5 ноября 2026 года экономическая команда Anthropic Institute опубликовала технический отчёт «AI for scientific discovery: How researchers use Claude»; среди девяти авторов ведущими названы Johannes Hermle, Ben Jones и Lukas Althoff. Отчёт с помощью LLM-классификаторов размечает 207 049 сессий на потребительских планах за период со 2 августа по 30 сентября 2026 года по областям и задачам, добавляет опрос 528 учёных и оценку «теоретических способностей ИИ», а завершается тремя сценариями ускорения. На дату нашей проверки, 8 ноября 2026 года, это самый полный открытый набор данных Anthropic о научном использовании её продуктов.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Сначала о позиции: это исследование, которое вендор провёл на данных об использовании собственного продукта, и его выводы заканчиваются там, где заканчиваются сессии потребительских планов Anthropic, распознанные классификатором как наука. Первая половина статьи сверяет числа и отмечает места, где легко перечитать лишнего. Вторая берёт разрыв, который отчёт обнажает, между тем, для чего исследователи используют Claude чаще всего, и тем, что они считают самым важным, и превращает его в рабочий процесс, который можно скопировать: какая поверхность для какой задачи, какие свидетельства обязана оставлять каждая сессия и как принимать результаты скриптами, а не по памяти. Все скрипты работают офлайн; обращений к API мы не делали.

1. Что это: технический отчёт на данных об использовании собственного продукта

Основная выборка — 207 049 сессий на потребительских планах с 02.08.2026 по 30.09.2026: 128 914 в Claude (под этим именем отчёт объединяет Chat и Cowork) и 78 135 в Claude Code. Дополнительно изучается выборка Claude Science, но ни её размер, ни период в тексте не указаны. Каждая сессия сначала проходит классификатор, который решает, относится ли она к научной работе; второй классификатор затем назначает область, подобласть и задачу из таксономии SciNet — 7 262 задачи, 34 области и 318 подобластей.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Устройство защиты приватности определяет, что данные вообще способны показать. В отчёте сказано, что из переписки сохраняются только метки вроде «химия» или «очистка данных», что ни один классификатор не извлекает и не хранит открытое содержание исследований и что результаты публикуются лишь агрегированно и лишь для ячеек с минимальным числом различных аккаунтов. Авторы, следовательно, не могут оценить научное качество ни одной отдельной сессии. Каждая цифра о «содержании докторского уровня», «высокой автономии ИИ» или «часах, которые потребовались бы человеку» — оценка модели, а не человеческая экспертиза.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Опрос охватывает 528 учёных, в основном из наук о жизни и здоровье, набранных среди заявителей программ Anthropic AI for Science и смежных грантовых программ, аффилированных с учреждениями США и Канады. Авторы признают, что люди, подававшие заявки на исследовательские кредиты ИИ, скорее всего используют ИИ интенсивнее типичного учёного. Доли времени исследователей получены отдельным LLM-классификатором SciNet и проверены по протоколам мокрых лабораторий и частотам публикаций.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

В сумме отчёт отвечает на вопрос: что делают сессии, распознанные как исследовательские, на потребительских продуктах Anthropic, из каких областей они приходят и как это связано с оценкой способностей. Он не отвечает на вопрос, как учёные мира используют ИИ, и ничего не говорит о продуктах других вендоров. Поскольку в тексте сказано «только потребительские планы», мы делаем вывод, что Team, Enterprise и прямое использование API вне выборки; это наш вывод, так как отчёт не перечисляет исключения. Для каждого процента ниже держите в уме знаменатель: исследовательские сессии на потребительских продуктах Anthropic.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

2. Доли задач против долей времени: много сессий — не значит много часов исследователя

Самая информативная таблица отчёта ставит долю сессий каждой категории задач в Claude и Claude Code рядом с долей времени, которое исследователи на неё тратят. Числа ниже переписаны из текста. Доли времени исследователей приведены лишь для четырёх категорий; у остальных четырёх в тексте нет отдельной цифры, и они показаны как «—», а не досчитаны нами.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Доли сессий по категориям задач против долей времени исследователей (источник: отчёт Anthropic от 05.11.2026, проверено 08.11.2026).
Категория задачСессии ClaudeСессии Claude CodeВремя исследователей
Анализ данных33,7%48,1%27,6%
Написание текстов и коммуникация32,0%17,6%16,0%
Сбор данных11,5%11,9%28,6%
Чтение и освоение знаний7,6%3,7%—
Теоретический анализ5,0%4,7%—
Проектирование и разработка4,7%7,7%—
Генерация идей и гипотез4,2%2,1%7,1%
Прочее1,3%4,2%—

На уровне отдельных задач самой частой в обоих продуктах оказывается подготовка рукописей: 18,6% в Claude и 11,1% в Claude Code. В Claude за ней идут обзор и синтез литературы (6,8%) и ответы на замечания рецензентов (6,7%); в Claude Code — проектирование, сборка и доработка исследовательских артефактов (4,8%) и визуализация данных и результатов (4,6%). По выходным артефактам: 52% сессий Claude дают письменные артефакты и 21% — технические; в Claude Code технические артефакты встречаются примерно вдвое чаще; биология — единственная область, где технических артефактов больше письменных.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

В этой таблице две ловушки. Во-первых, доли сессий дают в сумме 100%, поэтому «высокая» категория вынуждает другую быть «низкой»: таблица описывает относительное распределение, а не абсолютный объём работы. Во-вторых, сбор данных занимает 28,6% времени исследователей, но лишь 11,5–11,9% сессий. Это может означать, что модель здесь мало помогает, а может — что сбор данных происходит у лабораторного стола, у прибора и в поле, где никакое окно чата не открыто. Сам отчёт предупреждает, что генерация идей вплетена в другие задачи и может недоучитываться.

3. Пересчитываем коэффициент использования тридцатью строками Python

Относительную интенсивность отчёт измеряет «коэффициентом использования»: доля использования задачи, делённая на долю времени исследователей на неё, где 1 означает пропорциональность. По квинтилям способностей нижний квинтиль даёт около 0,2 в обоих продуктах, средний — около 1, верхний — около 2,1 в Claude и 3,9 в Claude Code. По категориям задач отчёт коэффициент не печатает, поэтому мы вычисляем его из опубликованных долей. Скрипту ниже нужна только стандартная библиотека Python 3; сохраните его как use_ratio.py и выполните python3 use_ratio.py.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

use_ratio.py: пересчёт коэффициента использования для четырёх категорий с опубликованной долей времени; остальные намеренно помечены n/a.
# Recompute the use ratio (share of sessions / share of researcher time)
# from the task shares printed in Anthropic's 2026-11-05 report (Figure 2 / text).
SHARES = {
    # task: (Claude sessions %, Claude Code sessions %, researcher time % or None)
    "data analysis": (33.7, 48.1, 27.6),
    "writing & communication": (32.0, 17.6, 16.0),
    "data gathering": (11.5, 11.9, 28.6),
    "reading & knowledge acquisition": (7.6, 3.7, None),
    "theoretical analysis": (5.0, 4.7, None),
    "design & development": (4.7, 7.7, None),
    "ideation & hypothesis generation": (4.2, 2.1, 7.1),
    "other": (1.3, 4.2, None),
}

def ratio(use, time):
    return None if time is None else use / time

def flag(r):
    if r is None:
        return "no time share printed"
    return "over-used (>1)" if r > 1 else "under-used (<1)"

def fmt(r):
    return "   n/a" if r is None else f"{r:6.2f}"

print(f"{'task':34} {'Claude':>8} {'Code':>8}  reading")
for task, (c, cc, t) in SHARES.items():
    rc, rcc = ratio(c, t), ratio(cc, t)
    print(f"{task:34} {fmt(rc):>8} {fmt(rcc):>8}  {flag(rc)} / {flag(rcc)}")

tot_c = sum(v[0] for v in SHARES.values())
tot_cc = sum(v[1] for v in SHARES.values())
tot_t = sum(v[2] for v in SHARES.values() if v[2] is not None)
print(f"\nsession shares sum to {tot_c:.1f}% (Claude) / {tot_cc:.1f}% (Claude Code)")
print(f"printed researcher time shares sum to {tot_t:.1f}%; the rest is not broken out in the text")

Результат: написание текстов и коммуникация 2,00 (Claude) / 1,10 (Claude Code), анализ данных 1,22 / 1,74, сбор данных 0,40 / 0,42, генерация идей и гипотез 0,59 / 0,30. Скрипт печатает и две проверки: доли сессий каждого продукта дают 100,0%, тогда как четыре напечатанные доли времени дают лишь 79,3%. Оставшиеся 20,7% распределены между чтением, теорией, проектированием и прочим, которые текст не раскрывает, поэтому коэффициент для них вычислить нельзя. Не заполняйте этот пробел правдоподобным на вид числом.

Толковать следует сдержанно. Коэффициент 2,00 для письма в Claude отражает прежде всего то, что чат-интерфейс создан для текста; это не прямое свидетельство, что модель лучше всего пишет. Анализ данных 1,74 в Claude Code против 1,22 в Claude соответствует инструментарию: поверхность, исполняющая код, естественно принимает больше анализа. Внимания заслуживает категория ниже 0,6 в обоих продуктах — генерация идей. Следующие разделы покажут, что именно этот этап исследователи оценивают в опросе выше всего.

4. Области и связь «способности — использование»: корреляция не причина

По областям наибольшие доли сессий Claude у информатики — 11,9%, инженерии — 8,4% и медицины — 7,7%. Информатика составляет 4,3% исследователей мира, но 32,7% сессий Claude Code; искусственный интеллект и машинное обучение — 1,2% исследователей, но 5,0% сессий Claude и 15,2% сессий Claude Code. Лог-лог-корреляция доли сессий области с долей исследователей — 0,79 в Claude и 0,62 в Claude Code, на уровне подобластей падает до 0,61 и 0,43. Формальные науки, социальные науки и экономика показывают высокое относительное использование; лабораторные физические науки, медицина, нутрициология и ветеринария — низкое; искусство и гуманитарные науки особенно низки в Claude Code.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Оценка «теоретических способностей ИИ» строится так: LLM попарно сравнивает ИИ с человеком на каждом шаге исследовательской задачи, а результаты агрегируются моделью Брэдли — Терри. Это суждение модели о способностях модели, а не измеренная доля успеха. Далее отчёт коррелирует процентиль способностей с рядом характеристик задач; они переписаны ниже.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Корреляция характеристик задач с процентилем «теоретических способностей ИИ» (числа из отчёта).
Характеристика задачиКорреляция с процентилем способностейОписанная в отчёте динамика коэффициента
Пригодность для обучения с подкреплением (RL index)+0,78верхний бин около 2,2 (Claude) / 4,2 (Claude Code)
Когнитивная доля задачи+0,69коэффициент растёт до ~1,4 / 1,5 с ростом когнитивной доли
Физическая составляющая−0,57падает примерно с 1,2 к нулю
Регуляторные ограничения−0,38падает примерно с 1,2 к нулю
Межличностная составляющая−0,31падает примерно с 1,2 к нулю

На уровне подобластей использование на одного исследователя коррелирует со средними способностями на 0,45 (Claude) и 0,57 (Claude Code), автономия со способностями — на 0,47 и 0,31; по областям взвешенная корреляция коэффициента использования с долей времени ИИ составляет +0,58. Авторы отмечают, что науки о здоровье используются меньше, чем предсказывают способности, и предполагают причину в регулировании, тогда как формальные, социальные и гуманитарные науки — больше, вероятно потому, что их материал уже существует в виде текста и кода. Направление причинности по этим данным установить нельзя: способности могут определять использование, а может быть, степень оцифрованности материала области определяет и оценку способностей, и использование.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

5. Три сценария ускорения: сначала допущения, потом множители

Часть отчёта, которую чаще всего искажают при пересказе, — множители ускорения. По словам самих авторов, это иллюстративные сценарии, а не прогнозы. Все три используют один набор стоимостных допущений и одну калибровку узких мест; различаются они только тем, какую долю нефизической работы ИИ, по допущению, автоматизирует.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Допущения и результаты трёх сценариев (числа из отчёта; множители относятся ко времени исследовательской команды, а не к выходу или открытиям).
СценарийКлючевое допущениеРезультат в отчётеКак читать
Сценарий 1: текущие способностиОценки способностей определяют, какие шаги берёт на себя ИИИИ занимает 27–52% исследовательского времени (медиана 38%); ускорение от 1,35× (искусство) до 2,02× (статистика); информатика 1,96×, химия 1,41×Верхняя оценка для сегодняшнего дня; задержка внедрения всё ещё действует
Сценарий 2: автоматизировано 75% нефизических шаговГипотетическое будущее; физические шаги без измененийИнформатика около 8×; статистика и библиотечное дело около 7×; экономика около 6×; большинство социальных наук, математика, физика и астрономия 4–5×; лабораторные и медицинские науки 2–3×Анализ чувствительности; автоматизированная доля нефизического времени от 82% (информатика) до 28% (искусство)
Сценарий 3: автоматизированы все нефизические шагиГипотетическое будущее; остаются только физические шаги и координацияСтатистика, информатика, экономика, математика, психология, большинство социальных и гуманитарных наук около 15–16×; биология, химия, материаловедение, сельское хозяйство, биомедицина лишь 3–4×Физические шаги — около 40% времени в этих областях: жёсткое узкое место

Стоимостные допущения: час ИИ-агента — 30 долларов против 95 долларов за час исследователя, при этом ИИ работает 0,2 часа на каждый сэкономленный час исследователя. Отсюда авторы выводят, что полностью автоматизированная задача стоит около одной шестнадцатой человеческой, а удешевление ИИ вдвое удвоило бы этот потолок. Структура узких мест откалибрована по Ahmadpoor и Jones (2019). Отчёт прямо говорит, что не учитывает стоимость оборудования и экспериментальных материалов, ограничения на уровне области, а не команды, замену эксперимента симуляцией и качество идей.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Поэтому прежде чем «информатика 8×» попадёт на слайд, проверьте три вещи: это арифметика времени команды, а не статей или открытий; сценарии 2 и 3 предполагают, что автоматизация уже произошла, а не что модели способны на неё сегодня; в биологии, химии и материаловедении физические шаги занимают примерно 38–41% времени, так что собственный потолок отчёта там — 3–4× при любой силе модели.

6. Выборка Claude Science и опрос 528 человек: как читать самоотобранные данные

Дополнительная выборка Claude Science сосредоточена в науках о жизни: биомедицина 31,1%, биология 24,1%, медицина и клинические науки 8,7%, все остальные области ниже 5%, науки о жизни в сумме более половины. По сравнению с Claude гипотезы о структуре и функции белков встречаются в 6,0 раза чаще, механистические модели белок-белковых и белок-лигандных взаимодействий — в 5,6 раза, гипотезы «препарат — мишень» — в 5,6 раза; напротив, координация с соавторами — 0,15, выступления на конференциях — 0,2, анализ обилия и разнообразия видов — 0,23. Генерация идей составляет 8% сессий Claude Science.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Для биологических и биомедицинских сессий отчёт оценивает три показателя из собственной рамки «экономических примитивов» (со ссылкой на Appel et al. 2026), в порядке Claude / Claude Code / Claude Science: время человека без ИИ 4,9 / 5,9 / 10,3 часа, содержание докторского уровня 48,0% / 67,7% / 82,7%, высокая автономия ИИ 23,7% / 64,1% / 73,3%. Перевзвешивание Claude и Claude Code под состав задач Claude Science даёт 5,1 часа, 55,1%, 25,2% и 5,5 часа, 71,8%, 61,4%: разрыв сужается, но не закрывается. Авторы пишут, что различия могут отчасти отражать то, кто пользуется продуктом, — эффект самоотбора; метод измерения трёх показателей в отчёте не раскрыт.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

  • Самооценка использования. Идеи: 17% не используют, 53% как помощь, 24% совместно. Сбор данных: 20% нет, 31% помощь, 30% совместно, 14% делегируют. Анализ данных: 20% помощь, 44% совместно, 28% делегируют. Письмо: 40% помощь, 41% совместно, 13% делегируют.
  • Вклад в важный результат, 100 баллов: идеи 35,6, сбор данных 23,6, анализ данных 23,3, письмо 17,5.
  • Ожидание, что ИИ сам сравняется с ведущими исследователями: анализ данных — 38% считают, что уже, 94% — к 2030 году; письмо 89% к 2030; идеи и сбор данных по 72% к 2030.
  • Полные исследовательские проекты без участия человека: около 40% ожидают к 2030 году, около 64% — к 2035, 16% — никогда.

Поставьте опрос рядом с данными об использовании — и проявится самый пригодный для инженерии вывод отчёта: исследователи считают генерацию идей важнейшим этапом (35,6 балла), однако именно у неё один из самых низких коэффициентов использования (0,59 / 0,30) и её труднее всего проверить. Высокая ценность, низкое использование, низкая проверяемость: шесть следующих разделов построены для этого сочетания, а не для ещё одного черновика.

7. От вопроса к прослеживаемым свидетельствам: шесть звеньев исследовательской сессии

В обсуждении отчёт называет два давления. Первое: с ростом объёма выхода узким местом становится способность проверять и усваивать этот выход. Второе, со ссылкой на Schneider et al. (2020): руководители проектов с федеральным финансированием в США тратят около 44% исследовательского времени на административные требования. Правильное место ИИ в исследовательском процессе — поэтому не «генерировать больше страниц», а «оставлять на каждом шаге след, который сможет проверить другой человек», чтобы стоимость проверки не росла вместе с выходом.

Цепочка ниже — наша инженерная рекомендация, а не содержание отчёта. Она требует свидетельства на уровне файлов для каждой стрелки: письменная спецификация или предрегистрация на этапе вопроса; записи об источниках и хеши для данных; одна перезапускаемая точка входа и зафиксированное окружение для анализа; независимая от автора запись о проверке; вывод команды за каждым числом в тексте; и для каждого рисунка путь назад к скрипту, коммиту и случайному зерну. Страница лучших практик Claude Code говорит то же самое в своей области: дайте Claude проверку, которую можно запустить, и запрашивайте команду и её вывод или скриншот вместо того, чтобы принимать фразу «все тесты прошли».

  • Вопрос: исследовательский вопрос, критерии включения и исключения и запланированные анализы записаны в SPEC.md; всё, что модель делает потом, сверяется с ним.
  • Данные: для каждого исходного файла записан URL источника или дата сбора, сгенерирован data/SHA256SUMS, исходная папка только для чтения.
  • Анализ: один run.sh воссоздаёт каждый результат; environment.lock фиксирует зависимости; случайные зёрна печатаются явно.
  • Проверка: тесты покрывают аналитический код; рецензент, не писавший код (человек или субагент только для чтения), перезапускает и подписывает.
  • Письмо: каждое число в рукописи соответствует выводу команды; то же для ответов рецензентам.
  • Происхождение: figures/PROVENANCE.tsv хранит скрипт, коммит и зерно для каждого рисунка; REVIEW.md — кто, что и когда перезапустил.
  1. Вопрос: SPEC.md с критериями включения и исключения
  2. Данные: записи об источниках + SHA256SUMS
  3. Анализ: run.sh + environment.lock + зёрна
  4. Проверка: тесты + перезапуск независимым рецензентом
  5. Письмо: каждое число указывает на вывод команды
  6. Происхождение: PROVENANCE.tsv + REVIEW.md
Цепочка исследовательской сессии, которую рекомендует статья: каждой стрелке должно соответствовать свидетельство в папке; итоговый текст не заменяет промежуточные шаги.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026) · Документация Claude Code: Best practices

8. Разделение работы между Claude, Claude Code и Claude Science

Данные отчёта уже показывают естественную склонность каждой поверхности: Claude берёт письмо, литературу и ответы рецензентам; Claude Code — анализ данных и технические артефакты; Claude Science сосредоточен в науках о жизни с наивысшей автономией. Официальная страница claude.com/science, прочитанная 08.11.2026, описывает Claude Science как настольное приложение в публичной бете для macOS, Windows и Linux. Страница прямо говорит, что это приложение, а не модель, и что оно работает на моделях Claude, входящих в ваш план. Оно доступно на планах Pro, Max, Ultra, Team и Enterprise; администраторы Team и Enterprise должны сначала включить его, за исключением плана Claude Team для учёных, где оно включено по умолчанию и который адресован действующим учёным академических и некоммерческих учреждений с проверкой права через руководителя группы.

Официальная страница Claude Science

По функциям страница перечисляет подключение к более чем 60 научным базам данных, специалистов по анализу для геномики, одноклеточных данных, протеомики, структурной биологии и хемоинформатики и фонового рецензента, который помечает неверные цитаты, непрослеживаемые числа и рисунки, не соответствующие породившему их коду. Каждый артефакт хранит код, который его создал, окружение, в котором он выполнялся, описание простым языком и приведшую к нему беседу. Вычисления могут идти на локальных ядрах, кластере Slurm по SSH или в аккаунте Modal. Исходные наборы данных и вычисления остаются на выбранных вами машинах, кластерах или облачных аккаунтах, но содержимое запросов и ответов обрабатывается Anthropic в рамках стандартного хранения, а некоторые чувствительные запросы из наук о жизни могут обрабатываться другой моделью Claude. Всё это — описание вендора; мы приложение не устанавливали и не тестировали.

Официальная страница Claude Science

Предлагаемое разделение работы между тремя поверхностями (столбец «характеристики по отчёту» использует данные отчёта; остальное — наша рекомендация).
ПоверхностьПодходящие исследовательские задачиЧто сессия оставляет по умолчаниюГде находятся данныеХарактеристики по отчёту
Claude (Chat / Cowork)Черновики рукописей, синтез литературы, ответы рецензентам, упорядочивание идейТекст беседы и письменные артефакты; код и данные не входятВсё вставленное попадает в беседуПисьмо и коммуникация 32,0%; письменные артефакты 52%; высокая автономия лишь 23,7% (биология)
Claude CodeАнализ данных, визуализация, сборка аналитических конвейеров, исполняемая проверкаКоманды, выводы, изменения файлов; Stop hook и deny-правила дают детерминированные ограниченияЛокальный репозиторий; всё, что модель прочла, попадает в беседуАнализ данных 48,1%; технических артефактов примерно вдвое больше, чем в Claude; высокая автономия 64,1%
Claude Science (бета)Анализ в науках о жизни, поиск по базам, многошаговый анализ с рецензентомПо словам вендора, каждый артефакт несёт код, окружение, описание и беседуИсходные данные и вычисления остаются где вы выбрали; запросы и ответы обрабатываются AnthropicНауки о жизни более половины; высокая автономия 73,3%; содержание докторского уровня 82,7%

Выбирайте сначала по границе данных, потом по потребности в свидетельствах. Для проектов под соглашениями о данных или этической экспертизой прежде всего подтвердите, что «содержимое запросов и ответов обрабатывается Anthropic» допустимо, и не читайте «исходные данные остаются локально» как «ничего не загружается». Используйте Claude Code там, где нужны исполняемые свидетельства: Stop hook, deny-правила и --max-turns в его документации отнесены к детерминированным средствам контроля и не зависят от того, помнит ли модель правило. Письмо может оставаться в чате, но каждое число всё равно должно прослеживаться до вывода команды в папке анализа. На уровне планов достаточно знать, какие планы перечисляет вендор; подробности проверяйте в своём аккаунте. Цены в этой статье не обсуждаются.

Официальная страница Claude Science · Документация Claude Code: Best practices

9. Что должна оставить исследовательская сессия: офлайн-гейт приёмки

Сожмём шесть звеньев раздела 7 до пяти обязательных файлов и проверим скриптом, что они присутствуют и согласованы. Гейт не судит о правильности науки; он судит о том, сможет ли другой человек перезапустить и проследить работу. Его можно запускать вручную или как Stop hook в Claude Code, где код выхода 2 возвращает Claude к работе вместо объявления о завершении.

Документация Claude Code: Best practices

Свидетельства, которые должна содержать папка анализа, и способ проверки (наша рекомендация).
СвидетельствоФайлПроверка
Перезапускаемый кодrun.shсуществует; на чистой копии воссоздаёт каждый результат
Зафиксированное окружениеenvironment.lockсуществует; точные версии, выгруженные pip, conda или renv
Хеши данныхdata/SHA256SUMSshasum -a 256 --check проходит для каждого файла
Происхождение рисунковfigures/PROVENANCE.tsvрисунок, скрипт, коммит и зерно каждой строки существуют и не пусты
Независимая проверкаREVIEW.mdсодержит строку re-ran: с тем, что именно выполнил рецензент
check_analysis.sh: офлайн-проверка, что пять видов свидетельств существуют и согласованы; печатает ACCEPT, иначе завершается с кодом 2.
#!/usr/bin/env bash
# check_analysis.sh <folder> — offline acceptance gate for one analysis folder.
# ACCEPT only when code, pinned environment, data hashes, figure provenance
# and an independent reviewer note are all present and consistent.
set -u
dir="${1:?usage: check_analysis.sh <analysis-folder>}"
fail=0
need() { if [ -e "$dir/$1" ]; then echo "ok      $1"; else echo "MISSING $1 — $2"; fail=1; fi; }

need run.sh                 "one entry point that regenerates every result"
need environment.lock       "pinned environment (requirements.txt, renv.lock, conda export ...)"
need data/SHA256SUMS        "hashes of the raw inputs the analysis read"
need figures/PROVENANCE.tsv "one row per figure: figure, script, commit, seed"
need REVIEW.md              "independent reviewer pass: who, when, what was re-run"

if [ -f "$dir/data/SHA256SUMS" ]; then
  if (cd "$dir/data" && shasum -a 256 --check --quiet SHA256SUMS); then
    echo "ok      data hashes match"
  else
    echo "FAIL    raw data does not match SHA256SUMS"; fail=1
  fi
fi

if [ -f "$dir/figures/PROVENANCE.tsv" ]; then
  while IFS=$'\t' read -r fig script commit seed; do
    [ "$fig" = "figure" ] && continue            # header row
    [ -f "$dir/$fig" ]    || { echo "FAIL    listed figure missing: $fig"; fail=1; }
    [ -f "$dir/$script" ] || { echo "FAIL    script for $fig missing: $script"; fail=1; }
    [ -n "$commit" ]      || { echo "FAIL    no commit recorded for $fig"; fail=1; }
    [ -n "$seed" ]        || { echo "FAIL    no seed recorded for $fig"; fail=1; }
  done < "$dir/figures/PROVENANCE.tsv"
fi

if ! grep -qiE '^re-ran:' "$dir/REVIEW.md" 2>/dev/null; then
  echo "FAIL    REVIEW.md has no 're-ran:' line naming what the reviewer executed"; fail=1
fi

if [ "$fail" -eq 0 ]; then echo "ACCEPT"; else echo "HOLD — fix the lines above"; exit 2; fi

Использование: bash check_analysis.sh <папка-анализа>. Мы проверили его на минимальной синтетической папке: при всех пяти файлах, совпадающих хешах и полных строках PROVENANCE он печатает ACCEPT; на пустой папке перечисляет каждый недостающий элемент и завершается с кодом 2. Он намеренно не разбирает ноутбуки и не читает содержимое данных — это работа тестов и рецензента. Зависит только от bash, shasum и grep, которые есть в macOS и большинстве дистрибутивов Linux.

10. Правила о свидетельствах — в CLAUDE.md, страховка — в Stop hook

Страница лучших практик Claude Code, прочитанная 08.11.2026, делит инструкции на два вида. Недетерминированные читает модель и сама решает, следовать ли им: промпт, CLAUDE.md, навыки. Детерминированные исполняет сам Claude Code: хуки, deny-правила, управляемые настройки. Эмпирическое правило страницы: строка без исключений принадлежит хуку, а не CLAUDE.md, и если вы раз за разом усиливаете строку CLAUDE.md, которую Claude продолжает игнорировать, — это само по себе сигнал. CLAUDE.md должен содержать только то, чего модель не видит в коде; руководство по памяти рекомендует не превышать 200 строк.

Документация Claude Code: Best practices

CLAUDE.md: соглашения сессии для проекта анализа данных; только команды, правила о свидетельствах и подводные камни, которых модель не прочтёт из кода.
# Analysis conventions (loaded into every Claude Code session in this repo)

## Commands
- Reproduce everything: bash run.sh
- Tests on the analysis code: python3 -m pytest tests -q
- Acceptance gate: bash check_analysis.sh .

## Evidence rules
- Every number you report must come from a command you ran in this session.
  Quote the command and the relevant output lines; never type a number from memory.
- Fix the random seed, print it, and record it in figures/PROVENANCE.tsv.
- When you change a figure, update its PROVENANCE row (figure, script, commit, seed).
- Raw data under data/raw/ is read-only. Derived data goes to derived/ and is
  regenerated by run.sh, never edited by hand.
- If a check fails, say so. Never describe a result as confirmed without the output.

## Gotchas
- The environment is pinned in environment.lock; do not install packages ad hoc.
- A citation needs a DOI or URL that was actually opened; mark everything else "to verify".

Файл .claude/settings.json ниже превращает три правила в детерминированные средства контроля. Deny-правила действуют в любом режиме разрешений, включая auto и bypassPermissions; документация отмечает, что deny-правило для Read перехватывает и обычные команды чтения вроде cat, но не скрипт, который сам открывает файл. Stop hook выполняется, когда Claude пытается завершить ход; код выхода 2 блокирует остановку, а всё, что команда записала в stderr, возвращается модели как причина, по которой закончить ещё нельзя. Документация по хукам добавляет предел: после восьми последовательных блокировок без вызова инструмента между ними Claude Code переопределяет следующую блокировку и завершает ход; предел настраивается переменной окружения CLAUDE_CODE_STOP_HOOK_BLOCK_CAP, а во входе хука есть поле stop_hook_active, чтобы не зациклиться на условии, которое никогда не выполнится.

Документация Claude Code: Best practices · Документация Claude Code: Hooks

.claude/settings.json: предварительно разрешает три аналитические команды, запрещает чтение секретов и правку исходных данных, а Stop hook запускает тесты и затем приёмочный гейт.
{
  "permissions": {
    "allow": [
      "Bash(bash run.sh)",
      "Bash(python3 -m pytest *)",
      "Bash(bash check_analysis.sh *)"
    ],
    "ask": ["Bash(git push *)"],
    "deny": [
      "Read(./.env)",
      "Read(./secrets/**)",
      "Edit(./data/raw/**)",
      "Write(./data/raw/**)"
    ]
  },
  "hooks": {
    "Stop": [
      {
        "hooks": [
          {
            "type": "command",
            "command": "python3 -m pytest tests -q 1>&2 && bash check_analysis.sh . 1>&2 || exit 2"
          }
        ]
      }
    ]
  }
}

Независимую проверку можно поручить субагенту только для чтения. Документация по субагентам размещает определения в .claude/agents/; во фронтматтере YAML обязательны только name и description, а tools принимает список через запятую; если не указать Write и Edit, получится рецензент, который не может менять файлы. Там же предупреждение: когда основная беседа идёт в режиме bypassPermissions, acceptEdits или auto, permissionMode субагента игнорируется, так что ограничение tools надёжнее. Смежное предложение страницы лучших практик — /code-review, который рецензирует диф в свежем субагенте, не видевшем вашу беседу и не подверженном рассуждениям, породившим код.

Документация Claude Code: Sub-agents · Документация Claude Code: Best practices

.claude/agents/analysis-reviewer.md: субагент-рецензент только для чтения, перезапускающий гейт и прослеживающий каждое число в отчёте.
---
name: analysis-reviewer
description: Independent read-only reviewer for an analysis folder. Use after the main session says a result is done.
tools: Read, Glob, Grep, Bash
model: inherit
---

You review an analysis folder you did not produce. Do not edit files.
1. Run bash check_analysis.sh . and report the full output.
2. For every number in REPORT.md, find the command or script that produced it;
   list numbers you cannot trace.
3. For every figure listed in figures/PROVENANCE.tsv, confirm the script, commit and seed
   exist and that the figure is newer than the script.
4. Report "ACCEPT" only if every item passes; otherwise list each gap with the file name.

11. Отбор литературы и список источников: фиксируем схему вывода, затем проверяем форматы офлайн

Отчёт показывает, что обзор литературы — вторая по частоте задача в Claude (6,8%). Проверяемому отбору нужны две вещи: вывод модели следует фиксированной структуре, и каждое решение цитирует предложение из аннотации, которое его определило. Страница Claude Code о программном использовании, прочитанная 08.11.2026, даёт механизм: claude -p работает неинтерактивно, --output-format json вместе с --json-schema возвращает структурированный вывод в поле structured_output, а если модель отказывается или не выдаёт ничего валидного, поле отсутствует, поэтому скрипт обязан его проверять. --bare пропускает хуки, навыки, плагины, MCP-серверы и CLAUDE.md, чтобы одна и та же команда вела себя одинаково на любой машине, но не использует вход по подписке и требует ANTHROPIC_API_KEY; --permission-mode dontAsk отклоняет всё, что иначе запросило бы подтверждение; --max-turns ограничивает запуск; ввод через конвейер ограничен 10 МБ.

Документация Claude Code: программный запуск (claude -p)

Отбор одной аннотации по фиксированной схеме; одна запись на запуск, чтобы запуски можно было параллелить и повторять. Мы эту команду не выполняли (нужен платный доступ к API).
# Screen one abstract against written criteria; the answer must match a fixed schema.
# --bare skips hooks, plugins and CLAUDE.md so the run is identical on every machine;
# it does not use a subscription login, so ANTHROPIC_API_KEY must be set (billed API use).
cat abstract-0001.txt | claude --bare -p \
  "Decide whether this abstract meets every criterion in CRITERIA.md. For each criterion quote the sentence that decided it. Do not guess missing information: mark it unknown." \
  --allowedTools "Read" \
  --permission-mode dontAsk \
  --max-turns 3 \
  --output-format json \
  --json-schema '{"type":"object","properties":{"include":{"type":"string","enum":["yes","no","unknown"]},"criteria":{"type":"array","items":{"type":"object","properties":{"name":{"type":"string"},"met":{"type":"string","enum":["yes","no","unknown"]},"quote":{"type":"string"}},"required":["name","met","quote"]}}},"required":["include","criteria"]}' \
  | jq '.structured_output // {"error": "no structured_output: do not count this record"}'

Обоснование конструкции: поле quote позволяет рецензенту сверить каждое решение с аннотацией вместо доверия к «yes»; unknown — явное значение, которое не даёт модели гадать при нехватке информации; один вызов на запись позволяет параллельные запуски и повтор только неудачных. Мы команду не запускали, так как она требует ключа API и стоит денег; мы проверили существование и смысл каждого флага по документации. Имена флагов могут меняться между версиями; перед запуском сверьтесь с актуальными страницами о программном использовании и справочником CLI.

Документация Claude Code: программный запуск (claude -p)

verify_refs.py: офлайн-проверка синтаксиса DOI, дубликатов и годов в CSV библиографии; DOI онлайн никогда не разрешает.
# verify_refs.py — offline format check of a bibliography CSV (columns: key,doi,year,title).
# It checks DOI syntax, duplicates and years only. It does NOT resolve DOIs or fetch
# anything; do that later as a separate, logged step and keep the HTTP status per DOI.
import csv, re, sys
from pathlib import Path

DOI = re.compile(r"^10\.\d{4,9}/\S+$")
path = Path(sys.argv[1] if len(sys.argv) > 1 else "references.csv")
seen, problems = {}, 0

def report(line, key, msg):
    global problems
    problems += 1
    print(f"line {line}: {key}: {msg}")

with path.open(newline="", encoding="utf-8") as f:
    for n, row in enumerate(csv.DictReader(f), start=2):
        key = row.get("key") or f"row{n}"
        doi = (row.get("doi") or "").strip().lower()
        doi = doi.removeprefix("https://doi.org/").removeprefix("doi:")
        if not doi:
            report(n, key, "no DOI — mark 'to verify'; do not cite yet")
        elif not DOI.match(doi):
            report(n, key, f"malformed DOI {doi!r}")
        elif doi in seen:
            report(n, key, f"duplicate of {seen[doi]}")
        else:
            seen[doi] = key
        year = (row.get("year") or "").strip()
        if not re.fullmatch(r"(19|20)\d{2}", year):
            report(n, key, f"year {year!r} is not a four-digit year")

print(f"{len(seen)} unique well-formed DOIs, {problems} problem(s)")
sys.exit(1 if problems else 0)

verify_refs.py работает только на уровне формата: DOI начинается с 10. и префикса регистранта, уникален после удаления https://doi.org/ и doi: и приведения к нижнему регистру, год четырёхзначный. Он намеренно остаётся офлайн: разрешение DOI должно быть отдельным журналируемым шагом с записью HTTP-статуса и даты для каждого. Мы проверили его на синтетическом CSV из четырёх строк: одна корректная, одна — дубликат первой, отличающийся лишь регистром и префиксом, одна без DOI, одна с неверным DOI и двузначным годом. Скрипт сообщил об 1 уникальном корректном DOI и 4 проблемах и завершился с кодом 1.

12. Четыре решения исследователя после чтения отчёта

Первое: пилотируйте ИИ на генерации идей и сборе данных, а не на ещё одном черновике. Отчёт показывает, что это этапы, которые исследователи считают важнейшими (35,6 и 23,6 балла) и у которых самые низкие коэффициенты использования; эксперименты там окупаются больше всего и больше всего нуждаются в цепочке свидетельств из раздела 7, потому что ошибки там труднее всего заметить. Второе: выбирайте поверхность по границе данных — подтвердите, что соглашения вашего учреждения допускают обработку содержимого запросов и ответов вендором, прежде чем обсуждать функции.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026) · Официальная страница Claude Science

Третье: дайте каждому проекту приёмочный гейт и рецензента, не писавшего код, будь то коллега или субагент только для чтения; скрипты разделов 9 и 10 работают без какого-либо аккаунта. Четвёртое: воспринимайте множители отчёта как арифметику времени команды: 1,35–2,02× сценария 1 — верхняя оценка для текущих способностей, сценарии 2 и 3 — анализ чувствительности, а потолок 3–4× в лабораторных областях следует из того, что физические шаги занимают около 40% времени.

Anthropic: AI for scientific discovery — How researchers use Claude (05.11.2026)

Для читателей из академических и некоммерческих учреждений у Anthropic есть две открытые точки входа, связанные с отчётом. Программа AI for Science, объявленная 5 мая 2025 года, предлагает кредиты API исследователям, аффилированным с научными учреждениями и работающим над проектами высокой значимости, с фокусом на биологии и науках о жизни; заявки подаются через онлайн-форму и рассматриваются командой Anthropic с профильными экспертами, а суммы кредитов и сроки на странице не указаны. Страница anthropic.com/science собирает научный блог Anthropic, например структуру частицы-vault от 04.11.2026 и формализованное доказательство Великой теоремы Ферма от 04.09.2026. Это случаи, которые вендор выбрал показать, и правило чтения для них то же, что и для отчёта.

Anthropic: объявление программы AI for Science (05.05.2025) · Страница Anthropic Science и индекс научного блога

Чего мы не проверяли: мы не воспроизводили классификаторы отчёта и не имеем доступа к исходным данным сессий, так что каждая цифра — переписана или пересчитана из опубликованного текста; мы не устанавливали и не пробовали Claude Science, и каждое описание функций взято со страницы вендора; пример claude -p не выполнялся, а лишь сверен флаг за флагом с документацией; три скрипта запускались только на локальных синтетических фикстурах и никогда на реальных исследовательских данных; документация Claude Code прочитана 08.11.2026, и имена флагов или значения по умолчанию могут меняться между версиями.

Эта статья разбирает исследовательский отчёт Anthropic и открытую документацию. Подписки Claude, требования к планам для Claude Science и товары этого сайта — разные учётные книги. Не делайте вывода о какой-либо связи между сайтом и Anthropic и не читайте множители отчёта как обещание о каком-либо продукте.