粘贴给 OpenCode）
└── outputs/       # 结果写在这里（由 AI 生成）

2 这份数据是什么

Gapminder 的常用教学子集：142 个国家、1952–2007 年、每 5 年一期，共 1704 行。核心变量：人均 GDP（gdpPercap）、预期寿命（lifeExp）、人口（pop）、大洲（continent）。

3 分析要做三件事

  1. 数据检查：行列数、数据类型、缺失值、描述统计、国家数与年份范围。
  2. 基准回归：预期寿命对「人均 GDP 的对数」回归、控制年份（OLS）。
  3. 作图：人均 GDP（对数横轴）对预期寿命的散点图，按大洲着色。

具体口径与验收标准，都写在项目的 README.md 里。

4 怎么让 OpenCode 做

在 gapminder-python-opencode/ 文件夹里启动 OpenCode，照 prompts.md 分四步走：先让它给计划（Plan 模式）→ 你确认补充 → 切 Build 模式执行 → 你对照验收标准检查。完整提示词见 提示词模板 页，或直接用项目里的 prompts.md。

5 你会得到的参考结果

跑通后，outputs/ 里会有检查脚本、分析脚本、图和报告。关键结果长这样：

基准回归（lifeExp ~ log(gdpPercap) + year，OLS，N = 1704）：人均 GDP 的对数系数约 7.8（p < 0.001，高度显著为正）——人均 GDP 越高，预期寿命越长；模型 R² ≈ 0.72。

散点图（下图为 2007 年横截面，气泡大小代表人口）：

Gapminder：人均 GDP 与预期寿命（2007 年，按大洲着色）

可以清楚看到：预期寿命随人均 GDP 上升，但呈对数式的边际递减——穷国之间收入的小幅提高带来寿命的大幅改善，富国之间则趋于平缓。

注记✅ 完成的标志
  • outputs/report.md 里的国家数（142）、样本量（1704）、系数方向（正、显著）能对上；
  • outputs/scatter.png 能打开、横轴为对数刻度、点按大洲区分；
  • 你能用一句话说清结论，并复述 AI 每一步做了什么。

做完这个案例，你就完整体验了「用提示词驱动 AI、在真实数据上做出可复现分析」的工作流。把数据换成你自己的研究数据，流程完全一样——这正是暑期班要带你系统练的。