ClaudeScience笔记
它的核心组成是：
Claude 模型
- agent 调度能力
- 本地代码执行环境
- 科学数据库/工具连接
- 远程算力连接
- 结果可追溯系统
- 权限/隐私控制
一个能帮科研人员完成一整条工作流的系统。
第 2 步：产品壳，Project / Session / Workspace第 2 步：产品壳，Project / Session / Workspace
Project
├── Sessions
├── Artifacts
├── Project instructions
├── Permissions
├── Connected folders / files
└── 可能还有 memory / specialists / settings
其中最核心的是session：
Session 是“干活的过程”
一次对话
一次分析链
一次任务执行记录
一次 workspace
Workspace = 这条工作链的本地工作目录。
一个project就是一个项目 ，一个项目中会有很多 session（对话和记录/推理链），一个 session中对应有一个workspace（存放）
完整链路合起来是这样
第 1 步：Coordinating Agent 先理解任务
总协调 agent 会先判断这个任务包含什么：
这是单细胞分析任务
需要读本地数据
需要 Python 或 R 环境
可能要用 scanpy / Seurat
需要做 QC、聚类、T 细胞筛选、差异分析
最后要生成 artifact：UMAP 图、marker gene 表、分析报告
它可能先给一个 plan：
计划：
- 读取 h5ad / mtx 数据
- 检查 metadata 里 treatment/control 分组
- 做 QC
- 标准化和降维
- 聚类并识别 T 细胞
- 比较治疗组和对照组 T 细胞状态
- 生成 UMAP 图和 marker gene 表
- 保存 artifact
- 运行 reviewer 检查结论
然后它会问权限：
是否允许读取 D:/lab/lung_cancer_scRNA/？
是否允许在本 session workspace 中写入分析文件？
是否允许运行 Python 代码？
这就是 coordinating agent 在调度。
———
第 2 步：Delegation 拆任务
如果任务复杂，它可能把任务拆成几条 track：
Track A：数据读取和 QC
Track B：细胞类型注释
Track C：治疗组 vs 对照组差异分析
Track D：图表和报告生成
每条 track 做不同事情。
比如：
Track A：
- 读 h5ad
- 检查细胞数、基因数、线粒体比例
- 输出 QC summary
Track B：
- 聚类
- 根据 marker gene 标注 T cell / B cell / myeloid
- 筛出 T cell
Track C：
- 对 T cell 做 treatment vs control 比较
- 找 exhausted T cell markers
- 输出差异基因表
Track D：
- 生成 UMAP
- 生成 marker gene heatmap
- 写一段汇报解释
Delegation 的价值是：
不是一个人按顺序慢慢做，而是把任务并行拆开。
———
第 3 步：Specialist Agents 介入
这时候 coordinating agent 可能会叫一个：
single-cell specialist
这个 specialist 的作用不是“另一个聊天机器人随便说”，而是带有单细胞分析 SOP。
它会更偏向这样做：
- 检查每个细胞的 gene count
- 检查 mitochondrial percentage
- 过滤低质量细胞
- normalize
- log transform
- 找 highly variable genes
- PCA
- neighbors
- UMAP
- Leiden clustering
- marker gene annotation
- treatment/control comparison
如果是普通模型，可能会漏步骤。
Specialist 的价值是：
让任务按领域规范走，而不是临时发挥。
———
第 4 步：Tools / 本地执行开始干活
接下来真正执行。
Claude Science 会在这个 Session 的 Workspace 里写代码，比如：
workspace/
├── load_data.py
├── qc_analysis.py
├── cluster_cells.py
├── tcell_analysis.py
├── figures/
│ ├── umap_treatment_control.png
│ └── tcell_markers_heatmap.png
└── outputs/
├── marker_genes.csv
└── qc_summary.csv
然后它会在本机 Python kernel 里跑：
import scanpy as sc
adata = sc.read_h5ad(“input/lung_cancer.h5ad”)
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.normalize_total(adata)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata)
sc.tl.pca(adata)
sc.pp.neighbors(adata)
sc.tl.umap(adata)
sc.tl.leiden(adata)
这里它已经不是聊天了，而是在实际执行代码。
———
第 5 步：如果需要查外部知识，调用 connector
比如它要确认 T 细胞 marker gene：
CD3D
CD3E
TRAC
PDCD1
CTLA4
LAG3
HAVCR2
GZMB
IFNG
它可能会调用公共数据库 connector：
UniProt
Reactome
OpenAlex / PubMed
其他生命科学数据库
用途是：
确认 marker gene 含义
补充 pathway 解释
查 exhaustion markers 的文献依据
也就是说：
本地数据分析 + 外部知识查询
结合起来。
———
第 6 步：生成 Artifacts
跑完以后，它不会只说“分析完成”。
它会保存几个正式结果对象：
Artifact 1：UMAP 图
Artifact 2：T cell marker gene 表
Artifact 3：QC summary 表
Artifact 4：简短分析报告
这些 artifact 和普通文件的区别是：
可以直接查看
有版本
知道是哪些代码生成的
知道运行环境
知道执行日志
可以被 reviewer 检查
比如 UMAP 图的 provenance 里可能有：
生成它的用户请求
生成它的 Python 代码
运行日志
scanpy 版本
输入数据路径
生成时间
reviewer 检查结果
———
第 7 步：Reviewer 检查
最后 reviewer 来检查 Claude 的结论。
Claude 可能写：
治疗组 T 细胞显示更强的 exhaustion 特征，
PDCD1、CTLA4、LAG3 在治疗组中上调。
Reviewer 会看：
代码是否真的做了 treatment vs control？
metadata 里是否真的有 treatment/control？
PDCD1、CTLA4、LAG3 是否真的上调？
p 值和 logFC 是否支持？
图表是否对应正确分组？
有没有代码报错？
如果发现问题，它可能指出：
Warning:
结论中说 LAG3 显著上调，但 marker_genes.csv 中 adjusted p-value = 0.12，
不应称为显著上调。
这时候 Claude 应该改成：
PDCD1 和 CTLA4 在治疗组显著上调；
LAG3 有上调趋势，但未达到显著性。
这就是 reviewer 的价值。
————---------------------------
用户：
帮我分析肺癌单细胞数据
↓
Coordinating Agent：
理解任务，制定计划，请求权限
↓
Delegation：
如果任务复杂，它可能把任务拆成几条 track：
（把可上一层给他的可认为并发的任务拆出来）
拆成 QC、注释、差异分析、图表报告几条线
↓
Specialist Agent：
↓
Specialist Agents 介入
这时候 coordinating agent 可能会叫一个：
如果是普通模型，可能会漏步骤。
Specialist 的价值是：
让任务按领域规范走，而不是临时发挥。
Tools / Runtime：
在本地 workspace 里写 Python/R，跑 scanpy/Seurat
↓
Connectors：
必要时查 marker gene、pathway、文献数据库
↓
Artifacts：
保存 UMAP 图、marker 表、QC 报告、分析报告
↓
Reviewer：
检查文字结论是否被代码、表格、图表和执行日志支持
↓
用户：
查看结果、要求改图、继续追问