导语Claude Science 最值得关注的地方不是 Claude 又会了一点科学而是它把科研工作流产品化了数据、代码、计算、图表、论文、审稿意见和溯源记录必须连成一条链。问题也随之出现这样的科学工作台底层需要什么样的数据基础设施我的判断是它需要的不是更多搜索接口而是一层统一治理过的、可被 Agent 直接消费的科学证据数据层。正文Claude Science 的真正信号实验笔记本正在变成产品如果把 2026 年 6 月 30 日开放测试的 Claude Science 只看成“一个更懂科学的 Claude”就低估了它的产品含义。它更像是一本新型实验笔记本研究人员提出问题系统连接数据库调用代码环境运行分析生成图表保存产物并把自然语言解释、代码、环境、文件和对话记录放进同一条工作链路里。这件事的重点不是“AI 能不能回答生物学问题”。通用模型早就能生成看起来合理的解释。真正关键的是当研究人员要从原始数据走到图表、手稿和审稿意见时每一步能不能留下可检查的记录。这也是 Claude Science 这类产品带来的行业信号科研 AI 的竞争正在从“谁更会回答”转向“谁能把可信数据、专业工具、计算资源、溯源记录和人类判断连成工作流”。但这也暴露出一个更底层的问题如果下游工作台要连接 60 多个科学数据库要调用不同 subagent 处理论文、基因组、蛋白质、分子、图表、PDF 和代码那么它不可能长期靠每个 Agent 自己临时拼接数据源。它需要一个被统一接入、统一治理、统一结构化、统一证据化的数据层。这就是 Sciverse 可以切入的位置。Claude Science 是下游工作台Sciverse 是上游证据可以把两者放在不同层级理解层级代表形态核心问题下游应用层Claude Science、Cursor、Claude Desktop、Codex、MCP Client研究人员如何提出任务、运行分析、生成产物、审查记录Agent 编排层多个 subagent、tool calling、MCP server、workflow engine谁去检索、谁去筛选、谁去读全文、谁去取图表证据数据层Sciverse异构科学数据如何变成 Agent 可引用、可追溯、可组合的 evidence原始来源层bioRxiv、OpenAlex、PMC、Crossref、PubMed 等数据分散、字段不一、权限不同、全文与元数据割裂Claude Science 这类产品解决的是“科学工作台”的问题。Sciverse 更适合解决它下面一层的问题把分散的科学数据源整理成 AI-ready evidence。这里的 AI-ready 不是一句营销词它至少包含五件事数据源被统一接入而不是每个 Agent 单独写爬虫或适配器。元数据被规范化作者、年份、期刊、DOI、来源、引用等字段能被结构化查询。原文被切成可引用 chunk而不是只返回论文标题或摘要。chunk 能通过doc_id offset回到原文上下文。论文里的 Figure / Table 资源能在需要时继续被读取。换句话说Sciverse 不应该被包装成“又一个文献搜索 API”。它更像是科研 Agent 的可信证据数据层。为什么下游科学工作台不能直接面对所有数据源以 bioRxiv、OpenAlex、PMC 为例它们各自都很重要但它们给 Agent 带来的数据形态并不一样。数据源强项对 Agent 的挑战bioRxiv生物学预印本适合追踪最新研究预印本状态、版本、正文结构、引用可靠性需要额外治理OpenAlex大规模开放学术图谱works、authors、sources 等元数据丰富更偏 metadata 和 graph全文 evidence chunk 不是核心公开链路PMC生物医学与生命科学全文开放档案适合获取可读全文XML、全文结构、图表资源、许可证和可用性需要解析与治理CrossrefDOI、出版与注册元数据基础设施非全文证据层适合做 DOI 与出版元数据对齐PubMed生物医学文献索引和检索基础设施检索与索引强但 Agent 仍需要额外链路读上下文和证据如果下游产品让多个 subagent 直接面对这些源系统很快会变复杂一个 subagent 查 OpenAlex 拿 metadata。一个 subagent 查 PMC 读全文。一个 subagent 去 bioRxiv 找预印本。一个 subagent 解析 PDF 或 XML。一个 subagent 找 Figure / Table。一个 subagent 再把这些结果合并成手稿证据。这套架构能跑 demo但长期会遇到三个问题字段不可比不同来源的 title、author、journal、date、DOI、license、version 字段不一致。证据不可追溯metadata 能告诉你论文存在却不一定告诉你结论来自原文哪一段。工作流不可审计Agent 最后写出的结论很难回看它到底用了哪个来源、哪个 chunk、哪个上下文和哪张图。所以 Sciverse 的价值不是替代所有数据源而是把这些源治理成下游 Agent 能用的统一证据接口。Sciverse 的五个接口如何承接这类工作台Sciverse 当前最重要的不是单个搜索框而是五个接口组成的证据链。接口作用在 Claude Science 类工作台中的角色agentic-search自然语言语义检索返回可引用 evidence chunk让科研 Agent 直接获得可引用证据而不是只拿论文列表meta-search结构化元数据检索支持作者、年份、期刊、学科等筛选构建候选论文池、筛选方向、补齐 DOI/年份/期刊等信息meta-catalog查看可用元数据字段给筛选 UI、subagent planner、自动查询生成器提供字段目录content按doc_id offset读取原文上下文把命中 chunk 放回原文语境减少断章取义resource读取论文内 Figure / Table 图片资源给多模态科研 Agent 提供图表证据与实验结果材料推荐链路可以这样理解Claude Science / Cursor / Claude / Codex / MCP Client ↓ Research Workflow Orchestrator ↓ 多个 subagent检索、筛选、读全文、取图表、核查引用 ↓ Sciverse Evidence Layer ↓ agentic-search - meta-search - content - resource ↓ bioRxiv / OpenAlex / PMC / Crossref / PubMed / 其他科学数据源在这个架构里Sciverse 不是最终写结论的 Agent。它负责把证据整理成下游 Agent 能够安全使用的形态。这点很重要科学结论仍然要由研究人员判断Sciverse 提供的是证据、上下文、元数据和资源入口。从“多源检索”到“Evidence Pack”对科研 Agent 来说真正好用的返回结果不应该只是一组链接而应该是一个 Evidence Pack。一个最小 Evidence Pack 可以包含字段说明query原始研究问题doc_idSciverse 内部文档标识title论文标题doiDOI若可用year发表年份若可用venue期刊或来源若可用chunk命中的 evidence chunkoffsetchunk 在文档中的位置page页码若可用context通过content扩展出的原文上下文resourcesFigure / Table 资源若可用provenance来源、调用链、时间戳、接口记录这才是下游科学工作台真正需要的东西。因为 Claude Science 类产品最终要做的不是“搜索一下”而是把证据带入分析、图表、手稿和审稿流程。一句话概括下游工作台负责让科学家完成任务Sciverse 负责让 Agent 拿到可检查的科学证据。一个可改造的最小调用示例下面的 Python 示例展示如何把 Sciverse 当成 Evidence Pack 层来用先用agentic-search找 evidence chunk再用content读取上下文。如果上下文里有 Figure / Table 资源引用再用resource获取资源。importosimporttimeimportrequests BASE_URLhttps://api.sciverse.spaceAPI_KEYos.environ.get(SCIVERSE_API_TOKEN)ifnotAPI_KEY:raiseRuntimeError(Missing SCIVERSE_API_TOKEN)headers{Authorization:fBearer{API_KEY},Content-Type:application/json,}defrequest_json(method,path,**kwargs):responserequests.request(method,f{BASE_URL}{path},headersheaders,timeout60,**kwargs,)ifresponse.status_code429:raiseRuntimeError(Rate limited by Sciverse API. Retry with exponential backoff.)response.raise_for_status()returnresponse.json()research_question(What evidence supports using foundation models for protein structure or molecular design workflows?)search_resultrequest_json(POST,/agentic-search,json{query:research_question,top_k:5,source_types:[pdf,web],mode:balanced,},)hitssearch_result.get(hits)orsearch_result.get(results)or[]ifnothits:raiseRuntimeError(No evidence returned. Check query or latest API docs.)first_hithits[0]doc_idfirst_hit.get(doc_id)offsetfirst_hit.get(offset,0)ifnotdoc_id:raiseRuntimeError(Search hit does not include doc_id. Verify response schema in latest docs.)content_resultrequest_json(GET,/content,params{doc_id:doc_id,offset:offset,limit:2048,},)resources(content_result.get(resources)orcontent_result.get(figures)orcontent_result.get(tables)or[])resource_resultNoneifresources:first_resourceresources[0]file_namefirst_resource.get(file_name)ifisinstance(first_resource,dict)elseNoneiffile_name:time.sleep(1)resource_resultrequest_json(GET,/resource,params{file_name:file_name},)evidence_pack{query:research_question,evidence:{doc_id:first_hit.get(doc_id),title:first_hit.get(title),chunk:first_hit.get(chunk)orfirst_hit.get(text),page:first_hit.get(page),offset:first_hit.get(offset),score:first_hit.get(similarity)orfirst_hit.get(score),},context:{text:content_result.get(text),next_offset:content_result.get(next_offset),},resource:resource_result,provenance:{search_endpoint:/agentic-search,content_endpoint:/content,resource_endpoint:/resourceifresource_resultelseNone,},}print(evidence_pack)这段代码可以放进 Claude Desktop、Cursor、Codex 或 MCP server 的工具层里。更完整的系统里还可以加一个meta-search步骤用来补齐年份、期刊、作者、DOI、citation count 等元数据。多 subagent 架构Sciverse 可以把复杂度往下收一个合理的科研工作台不会只有一个 Agent。它更可能是多个 subagent 协作Subagent输入输出依赖 Sciverse 能力Query Planner用户研究问题检索计划与字段约束meta-catalogLiterature Scout主题、时间范围、领域候选论文池meta-searchEvidence Retriever科学 claim 或研究问题可引用 chunkagentic-searchContext Readerdoc_id offset原文上下文contentFigure/Table Minerresource reference图表资源resourceClaim Reviewer手稿段落 Evidence Pack支持/矛盾/不足判断全链路 provenance如果没有统一证据层这些 subagent 每个都要理解不同数据源的接口、字段和限制。长期看这会把下游产品变成一堆源适配器。Sciverse 的更好位置是把源适配器、元数据治理、全文切分、上下文定位和图表资源抽象到同一层里让下游 Agent 面对统一接口。这也是“AI-ready 化”的核心含义不是简单把论文塞进向量库而是把论文变成有结构、有来源、有位置、有上下文、有资源引用的证据对象。为什么这比普通 RAG 更重要普通 RAG 常见的问题是检索出来一段文本模型就开始写。科研 RAG 不能这样。它至少要回答四个问题这段话来自哪篇论文它在原文什么位置上下文是否支持这个解释如果关键证据在图表里能不能继续读 Figure / TableSciverse 的接口链路对应的正是这四个问题agentic-search找到可引用 chunk meta-search补齐论文元数据 content回到原文上下文 resource继续读取图表证据这和 OpenAlex、Crossref、PubMed、PMC、bioRxiv 的关系不是替代关系而是治理关系。原始来源负责提供科学资料。Sciverse 负责把这些资料转成 Agent 更容易调用和核查的证据形态。Claude Science 这类下游工作台则负责把证据带入真实研究流程。可复现评测方案本文未进行实测跑分仅提供可复现评测方案。如果要验证 Sciverse 是否适合作为 Claude Science 类工作台的上游证据层可以设计下面的实验。查询集查询类型示例最新预印本追踪“recent preprints about foundation models for protein design”元数据筛选“papers from 2023 to 2026 about single-cell foundation models”证据核查“evidence that AI-generated citations are invalid or hallucinated”图表读取“papers with figures comparing protein structure prediction methods”综述生成“literature review evidence pack for AI-assisted drug discovery workflows”对比对象SciverseOpenAlexSemantic ScholarCrossrefPubMed / PMC通用搜索 API 或普通向量库 RAG评测维度维度记录方式Metadata 完整度是否返回标题、作者、年份、期刊、DOI、引用数Evidence 粒度是否直接返回可引用 chunk上下文能力是否能从命中结果继续读取原文上下文图表能力是否能继续获取 Figure / TableProvenance是否保留doc_id、offset、page、source 等字段Agent 成本从用户问题到 Evidence Pack 需要多少步审稿可用性手稿中的 claim 是否能回链到证据记录模板查询工具返回对象是否含 evidence chunk是否可读上下文是否可取图表备注protein design foundation modelsSciverseevidence metadata是是条件支持以最新文档为准protein design foundation modelsOpenAlexworks metadata非核心非核心非核心适合论文池和图谱protein design foundation modelsPMCfull text / XML需自行解析可自行解析需自行解析适合开放全文来源protein design foundation modelsCrossrefDOI metadata否否否适合出版元数据protein design foundation models通用搜索 API网页结果不稳定不稳定不稳定需额外治理不要用这个实验伪造准确率、延迟或成本。真正有价值的是记录一个下游科研 Agent 要拿到可审计 Evidence Pack需要多少额外工程。结尾 CTAClaude Science 这类产品证明了一件事科研 AI 正在从聊天界面进入真实实验流程。下一步的竞争不只是模型能力而是谁能把数据库、论文、代码、图表、计算和审稿记录变成可信链路。如果你正在做科研 Agent、科学 RAG、文献综述助手、claim checker或者想把 Cursor、Claude、Codex、MCP 接入科研工作流Sciverse 更适合被放在底层作为统一治理过的科学证据数据层。从接口上看可以先从三条链路开始科研 RAG agentic-search - content - resource 论文筛选 meta-catalog - meta-search - content Evidence Pack agentic-search - meta-search - content - resource - Agent workflow真正值得做的不是让 Agent 看起来更会说科学而是让它说出的每一句科学判断都能回到证据、上下文和图表。