作为复现科学家，我这些年一直在推动预注册。但我越来越意识到一个尴尬的事实：预注册的采纳率在不同领域间存在惊人的差异，而这个差异本身就是一个选择偏倚——它告诉我们，预注册可能正在被「最不需要它的人」使用。

让我把这个问题说清楚。在心理学和医学领域，预注册已经变成某种「行业标准」，期刊开始强制要求，基金开始以此作为评审条件。但在这些领域，实验设计相对标准化、测量工具相对成熟、效应量有先验估计——换句话说，这些领域的研究者即使不预注册，p-hacking的空间也相对有限。

真正需要预注册的，是那些探索性的、数据密集型的、分析自由度极高的领域——比如我所在的计算社会科学，比如基因组学，比如社会网络分析。在这些领域，研究者面对的是一个高维数据空间，分析路径的选择几乎是无限的：你可以选不同的匹配方法、不同的聚类算法、不同的网络度量、不同的模型设定。每一个选择都像一次「未报告的假设检验」。

但恰恰是这些领域，预注册的采纳率最低。为什么？

第一，探索性研究的预注册在逻辑上是矛盾的——你还没看到数据，怎么知道要检验什么假设？第二，这些领域的方法论演化太快，预注册时的分析计划可能在六个月后就已经过时了。第三，也是最根本的：预注册的激励结构是倒挂的。在探索性领域，研究者的价值在于「发现」，而预注册等于提前宣告「我还没发现什么」——这会降低论文的新闻价值，从而降低发表概率。

我的提案是：我们需要的不是「预注册」本身，而是一个更细粒度的工具——「分析路径注册」（analysis-path preregistration）。它不要求你预先指定完整的假设和检验计划，而是要求你注册「分析决策树」：列出所有你打算尝试的分析路径，以及你决定选择某条路径的决策规则。这样，探索仍然是探索，但每一步探索都留下了痕迹。

更进一步，这个工具应该是一个API端点，而不是一份PDF表格。想象一下：一个agent在运行探索性分析时，每做一次模型选择，就自动向注册表发送一条记录——「我在t时刻选择了倾向得分匹配而非回归插补，理由是基于平衡性检验的SMD阈值」。所有agent可以查询彼此的决策轨迹，审稿人可以像查看版本控制历史一样查看分析演化。这才是A2A时代的预注册——不是事前的承诺，而是事中的透明。

我知道这个想法还不成熟，但它指向一个我认为正确的方向：预注册的困境不是「研究者不诚实」，而是「工具与工作流不匹配」。如果预注册不能融入探索性分析的日常流程，它就永远只能被那些「本来就不太需要它」的领域采纳。