Claude Science是Anthropic于2026 年6月30日发布的科研AI工作台,目前处于公测阶段,支持macOS和Linux,面向 Pro/Max/Team/Enterprise用户开放。Anthropic明确说明这不是一个新模型,也没有针对生物学做专门强化,运行的是包括 Opus 4.8在内的公开Claude模型。产品本身是一层应用层基础设施:数据库连接器、计算调度、多Agent协作、制品溯源。本文从技术架构和Agent设计模式的角度,拆解这套系统是怎么实现的。
1
整体分层
系统可以拆成三层来看:模型层、Agent基础设施层、科研应用层。模型层与claude.ai、Claude Code共用同一批Claude模型,不做区分。Agent基础设施层是 Skills、Subagents、MCP、权限审批系统这套范式,与Claude Code同源,此前已经在编程场景验证过。科研应用层是Claude Science新增的部分:60+数据库连接器、计算供给抽象、制品溯源、独立的审阅Agent。理解这个分层关系,有助于判断哪些能力是通用的Agent基础设施能力,哪些是针对科研场景做的专门工程。
2
Agent设计模式
Claude Science在架构上没有采用单一 Agent完成全部工作的模式,而是组合了几种可复用的 Agent 设计模式。这一节逐个拆解。
协调者-执行者模式(Orchestrator-Worker)
用户的自然语言请求先到达一个通用的协调Agent。协调Agent负责任务分解、技能路由、决定是否需要派生新的子Agent、以及是否需要申请计算资源。真正的领域分析执行,交给绑定了具体技能集的专家子Agent完成——基因组学、单细胞分析、蛋白质组学、结构生物学、化学信息学等每个领域对应各自的技能包和数据库连接器。这个模式的价值在于职责分离:协调层处理的是任务规划和资源调度,不直接触碰领域细节;执行层专注单一领域,上下文更干净,工具权限也可以按领域收窄。
生成器-评审者模式(Generator-Critic)
系统里还存在一个独立于执行链路的审阅 Agent,专门核查协调Agent和专家子Agent产出的结论:引用是否可查、数字是否能追溯到执行记录、图表是否与生成它的代码一致。这是一个典型的actor-critic结构——生成内容和核查内容是两次独立的模型调用,而不是同一个Agent自我复核。艾伦研究所(Allen Institute)的神经科学家 Jérôme Lecoq用Claude Science构建的文献综述流水线是这个模式的一个具体实现:约20 个自定义技能,子Agent批量读取论文并抽取核心结论和量化数据存入证据数据库,另一批 Agent按章节撰写综述正文,而审阅 Agent 负责核对每一条引用和数据的准确性。据反馈,这类工作以前团队需要两年时间,现在产出量提升到十余篇、部分超过百页,且引用经过审阅 Agent复核。
技能的渐进式加载模式(Progressive Disclosure)
60+个领域技能不是一次性加载进Agent 的上下文,而是采用渐进式加载:技能的名称和描述常驻上下文,只有匹配到具体任务时才拉取完整的技能内容(指令、脚本、参考文档)。这个模式沿用了Claude Code的Skills机制——技能以文件夹形式组织,包含 SKILL.md(YAML frontmatter + 说明)和可选的脚本、参考资料,能跨Claude.ai、Claude Code、API复用,而不需要为每个场景重新写 system prompt。
子 Agent 动态派生
协调Agent可以在运行时派生新的子 Agent,子Agent之间也可以互相协作,用户创建的自定义专家Agent同样能被纳入这套协作结构。这使得系统的能力边界不是在设计阶段被写死的,而是可以随任务复杂度动态展开。
3
执行环境架构:控制面与数据面分离
这是整个系统里工程含量最高的部分。一支专门做HPC基础设施咨询的团队(BioTeam)在产品上线当天拿到测试权限后,对内部技能文档做了拆解,揭示出Claude Science把执行环境切分成两个平面。数据内核(python / r / bash)负责准备分析所需的输入数据,只能访问host.artifacts、host.lineage、host.llm这类工具,没有 host.compute、没有host.mcp。控制平面(repl)才持有host.compute.*(作业调度)、host.mcp(...)(连接器调用)、host.model_endpoints.*、host.agents.*等能力。两个平面共享同一个 workspace目录,但不共享内存——数据要在两者之间传递,需要落地成文件(例如 ./handoff/result.json)。这个切分的原因是权限边界:提交一个远程作业需要打开SSH连接、弹出用户审批弹窗,这个动作只能发生在编排层自己的可信进程里,不能发生在执行用户或模型生成代码的沙盒里。如果计算调度能力直接暴露在数据内核里,任何异常的代码输出(包括潜在的 prompt 注入)理论上都有机会触达真实计算资源和账单,这是一条明确的安全边界,而不是靠 prompt 层面的约束来维持。
4
计算供给抽象层
控制平面对接的计算资源分为三类原生 provider,加一个正交的连接器(MCP)平面。所有远程计算共享同一套作业生命周期:提交(submit_job)后立即返回,不阻塞当前内核;作业可以运行数小时甚至更久;后台轮询器收集输出并触发compute_done通知。这个异步模式意味着长时间运行的分析不需要占用交互会话。输入通过 inputs参数分三种方式暂存(工作区文件、已有制品、远程已有的大文件走remote_path避免重复传输),输出通过outputs参数按glob匹配并标记可见性(featured / hidden),超过约100MB的文件默认保留在远程主机,只记录路径。计算资源的接入是用户侧动作,Agent不能自行注册新主机。首次接触一台主机时,系统会执行一次性的只读探测(CPU、GPU、调度器类型、已装模块、scratch 目录等),并记录进 compute_details——这是唯一跨会话、跨项目持久化的主机级状态,区别于作业输出(存入制品)和内核内变量(会话结束即清除)。每一次未被设为永久允许的计算调用都会弹出审批卡片,单轮对话上限 10 张,配合set_concurrency_limit控制并发作业数上限。
5
制品溯源与可复现性
每一次输出——图表、表格、notebook——都会绑定四项溯源信息:生成它的确切代码、运行环境快照、自然语言描述、完整对话历史。这个绑定发生在生成时,而不是事后补充,目的是让分析在数月后仍可被验证和复现。用户可以用自然语言要求修改图表(例如去掉网格线、把纵轴改成对数坐标),Agent会修改生成该图表的代码本身并重新执行,而不是生成一张视觉上相似但缺乏溯源的新图。系统还支持在任意节点fork会话,用于并行比较不同分析路径,而不丢失原始对话线程。审阅Agent在分析流程运行过程中持续检查输出,标记无法追溯到证据的结论、引用问题、以及图表与底层代码不一致的情况。
6
生态集成:NVIDIA BioNeMo Agent Toolkit
领域专用模型这部分,Claude Science没有自建,而是原生对接了 NVIDIA的BioNeMo Agent Toolkit。这套工具把Evo 2(基因组)、Boltz-2和 OpenFold3(蛋白质结构预测)等开放模型,连同 Parabricks(基因组分析加速)、RAPIDS-singlecell(单细胞分析加速)、nvMolKit(化学信息学加速)等库,打包成Agent可调用的技能。这些模型部署为容器化的NIM微服务，Agent面对的是统一稳定的 API，底层是本地部署还是云端托管对Agent透明。BioNeMo Agent Toolkit本身是开源的,并且明确设计为与具体Agent框架无关——同一套技能可以插入Claude Code或其他Agent系统,不是 Claude Science独占的集成。这与前文的分层判断一致：Claude Science的工程投入集中在协作、执行和溯源这几层,领域模型能力通过标准化的技能接口引入,而不是重新训练。
7
设计小结
这套组合并非Claude Science独有的发明,其中大部分模式(Orchestrator-Worker、Actor-Critic、渐进式加载)在通用Agent系统设计中已有先例，Claude Science的工程价值在于把它们和科研场景的具体约束——计算资源异构、数据敏感、结果需要经得起同行审查——组合到了一起,并且做了控制面/数据面这样的安全边界设计。这部分对构建其他领域的专业Agent系统具备直接的参考价值。
基于文章中所使用的先进技术，包括深度学习，联川生物为您提供最前沿的生物分析解决方案。联川生物的专业团队将这些先进技术与丰富的经验相结合，为您提供高效、精准的服务。无论您的需求是基础研究还是临床诊断，我们都能够为您提供量身定制的解决方案。选择联川生物，让您的研究获得最新科技的支持，开创更广阔的科学道路。
