5 Kasım 2026’da Anthropic Institute’un Ekonomi ekibi, dokuz yazar arasında Johannes Hermle, Ben Jones ve Lukas Althoff’un baş yazar olduğu «AI for scientific discovery: How researchers use Claude» başlıklı teknik raporu yayımladı. Rapor, 2 Ağustos–30 Eylül 2026 arasındaki 207.049 tüketici planı oturumunu LLM sınıflandırıcılarla alan ve göreve göre etiketliyor, 528 bilim insanıyla yapılan bir anket ile bir «kuramsal yapay zekâ yeteneği» puanı ekliyor ve üç hızlanma senaryosuyla bitiyor. Kontrol tarihimiz olan 8 Kasım 2026 itibarıyla bu, Anthropic’in ürünlerinin bilimsel kullanımına ilişkin en kapsamlı açık veri kümesi.

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

Önce konum: bu, bir sağlayıcının kendi ürününün kullanım verisi üzerinde yürüttüğü bir araştırmadır ve sonuçları, Anthropic tüketici planlarında bir sınıflandırıcının bilim olarak tanıdığı oturumların sınırında biter. Makalenin ilk yarısı sayıları doğrular ve aşırı yorumun kolay olduğu yerleri işaretler. İkinci yarısı, raporun ortaya çıkardığı boşluğu — araştırmacıların Claude’u en çok ne için kullandığı ile en önemli saydıkları şey arasındaki farkı — alır ve bir araştırmacının kopyalayabileceği bir iş akışına çevirir: hangi yüzey hangi görev için, her oturum geride hangi kanıtı bırakmalı ve sonuçlar hafızayla değil betiklerle nasıl kabul edilmeli. Tüm betikler çevrimdışı çalışır; API çağrısı yapmadık.

1. Bu nedir: sağlayıcının kendi kullanım verisi üzerine bir teknik rapor

Ana örneklem, 02.08.2026–30.09.2026 arasında tüketici planlarındaki 207.049 oturum: 128.914’ü Claude’da (rapor Chat ve Cowork’ü bu ad altında topluyor), 78.135’i Claude Code’da. Ayrıca tamamlayıcı bir Claude Science örneklemi inceleniyor; ancak metin ne boyutunu ne de tarih aralığını veriyor. Her oturum önce bilimsel çalışma içerip içermediğine karar veren bir sınıflandırıcıdan geçiyor; ikinci bir sınıflandırıcı ardından 7.262 görev, 34 alan ve 318 alt alandan oluşan SciNet taksonomisinden alan, alt alan ve görev atıyor.

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

Gizlilik tasarımı verinin neyi destekleyebileceğini belirliyor. Rapor, konuşmalardan yalnızca «kimya» veya «veri temizleme» gibi etiketlerin saklandığını, hiçbir sınıflandırıcının açık uçlu araştırma içeriği çıkarmadığını ya da depolamadığını ve sonuçların yalnızca toplu olarak ve yalnızca asgari sayıda farklı hesaba ulaşan hücreler için raporlandığını belirtiyor. Dolayısıyla yazarlar tek bir oturumun bilimsel kalitesini inceleyemez. «Doktora düzeyinde içerik», «yüksek yapay zekâ özerkliği» veya «bir insanın ihtiyaç duyacağı saat» ile ilgili her rakam insan incelemesi değil, bir model tahminidir.

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

Anket, çoğu yaşam ve sağlık bilimlerinden, Anthropic’in AI for Science ve ilgili hibe programlarına başvuranlar arasından seçilmiş, ABD veya Kanada kurumlarına bağlı 528 bilim insanını kapsıyor. Yazarlar, yapay zekâ araştırma kredisine başvuranların tipik bir bilim insanından muhtemelen daha yoğun yapay zekâ kullanıcısı olduğunu kabul ediyor. Araştırmacı zaman payları, ıslak laboratuvar protokolleri ve yayın sıklıklarıyla doğrulanmış ayrı bir SciNet LLM sınıflandırıcısından geliyor.

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

Birlikte ele alındığında rapor şunu yanıtlayabilir: Anthropic’in tüketici ürünlerinde araştırma olarak tanınan oturumlar ne yapıyor, hangi alanlardan geliyor ve bu bir yetenek puanıyla nasıl ilişkili? Dünyadaki bilim insanlarının yapay zekâyı nasıl kullandığını yanıtlayamaz ve başka sağlayıcıların ürünleri hakkında hiçbir şey söylemez. Metin yalnızca tüketici planlarından söz ettiği için Team, Enterprise ve doğrudan API kullanımının örneklem dışında olduğunu çıkarıyoruz; rapor dışlamaları tek tek saymadığından bu bizim çıkarımımızdır. Aşağıdaki her yüzde için paydayı aklınızda tutun: Anthropic tüketici ürünlerindeki araştırma oturumları.

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

2. Görev payları zaman paylarına karşı: çok oturum, çok araştırmacı saati demek değil

Raporun en bilgilendirici tablosu, her görev kategorisinin Claude ve Claude Code’daki oturum payını araştırmacıların o kategoriye ayırdığı zaman payının yanına koyuyor. Aşağıdaki rakamlar metinden kopyalandı. Araştırmacı zaman payları yalnızca dört kategori için basılı; diğer dördünün metinde ayrı bir rakamı yok ve bizim tahmin etmemiz yerine «—» ile gösteriliyor.

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

Görev kategorisine göre oturum payları ve araştırmacı zaman payları (kaynak: Anthropic’in 05.11.2026 raporu, 08.11.2026’da kontrol edildi).
Görev kategorisiClaude oturumlarıClaude Code oturumlarıAraştırmacı zamanı
Veri analizi%33,7%48,1%27,6
Yazma ve iletişim%32,0%17,6%16,0
Veri toplama%11,5%11,9%28,6
Okuma ve bilgi edinme%7,6%3,7—
Kuramsal analiz%5,0%4,7—
Tasarım ve geliştirme%4,7%7,7—
Fikir ve hipotez üretme%4,2%2,1%7,1
Diğer%1,3%4,2—

Tekil görev düzeyinde her iki üründe de en yaygın olan makale taslağı yazmak: Claude’da %18,6, Claude Code’da %11,1. Claude’da bunu literatürü gözden geçirme ve sentezleme (%6,8) ile hakem yorumlarına yanıt verme (%6,7) izliyor; Claude Code’da araştırma yapıtlarını tasarlama, kurma ve iyileştirme (%4,8) ile veri ve sonuçları görselleştirme (%4,6). Çıktılara gelince, Claude oturumlarının %52’si yazılı, %21’i teknik yapıt üretiyor; teknik yapıtlar Claude Code’da yaklaşık iki kat yaygın; biyoloji, teknik yapıtların yazılı olanları geçtiği tek alan.

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

Bu tabloyu okurken iki tuzak var. Birincisi, oturum payları %100’e toplanır; dolayısıyla «yüksek» bir kategori bir diğerini «düşük» olmaya zorlar: tablo mutlak iş yükünü değil göreli bir dağılımı anlatır. İkincisi, veri toplama araştırmacı zamanının %28,6’sını alırken oturumların yalnızca %11,5–11,9’unu oluşturuyor. Bu, modelin orada az yardımcı olduğu anlamına gelebileceği gibi, veri toplamanın hiçbir sohbet penceresinin açık olmadığı tezgâhta, cihaz başında ve sahada gerçekleştiği anlamına da gelebilir. Raporun kendisi fikir üretmenin başka görevlere iç içe geçme eğiliminde olduğu ve eksik sayılmış olabileceği uyarısını yapıyor.

3. Kullanım oranını otuz satır Python ile yeniden hesaplamak

Rapor göreli yoğunluğu bir «kullanım oranı» ile ölçüyor: bir görevin kullanım payının araştırmacı zaman payına bölümü; 1, orantılı demek. Yetenek beşte birliklerine göre en düşük dilim her iki üründe de yaklaşık 0,2, orta dilim yaklaşık 1, en üst dilim Claude’da yaklaşık 2,1 ve Claude Code’da 3,9. Rapor oranı görev kategorisi başına basmıyor; biz yayımlanan paylardan hesaplıyoruz. Aşağıdaki betik yalnızca Python 3 standart kütüphanesine ihtiyaç duyar; use_ratio.py olarak kaydedip python3 use_ratio.py ile çalıştırın.

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

use_ratio.py: yayımlanmış zaman payı olan dört kategori için kullanım oranını yeniden hesaplar; diğerleri bilerek n/a işaretlenir.
# 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")

Çıktı: yazma ve iletişim 2,00 (Claude) / 1,10 (Claude Code), veri analizi 1,22 / 1,74, veri toplama 0,40 / 0,42, fikir ve hipotez üretme 0,59 / 0,30. Betik ayrıca iki sağlama basıyor: her ürünün oturum payları %100,0’a toplanırken basılı dört zaman payı yalnızca %79,3’e toplanıyor. Kalan %20,7, metnin ayrıştırmadığı okuma, kuram, tasarım ve diğer kategorilere dağılıyor; dolayısıyla onlar için oran hesaplanamaz. Bu boşluğu makul görünen bir sayıyla doldurmayın.

Ölçülü yorumlayın. Claude’da yazma için 2,00’lik oran her şeyden önce sohbet arayüzünün metin için yapıldığını yansıtır; modelin en iyi yazdığına dair doğrudan kanıt değildir. Claude Code’da 1,74’e karşı Claude’da 1,22 olan veri analizi araçla örtüşür: kod çalıştıran bir yüzey doğal olarak daha fazla analiz alır. Dikkati hak eden şey, her iki üründe de 0,6’nın altındaki kategori: fikir üretme. Sonraki bölümler bunun tam olarak araştırmacıların ankette en yüksek puanı verdiği adım olduğunu gösteriyor.

4. Alanlar ve yetenek–kullanım bağı: korelasyon neden değildir

Alanlara göre Claude oturumlarının en büyük payları bilgisayar bilimi %11,9, mühendislik %8,4 ve tıp %7,7. Bilgisayar bilimi dünya araştırmacılarının %4,3’ünü oluştururken Claude Code oturumlarının %32,7’sini alıyor; yapay zekâ ve makine öğrenimi araştırmacıların %1,2’si iken Claude oturumlarının %5,0’ını, Claude Code oturumlarının %15,2’sini oluşturuyor. Bir alanın oturum payı ile araştırmacı payı arasındaki log-log korelasyon Claude’da 0,79, Claude Code’da 0,62; alt alan düzeyinde 0,61 ve 0,43’e düşüyor. Formel bilimler, sosyal bilimler ve ekonomi yüksek göreli kullanım gösteriyor; laboratuvar tabanlı fizik bilimleri, tıp, beslenme ve veterinerlik düşük; sanat ve beşeri bilimler Claude Code’da özellikle düşük.

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

«Kuramsal yapay zekâ yeteneği» puanı, bir LLM’in bir araştırma görevinin her adımı için yapay zekâ ile insanı ikili karşılaştırması ve sonuçların Bradley–Terry modeliyle toplanmasıyla oluşturuluyor. Bu, ölçülmüş bir başarı oranı değil, bir modelin model yeteneği hakkındaki yargısıdır. Rapor ardından yetenek yüzdeliğini birkaç görev özelliğiyle ilişkilendiriyor; aşağıya kopyalandı.

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

Görev özelliklerinin «kuramsal yapay zekâ yeteneği» yüzdeliğiyle korelasyonu (rapordaki rakamlar).
Görev özelliğiYetenek yüzdeliğiyle korelasyonRaporun betimlediği kullanım oranı örüntüsü
Pekiştirmeli öğrenmeye uygunluk (RL index)+0,78en üst dilim yaklaşık 2,2 (Claude) / 4,2 (Claude Code)
Görevin bilişsel payı+0,69bilişsel payla birlikte oran ~1,4 / 1,5’e yükseliyor
Fiziksel bileşen−0,57yaklaşık 1,2’den sıfıra doğru düşüyor
Düzenleyici kısıt−0,38yaklaşık 1,2’den sıfıra doğru düşüyor
Kişilerarası bileşen−0,31yaklaşık 1,2’den sıfıra doğru düşüyor

Alt alan düzeyinde araştırmacı başına kullanım ortalama yetenekle 0,45 (Claude) ve 0,57 (Claude Code), özerklik ise yetenekle 0,47 ve 0,31 korelasyon gösteriyor; alanlar arasında kullanım oranı ile yapay zekâ zaman payı arasındaki ağırlıklı korelasyon +0,58. Yazarlar sağlık bilimlerinin yeteneğin öngördüğünden az kullanıldığını not edip neden olarak düzenlemeyi öne sürüyor; formel bilimler, sosyal bilimler ve beşeri bilimler ise muhtemelen malzemeleri zaten metin ve kod olduğu için daha çok kullanılıyor. Nedensellik yönü bu veriyle çözülemez: yetenek kullanımı sürükleyebilir ya da bir alanın malzemesinin ne ölçüde sayısallaştığı hem yetenek puanını hem kullanımı sürükleyebilir.

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

5. Üç hızlanma senaryosu: çarpanlardan önce varsayımları okuyun

Raporun aktarımda en çok çarpıtılan kısmı hızlanma çarpanı. Yazarların kendi ifadesiyle bunlar öngörü değil, açıklayıcı senaryolardır. Üçü de tek bir maliyet varsayımı kümesini ve tek bir darboğaz kalibrasyonunu paylaşıyor; yalnızca yapay zekânın fiziksel olmayan işin ne kadarını otomatikleştirdiğinin varsayıldığında ayrılıyorlar.

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

Üç senaryonun varsayımları ve sonuçları (rapordaki rakamlar; çarpanlar çıktıya ya da keşiflere değil araştırma ekibi zamanına ilişkindir).
SenaryoTemel varsayımRaporda belirtilen sonuçNasıl okunmalı
Senaryo 1: mevcut yeteneklerYetenek puanları hangi adımları yapay zekânın devralacağına karar veriyorYapay zekâ araştırma zamanının %27–52’sini alıyor (medyan %38); hızlanma 1,35× (sanat) ile 2,02× (istatistik) arasında; bilgisayar bilimi 1,96×, kimya 1,41×Bugün için üst sınır tahmini; benimseme gecikmesi hâlâ geçerli
Senaryo 2: fiziksel olmayan adımların %75’i otomatikVarsayımsal gelecek; fiziksel adımlar değişmiyorBilgisayar bilimi yaklaşık 8×; istatistik ve kütüphane bilimi yaklaşık 7×; ekonomi yaklaşık 6×; çoğu sosyal bilim, matematik, fizik ve astronomi 4–5×; tezgâh ve tıp bilimleri 2–3×Duyarlılık analizi; fiziksel olmayan zamanın otomatik payı %82 (bilgisayar bilimi) ile %28 (sanat) arasında
Senaryo 3: tüm fiziksel olmayan adımlar otomatikVarsayımsal gelecek; yalnızca fiziksel adımlar ve koordinasyon kalıyorİstatistik, bilgisayar bilimi, ekonomi, matematik, psikoloji, çoğu sosyal bilim, sanat ve beşeri bilimler yaklaşık 15–16×; biyoloji, kimya, malzeme, tarım, biyomedikal bilimler yalnızca 3–4×Bu alanlarda fiziksel adımlar zamanın yaklaşık %40’ı: sert darboğaz

Maliyet varsayımları: yapay zekâ ajanı saati 30 dolar, araştırmacı saati 95 dolar; yapay zekâ, tasarruf edilen her araştırmacı saati için 0,2 saat çalışıyor. Yazarlar buradan tamamen otomatikleştirilmiş bir görevin insan maliyetinin yaklaşık on altıda birine mal olduğunu ve yapay zekâ maliyetinin yarıya inmesinin bu tavanı ikiye katlayacağını türetiyor. Darboğaz yapısı Ahmadpoor ve Jones (2019) ile kalibre edilmiş. Rapor makine ve deney girdilerini, ekip yerine alan düzeyindeki kısıtları, deneyin simülasyonla ikamesini ve fikirlerin kalitesini saymadığını açıkça belirtiyor.

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

Dolayısıyla «bilgisayar bilimi 8×» bir slayda girmeden önce üç şeyi doğrulayın: bu, makale ya da keşif değil ekip zamanı üzerine aritmetiktir; senaryo 2 ve 3 otomasyonun zaten gerçekleştiğini varsayar, modellerin bugün bunu yapabildiğini değil; biyoloji, kimya ve malzemede fiziksel adımlar zamanın kabaca %38–41’ini alır, bu yüzden model ne kadar güçlenirse güçlensin raporun oradaki kendi tavanı 3×–4×’tir.

6. Claude Science örneklemi ve 528 kişilik anket: kendi kendini seçmiş veriyi okumak

Tamamlayıcı Claude Science örneklemi yaşam bilimlerinde yoğunlaşıyor: biyomedikal bilimler %31,1, biyoloji %24,1, tıp ve klinik bilimler %8,7, diğer tüm alanlar %5’in altında, yaşam bilimleri toplamda yarıdan fazla. Claude’a göre protein yapı ve işlev hipotezleri 6,0 kat, protein–protein ve protein–ligand etkileşimlerinin mekanistik modelleri 5,6 kat, ilaç–hedef hipotezleri 5,6 kat daha olası; tersine, iş birlikçilerle koordinasyon 0,15, konferans sunumu 0,2, tür bolluğu ve çeşitliliği analizi 0,23. Fikir üretme Claude Science oturumlarının %8’ini oluşturuyor.

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

Biyoloji ve biyomedikal oturumlar için rapor, kendi «ekonomik ilkeller» çerçevesinden (Appel ve ark. 2026’ya atıfla) üç ölçüyü Claude / Claude Code / Claude Science sırasıyla tahmin ediyor: yapay zekâsız insan zamanı 4,9 / 5,9 / 10,3 saat, doktora düzeyinde içerik %48,0 / %67,7 / %82,7, yüksek yapay zekâ özerkliği %23,7 / %64,1 / %73,3. Claude ve Claude Code’u Claude Science görev karışımına göre yeniden ağırlıklandırmak 5,1 saat, %55,1, %25,2 ve 5,5 saat, %71,8, %61,4 veriyor: fark daralıyor ama kapanmıyor. Yazarlar farkların kısmen ürünü kimin kullandığını yansıtabileceğini, yani bir kendi kendini seçme etkisini yazıyor; üç göstergenin ölçüm yöntemi raporda açıklanmıyor.

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

  • Öz bildirimli kullanım. Fikir üretme: %17 hiç, %53 yardımcı, %24 paylaşımlı. Veri toplama: %20 hiç, %31 yardımcı, %30 paylaşımlı, %14 devredilmiş. Veri analizi: %20 yardımcı, %44 paylaşımlı, %28 devredilmiş. Yazma: %40 yardımcı, %41 paylaşımlı, %13 devredilmiş.
  • Önemli bir sonuç için önem, 100 puan: fikir üretme 35,6, veri toplama 23,6, veri analizi 23,3, yazma 17,5.
  • Yapay zekânın tek başına en iyi araştırmacılara denk gelmesi beklentisi: veri analizinde %38 zaten diyor, %94 2030’a kadar; yazmada %89 2030’a kadar; fikir üretme ve veri toplamada %72’şer 2030’a kadar.
  • İnsan katılımı olmayan tam araştırma projeleri: yaklaşık %40 2030’a kadar, yaklaşık %64 2035’e kadar bekliyor, %16 asla.

Anketi kullanım verisinin yanına koyun; raporun mühendisliğe en elverişli bulgusu ortaya çıkar: araştırmacılar fikir üretmeyi en önemli adım olarak puanlıyor (35,6 puan), oysa fikir üretme en düşük kullanım oranlarından birine (0,59 / 0,30) sahip ve doğrulanması en zor adım. Yüksek değer, düşük kullanım, düşük doğrulanabilirlik: izleyen altı bölüm bir taslak daha üretmek için değil, bu bileşim için tasarlandı.

7. Sorudan izlenebilir kanıta: bir araştırma oturumunun altı halkası

Raporun tartışma bölümü iki baskıyı adlandırıyor. Birincisi, çıktı hacmi arttıkça o çıktıyı doğrulama ve özümseme kapasitesi darboğaz hâline geliyor. İkincisi, Schneider ve ark. (2020)’ye atıfla, ABD’de federal fonlu projelerin baş araştırmacıları araştırma zamanlarının yaklaşık %44’ünü idari gerekliliklere harcıyor. Yapay zekânın bir araştırma sürecindeki doğru yeri bu yüzden «daha fazla sayfa üretmek» değil, «başkasının kontrol edebileceği bir iz bırakmak» olmalı; böylece doğrulama maliyeti çıktıyla birlikte büyümez.

Aşağıdaki zincir rapor içeriği değil, bizim mühendislik önerimizdir. Her ok için dosya düzeyinde kanıt ister: soru aşamasında yazılı bir spesifikasyon ya da ön kayıt; veri için kaynak kayıtları ve hash’ler; analiz için yeniden çalıştırılabilir tek bir giriş noktası ve sabitlenmiş bir ortam; doğrulama için yazardan bağımsız bir inceleme kaydı; metindeki her sayının arkasında bir komut çıktısı; ve her şekil için betik, commit ve rastgele tohuma geri giden bir yol. Claude Code’un en iyi uygulamalar sayfası aynı şeyi kendi alanında söylüyor: Claude’a çalıştırabileceği bir kontrol verin ve «tüm testler geçti» demesini kabul etmek yerine komutu ve çıktısını ya da bir ekran görüntüsünü isteyin.

  • Soru: araştırma sorusunu, dahil etme ve dışlama ölçütlerini ve planlanan analizleri SPEC.md’ye yazın; modelin sonra yaptığı her şey buna göre kontrol edilir.
  • Veri: her ham dosyanın kaynak URL’sini veya toplama tarihini kaydedin, data/SHA256SUMS üretin, ham dizini salt okunur tutun.
  • Analiz: tek bir run.sh her sonucu yeniden üretir; environment.lock bağımlılıkları sabitler; rastgele tohumlar açıkça basılır.
  • Doğrulama: testler analiz kodunu kapsar; kodu yazmamış bir gözden geçiren (bir kişi veya salt okunur bir alt ajan) yeniden çalıştırır ve onaylar.
  • Yazma: makaledeki her sayı bir komut çıktısına karşılık gelir; hakem yanıtları için de aynısı.
  • Köken: figures/PROVENANCE.tsv her şekil için betik, commit ve tohumu kaydeder; REVIEW.md kimin neyi ne zaman yeniden çalıştırdığını.
  1. Soru: dahil etme ve dışlama ölçütleriyle SPEC.md
  2. Veri: kaynak kayıtları + SHA256SUMS
  3. Analiz: run.sh + environment.lock + tohumlar
  4. Doğrulama: testler + bağımsız gözden geçirenin yeniden çalıştırması
  5. Yazma: her sayı bir komut çıktısını gösterir
  6. Köken: PROVENANCE.tsv + REVIEW.md
Bu makalenin önerdiği araştırma oturumu zinciri: her okun klasörde karşılık gelen bir kanıtı olmalı; nihai metin ara adımların yerini tutamaz.

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

8. İşi Claude, Claude Code ve Claude Science arasında bölmek

Raporun verisi her yüzeyin doğal eğilimini zaten gösteriyor: Claude yazmayı, literatürü ve hakem yanıtlarını alıyor; Claude Code veri analizini ve teknik yapıtları; Claude Science en yüksek özerklikle yaşam bilimlerinde yoğunlaşıyor. 08.11.2026’da okunan resmî claude.com/science sayfası Claude Science’ı macOS, Windows ve Linux için açık betadaki bir masaüstü uygulaması olarak tanımlıyor. Sayfa açıkça bunun bir model değil uygulama olduğunu ve planınızın içerdiği Claude modelleri üzerinde çalıştığını söylüyor. Pro, Max, Ultra, Team ve Enterprise planlarında mevcut; Team ve Enterprise yöneticileri önce etkinleştirmeli, ancak bilim insanları için Claude Team planı istisna: orada varsayılan olarak açık ve akademik ile kâr amacı gütmeyen kurumlardaki aktif bilim insanlarına yönelik, uygunluk grubun baş araştırmacısı üzerinden doğrulanıyor.

Claude Science resmî sayfası

Özellikler tarafında sayfa, 60’tan fazla bilimsel veritabanına bağlantı; genomik, tek hücre, proteomik, yapısal biyoloji ve kemoinformatik için analiz uzmanları; ve hatalı atıfları, izlenemeyen sayıları ve altındaki kodla uyuşmayan şekilleri işaretleyen bir arka plan gözden geçireni sıralıyor. Her yapıt onu üreten kodu, çalıştığı ortamı, sade dilde bir açıklamayı ve ona götüren konuşmayı saklıyor. Hesaplama yerel çekirdeklerde, SSH üzerinden bir Slurm kümesinde veya bir Modal hesabında çalışabiliyor. Ham veri kümeleri ve hesaplama seçtiğiniz makinelerde, kümelerde veya bulut hesaplarında kalıyor; ancak istem ve yanıt içeriği Anthropic tarafından standart saklama kapsamında işleniyor ve bazı hassas yaşam bilimi istekleri farklı bir Claude modeli tarafından ele alınabiliyor. Bunların tümü sağlayıcının anlatımıdır; uygulamayı kurmadık ve test etmedik.

Claude Science resmî sayfası

Üç yüzey arasında önerilen iş bölümü («rapora göre özellikler» sütunu rapor verisini kullanır; geri kalanı bizim önerimizdir).
YüzeyUygun araştırma görevleriBir oturumun varsayılan olarak bıraktığıVeri neredeRapora göre özellikler
Claude (Chat / Cowork)Makale taslakları, literatür sentezi, hakem yanıtları, fikirleri düzenlemeKonuşma metni ve yazılı yapıtlar; kod ve veri bunun parçası değilYapıştırdığınız her şey konuşmaya girerYazma ve iletişim %32,0; yazılı yapıtlar %52; yüksek özerklik yalnızca %23,7 (biyoloji)
Claude CodeVeri analizi, görselleştirme, analiz hatları kurma, çalıştırılabilir doğrulamaKomutlar, çıktılar, dosya değişiklikleri; Stop hook’lar ve deny kuralları deterministik sınırlar verirYerel depo; modelin okuduğu her şey konuşmaya girerVeri analizi %48,1; teknik yapıtlar Claude’un yaklaşık iki katı; yüksek özerklik %64,1
Claude Science (beta)Yaşam bilimi analizi, veritabanı araması, gözden geçirenli çok adımlı analizSağlayıcıya göre her yapıt kod, ortam, açıklama ve konuşma taşırHam veri ve hesaplama seçtiğiniz yerde; istem ve yanıtlar Anthropic tarafından işlenirYaşam bilimleri yarıdan fazla; yüksek özerklik %73,3; doktora düzeyinde içerik %82,7

Önce veri sınırına, sonra kanıt ihtiyacına göre seçin. Veri anlaşmaları veya etik inceleme altındaki projelerde her şeyden önce «istem ve yanıt içeriğinin Anthropic tarafından işlenmesinin» izinli olduğunu doğrulayın ve «ham veri yerelde kalır» ifadesini «hiçbir şey yüklenmez» diye okumayın. Çalıştırılabilir kanıtın gerektiği yerde Claude Code kullanın: Stop hook’lar, deny kuralları ve --max-turns dokümantasyonunda deterministik kontroller olarak sınıflandırılır ve modelin bir kuralı hatırlamasına bağlı değildir. Yazma sohbet yüzeyinde kalabilir, ancak her sayı yine analiz klasöründeki bir komut çıktısına kadar izlenebilmelidir. Plan düzeyinde yalnızca sağlayıcının hangi planları listelediğini bilmeniz yeter; ayrıntıları kendi hesabınızdan kontrol edin. Bu makale fiyatları ele almaz.

Claude Science resmî sayfası · Claude Code dokümantasyonu: Best practices

9. Bir araştırma oturumu geride ne bırakmalı: çevrimdışı bir kabul kapısı

7. bölümün altı halkasını var olması gereken beş dosyaya sıkıştırın, sonra bir betikle bunların mevcut ve tutarlı olduğunu kontrol edin. Kapı bilimin doğru olup olmadığını yargılamaz; başkasının onu yeniden çalıştırıp izleyip izleyemeyeceğini yargılar. Elle ya da Claude Code Stop hook’u olarak çalıştırılabilir; orada çıkış kodu 2, Claude’un bitti ilan etmesine izin vermek yerine onu işe geri gönderir.

Claude Code dokümantasyonu: Best practices

Bir analiz klasörünün içermesi gereken kanıt ve nasıl kontrol edildiği (bizim önerimiz).
KanıtDosyaKontrol
Yeniden çalıştırılabilir kodrun.shvar; temiz bir kopyada her sonucu yeniden üretir
Sabitlenmiş ortamenvironment.lockvar; pip, conda veya renv’in dışa aktardığı kesin sürümler
Veri hash’leridata/SHA256SUMSshasum -a 256 --check her dosya için geçer
Şekil kökenifigures/PROVENANCE.tsvher satırın şekli, betiği, commit’i ve tohumu var ve boş değil
Bağımsız incelemeREVIEW.mdgözden geçirenin ne çalıştırdığını söyleyen bir re-ran: satırı içerir
check_analysis.sh: beş kanıt türünün var olduğunu ve uyuştuğunu çevrimdışı kontrol eder; ACCEPT basar, aksi hâlde kod 2 ile çıkar.
#!/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

Kullanım: bash check_analysis.sh <analiz-klasörü>. Bunu asgari bir sentetik klasörde test ettik: beş dosya da mevcut, hash’ler eşleşiyor ve her PROVENANCE satırı tamsa ACCEPT basıyor; boş bir klasörde her eksik öğeyi listeleyip kod 2 ile çıkıyor. Bilerek not defterlerini ayrıştırmaz ve veri içeriğini okumaz; bu, testlerin ve gözden geçirenin işidir. Yalnızca macOS ve çoğu Linux dağıtımıyla gelen bash, shasum ve grep’e bağımlıdır.

10. Kanıt kurallarını CLAUDE.md’ye yazın, sonra Stop hook ile destekleyin

08.11.2026’da okunan Claude Code en iyi uygulamalar sayfası talimatları iki türe ayırıyor. Deterministik olmayanları model okur ve uyup uymamaya kendisi karar verir: istem, CLAUDE.md, skill’ler. Deterministik olanları Claude Code’un kendisi yürütür: hook’lar, deny kuralları, yönetilen ayarlar. Sayfanın pratik kuralı, istisnası olmayan bir satırın CLAUDE.md’ye değil bir hook’a ait olduğu ve Claude’un görmezden gelmeyi sürdürdüğü bir CLAUDE.md satırına tekrar tekrar vurgu eklemenin kendisinin bir sinyal olduğudur. CLAUDE.md yalnızca modelin kodda göremediğini tutmalı; bellek rehberi 200 satırın altında kalmayı öneriyor.

Claude Code dokümantasyonu: Best practices

CLAUDE.md: bir veri analizi projesi için oturum kuralları; yalnızca komutlar, kanıt kuralları ve modelin koddan okuyamayacağı tuzaklar.
# 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".

Aşağıdaki .claude/settings.json üç kuralı deterministik kontrollere dönüştürüyor. Deny kuralları auto ve bypassPermissions dahil her izin modunda geçerlidir; dokümantasyon, bir Read deny kuralının cat gibi yaygın dosya okuma komutlarını da yakaladığını, ancak dosyayı kendisi açan bir betiği yakalamadığını belirtiyor. Bir Stop hook Claude sırasını bitirmeye çalıştığında çalışır; çıkış kodu 2 durmayı engeller ve komutun stderr’e yazdığı her şey henüz bitirememe gerekçesi olarak modele geri döner. Hook dokümantasyonu bir tavan ekliyor: arada araç çağrısı olmadan art arda sekiz engellemeden sonra Claude Code bir sonraki engellemeyi geçersiz kılar ve sırayı bitirir; bu, CLAUDE_CODE_STOP_HOOK_BLOCK_CAP ortam değişkeniyle ayarlanabilir ve hook girdisi asla gerçekleşmeyecek bir koşulda döngüye girmemek için bir stop_hook_active alanı taşır.

Claude Code dokümantasyonu: Best practices · Claude Code dokümantasyonu: Hooks

.claude/settings.json: üç analiz komutunu önceden onaylar, gizli dosyaları okumayı ve ham veriyi düzenlemeyi reddeder; Stop hook testleri, sonra kabul kapısını çalıştırır.
{
  "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"
          }
        ]
      }
    ]
  }
}

Bağımsız inceleme salt okunur bir alt ajana verilebilir. Alt ajan dokümantasyonu tanımları .claude/agents/ altına koyuyor; YAML ön bilgisinde yalnızca name ve description zorunlu, tools virgülle ayrılmış bir liste kabul ediyor; Write ve Edit’i dışarıda bırakmak dosya değiştiremeyen bir gözden geçiren verir. Ayrıca ana konuşma bypassPermissions, acceptEdits veya auto modunda çalışırken alt ajanın permissionMode’unun yok sayıldığı uyarısını yapıyor; bu yüzden tools’u kısıtlamak daha güvenilir kontroldür. En iyi uygulamalar sayfasının ilgili önerisi /code-review: konuşmanızı hiç görmemiş yeni bir alt ajanda diff’i inceler ve kodu üreten akıl yürütmeden etkilenmez.

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

.claude/agents/analysis-reviewer.md: kapıyı yeniden çalıştıran ve rapordaki her sayıyı izleyen salt okunur gözden geçiren alt ajan.
---
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. Literatür tarama ve kaynakça: çıktı şemasını sabitleyin, biçimleri çevrimdışı kontrol edin

Rapor literatür incelemesinin Claude’da ikinci en yaygın görev (%6,8) olduğunu gösteriyor. Denetlenebilir bir tarama iki şey ister: modelin çıktısı sabit bir yapıya uymalı ve her karar, özette onu belirleyen cümleyi alıntılamalı. 08.11.2026’da okunan Claude Code programatik kullanım sayfası mekanizmayı veriyor: claude -p etkileşimsiz çalışır, --output-format json ile --json-schema yapılandırılmış çıktıyı structured_output alanında döndürür ve model reddederse ya da geçerli bir şey üretmezse bu alan yoktur; dolayısıyla betik onu kontrol etmelidir. --bare hook’ları, skill’leri, eklentileri, MCP sunucularını ve CLAUDE.md’yi atlar; böylece aynı komut her makinede aynı davranır, ancak abonelik oturumunu kullanmaz ve ANTHROPIC_API_KEY gerektirir; --permission-mode dontAsk aksi hâlde soracak her şeyi reddeder; --max-turns çalışmayı sınırlar; boru ile verilen girdi 10 MB ile sınırlıdır.

Claude Code dokümantasyonu: programatik çalıştırma (claude -p)

Bir özeti sabit bir şemaya göre tarayın; her çalıştırmada bir kayıt, böylece paralel ve tekrar çalıştırılabilir. Bu komutu çalıştırmadık (ücretli API erişimi gerektirir).
# 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"}'

Tasarımın gerekçesi: quote alanı gözden geçirenin bir yes’e güvenmek yerine her kararı özetle karşılaştırmasını sağlar; unknown açık bir değerdir ve bilgi eksikken modelin tahmin etmesini engeller; kayıt başına tek çağrı paralel çalıştırmaya ve yalnızca başarısız olanları yeniden çalıştırmaya izin verir. Bu komutu çalıştırmadık; API anahtarı gerektirir ve maliyet doğurur; her bayrağın varlığını ve anlamını dokümantasyonla kontrol ettik. Bayrak adları sürümler arasında değişebilir; çalıştırmadan önce güncel programatik kullanım ve CLI referans sayfalarıyla doğrulayın.

Claude Code dokümantasyonu: programatik çalıştırma (claude -p)

verify_refs.py: bir kaynakça CSV’sinde DOI söz dizimi, yinelenenler ve yılların çevrimdışı kontrolü; DOI’leri asla çevrimiçi çözmez.
# 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 yalnızca biçim düzeyinde çalışır: bir DOI 10. ve bir kayıt sahibi önekiyle başlar, https://doi.org/ ve doi: kaldırılıp küçük harfe çevrildikten sonra benzersizdir ve yıl dört basamaklıdır. Bilerek çevrimdışı kalır: DOI çözme, her biri için HTTP durumunu ve tarihi kaydeden ayrı, günlüklenen bir adım olmalıdır. Dört satırlık sentetik bir CSV’de test ettik: biri geçerli, biri yalnızca büyük/küçük harf ve önekle ayrılan ilkinin kopyası, biri DOI’siz, biri bozuk DOI’li ve iki basamaklı yıllı. 1 benzersiz düzgün DOI ve 4 sorun bildirdi ve kod 1 ile çıktı.

12. Raporu okuduktan sonra bir araştırmacının vereceği dört karar

Birincisi, yapay zekâyı bir taslak daha yerine fikir üretme ve veri toplamada pilotlayın. Rapor bunların araştırmacıların en önemli saydığı (35,6 ve 23,6 puan) ve en düşük kullanım oranına sahip adımlar olduğunu gösteriyor; oradaki deneyler en çok getiriyi sağlar ve hatalar en zor fark edildiği için 7. bölümdeki kanıt zincirine en çok orada ihtiyaç var. İkincisi, yüzeyi veri sınırına göre seçin: özellikleri konuşmadan önce kurumunuzun veri anlaşmalarının istem ve yanıt içeriğinin sağlayıcı tarafından işlenmesine izin verdiğini doğrulayın.

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

Üçüncüsü, her projeye bir kabul kapısı ve kodu yazmamış bir gözden geçiren verin — bir meslektaş ya da salt okunur bir alt ajan; 9. ve 10. bölümlerdeki betikler hesap gerektirmeden çalışır. Dördüncüsü, raporun çarpanlarını ekip zamanı aritmetiği olarak ele alın: senaryo 1’in 1,35×–2,02×’i mevcut yetenek için bir üst sınır tahmini, senaryo 2 ve 3 duyarlılık analizleri, ıslak laboratuvar alanlarındaki 3×–4× tavanı ise fiziksel adımların zamanın yaklaşık %40’ını almasından çıkıyor.

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

Akademik ya da kâr amacı gütmeyen kurumlardaki okurlar için Anthropic’in raporla ilgili iki açık giriş noktası var. 5 Mayıs 2025’te duyurulan AI for Science programı, araştırma kurumlarına bağlı ve yüksek etkili projelerde çalışan araştırmacılara biyoloji ve yaşam bilimleri odağıyla API kredisi sunuyor; başvurular çevrimiçi bir formla yapılıyor ve Anthropic ekibi alan uzmanlarıyla birlikte değerlendiriyor; sayfa kredi tutarı ya da son tarih vermiyor. anthropic.com/science sayfası Anthropic’in bilim blogunu topluyor; örneğin 04.11.2026 tarihli vault parçacığı yapısı ve 04.09.2026 tarihli Fermat’ın Son Teoremi’nin biçimselleştirilmiş kanıtı. Bunlar sağlayıcının göstermeyi seçtiği örneklerdir ve okuma kuralı raporla aynıdır.

Anthropic: AI for Science programı duyurusu (05.05.2025) · Anthropic Science sayfası ve bilim blogu dizini

Doğrulamadıklarımız: raporun sınıflandırıcılarını yeniden üretmedik ve altta yatan oturum verisine erişimimiz yok; dolayısıyla her rakam yayımlanan metinden bir aktarım ya da yeniden hesaplamadır; Claude Science’ı kurmadık ve denemedik, her özellik açıklaması sağlayıcının sayfasından geliyor; claude -p örneği çalıştırılmadı, yalnızca bayrak bayrak dokümantasyonla kontrol edildi; üç betik yalnızca yerel sentetik fixture’larda çalıştı, hiçbir zaman gerçek araştırma verisinde değil; Claude Code dokümantasyonu 08.11.2026’da okundu ve bayrak adları ya da varsayılanlar sürümler arasında değişebilir.

Bu makale bir Anthropic araştırma raporunu ve herkese açık dokümantasyonu inceler. Claude abonelikleri, Claude Science plan gereksinimleri ve bu sitenin ürünleri ayrı defterlerdir. Bu site ile Anthropic arasında herhangi bir ilişki çıkarmayın ve raporun çarpanlarını herhangi bir ürün hakkında bir vaat olarak okumayın.