夜雨聆风6 月 30 日，Anthropic 发布了 Claude Science。对科研工作者来说，这条新闻最重要的不是“又多了一个 AI 产品”，而是一个更清楚的信号：AI 科研工具正在从聊天框，变成研究工作台。
先说结论：这件事不需要普通科研人马上去追 Claude Science，但需要立刻改变使用 AI 的方式。以后不要只把 AI 放在最后一步润色、总结、生成初稿，而应该把它放到更前面：拆研究问题、整理文献、建立 evidence table、检查引用和证据边界。
这才是 AI 对科研工作者真正有价值的地方。它不是替你跳过判断，而是帮你把原本分散、耗时、容易漏掉的判断过程，变得更快、更清楚、更容易复核。
Anthropic 官方发布 Claude Science，重点是 AI workbench，而不是单次聊天
01
这件事和科研人有什么关系
Claude Science 的官方定位是 AI workbench for scientists。它强调的不是“回答一个科研问题”，而是整合科研常用工具、packages、计算资源，并生成可审计的 artifacts。Modal 的介绍也提到，研究者可以从 Claude 对话里运行数据处理 pipeline、结构预测模型、分子设计任务等计算工作负载。
换句话说，它瞄准的不是单次问答，而是科研中间过程。对普通科研写作者来说，直接启发是：AI 不应该只在最后帮你写正文，它应该更早参与证据组织。 写论文之前要先拆问题、找文献、判断证据能支持什么，再进入写作。
Modal 对 Claude Science 的介绍：从对话里运行计算工作负载
02
现在很多人用 AI 的顺序是反的
现在最常见的用法是：先让 AI 写一段 introduction 或 discussion，再让它补参考文献，最后自己检查哪里不对。这个顺序看起来快，但风险很高，因为正文先成型以后，后面很容易变成“给已有观点找证据”。
科研写作真正需要的顺序应该反过来：先明确研究问题，再拆成几个 claim，然后为每个 claim 找候选文献，抽出 evidence sentence，判断 support level，最后再生成段落。这样 AI 写出来的文字不是凭空变顺，而是基于一张已经整理过的证据表。
AI 科研写作最大的风险，不是写得粗糙，而是写得很像论文，但证据链断了。 句子越顺，越容易让人放松警惕；引用越像真的，越需要检查它到底支不支持正文里的判断。
错误顺序和推荐顺序的差别：先生成正文，还是先建立证据链
03
可以直接照着做的最小流程
如果你正在写开题、Introduction、Discussion 或文献综述，可以先用一个最小流程替代“一键生成全文”。第一步，不要输入“帮我写一段”，而是输入具体研究问题，例如“GLP-1 受体激动剂对无糖尿病成人肥胖人群的长期体重控制和心血管结局有什么影响？”这一步先把人群、干预、结局和边界说清楚。
第二步，让 AI 把研究问题拆成 claim。比如疾病负担、机制假说、临床获益、不良反应、证据不足、未来研究方向，这些不能混在一起找文献。第三步，为每个 claim 建 evidence table，至少包含 claim、paper、population、outcome、evidence sentence、support level。
第四步，再让 AI 根据 evidence table 写段落。强支持的地方可以表达明确，部分支持的地方要谨慎，只有背景相关的文献不能拿来支撑因果结论。第五步，做 citation audit，检查每个关键引用是否真实存在、是否匹配正文、有没有把结论写过头。
给科研工作者的 AI 提效清单：先证据表，再生成正文
04
AI 科研工具以后会分成两类
Claude Science 这类产品会抬高大家对 AI 科研工具的期待。第一类工具是普通生成工具，能总结、润色、改写、扩写、生成初稿。这类能力短期有用，但长期会越来越像基础功能，因为大模型本身会持续增强。
第二类是工作流工具。它们不只生成文字，而是进入具体科研任务：拆研究问题、找文献、判断证据是否匹配、做纳排记录、整理数据提取表、检查引用真假、生成可回查的综述初稿。真正有长期价值的 AI 科研工具，不是替研究者假装完成科研，而是帮研究者更快完成那些必须认真做的步骤。
这也是 LitSource / LitSynth 要坚持的方向。LitSource 更适合放在写作前后两端：写作前给观点找文献，写作后检查参考文献真假和 claim-paper 是否匹配。LitSynth 更适合放在中间流程：从研究问题出发，检索和筛选文献，整理 evidence table，再基于证据链生成综述初稿。
05
最后记住一句
Claude Science 值得关注，但科研工作者最该学的不是这个产品本身，而是它背后的使用方式：把 AI 放进科研工作流，而不是只放在最后润色。
以后用 AI 写论文，不要只问“能不能帮我写快一点”。更应该问：它能不能帮我更快整理文献？能不能帮我判断证据？能不能让我回查每个引用？能不能减少投稿前才发现参考文献和正文对不上的情况？
如果一个 AI 工具只能让文字更顺，它的价值会越来越有限。如果它能让科研过程更清楚、更可追溯、更容易复核，它才真正能提高科研效率。
如果你也在写论文、做课题、准备 Meta 分析或想提升科研效率，欢迎关注这个号。我会持续分享医学科研写作、文献检索、Meta 分析、AI 科研工具和可直接上手的论文工作流。
litsource.net 这是我自己做的一个科研工具；我会持续迭代；如果你正在写论文/补引用/查假文献，可以试试；也欢迎给我反馈。
参考：
Anthropic: Claude Science, an AI workbench for scientists
Modal: Anthropic integration with Modal brings scalable compute to Claude Science
TechCrunch: Claude Science bets on workflow, not a new model
