Claude Science 不是普通聊天框，科研团队要先设计可复现实验链路

Claude Science 的发布，技术人员不能只看成“Claude 会读论文了”。官方给出的定位是科研工作台：能接数据库、工具包、计算资源和专业技能，运行在 macOS、Linux、本地机器、SSH 或 HPC login node 上，还会保留输出的可查的历史记录，这个形态更接近一个会操作科研环境的 Agent。

科研工作台要先定目录和权限

接入前要先定义工作流边界，哪些数据可以进入会话，哪些工作只读，哪些工作能提交计算作业，哪些输出需要由研究员复核。Claude Science 有 reviewer agent，会检查引用、计算、数字和图表与代码是否一致，但这不能替代实验室自己的审稿、代码审查和数据权限制度。

技术实现上，需要把 Agent 生成的每个 artifact 都当成中间产物管理。图表文件、脚本、环境说明、输入数据版本、运行命令和输出日志需要放在同一个项目目录里。不能只保存最终 PDF 或图片，否则审稿时很难追溯。

HPC 操作先从低风险开始

147AI 可以放在科研模型测试的外围：用同一批文献摘要、代码解释、结果复核例子，对比 Claude 与其他模型的表现，并保留调用情况记录和失败例子。它不需要被写成科研数据管理工具，也不能替代 Claude Science 对本地/HPC 环境的原生工作台能力。

如果要接 HPC，建议先限制在 login node 上的低风险操作，例如读取队列状态、解释已有脚本、生成提交命令草稿。实际提交大规模计算前，需要用户确认资源队列、预算和输入数据路径。

还要避免把 reviewer agent 当成最终审稿人，它可以提示引用、数字、图表和代码之间的不一致，但不能判断研究设计是否合理，也不能承担伦理审批。技术系统能做的是把证据记录留完整，让研究员更快发现问题。

数据目录要有明确命名，原始数据、清洗结果、模型生成脚本、人工修改脚本和最终图表不要混放。Claude Science 如果参与生成或修改文件，也要让文件名和提交记录能看出来源。

对于多人项目，还要规定谁能接受 Agent 的建议，研究助理可以让它解释代码，但是否改动统计方法、是否删除异常值、是否调整图表口径，应由项目负责人确认，这个边界越早写清楚，后面争议越少。

图表和代码要能追回去

工程落地时建议先做三件事：建立数据分级清单，固定可复现实验目录，要求所有自动生成图表附带代码、环境和输入说明。等这些基础能跑完，再考虑让 Agent 提交更大的计算工作，科研情况里，快不是单一指标，是否能半年后复现结果更要紧。