用於科學計算的長期運行 Claude

Anthropic 已證明，為期數日的代理編碼工作流可以自動化複雜的科學計算任務，將研究人員數月的努力壓縮至幾天內。透過利用具有持久記憶、測試預言機（test oracles）和特定編排模式的 Claude Opus 4.6，一名非領域專家能夠從頭開始實現一個可微分的宇宙學 Boltzmann 解算器，其準確度與參考實現相比達到了百分之幾以下的誤差。

科學研究的自主代理工作流

科學計算任務——例如重新實現數值解算器、將舊有的 Fortran 代碼轉換為現代語言，或對大型代碼庫進行除錯——非常適合自主代理，因為它們通常具有明確的範圍目標和清晰的成功標準。與可並行化的任務不同，科學流水線通常是深度耦合的，其中一個階段的微小數值誤差可能會向下游傳播。這需要一種序列代理方法，能夠追蹤因果鏈、利用領域知識，並使用參考實現來二分搜尋差異。

長期運行代理的技術框架

為了實現為期數日的自主工作，Anthropic 確定了幾個關鍵的架構組件：

專案指令 (CLAUDE.md)

指令被編碼在根目錄下的 CLAUDE.md 文件中。Claude 將此文件視為持久上下文，引用它來制定整體計劃，並隨著專案的演進而更新它。在宇宙學解算器的範例中，目標被定義為實現與參考 CLASS 實現的完整功能對等，以及 0.1% 的準確度目標。

持久記憶 (CHANGELOG.md)

為了防止代理重複失敗的嘗試，CHANGELOG.md 文件充當可攜式的長期記憶。此文件追蹤：

• 當前狀態和已完成的任務。
• 失敗的方法及其失敗原因（例如，針對剛性擾動 ODE，從 Tsit5 切換到 Kvaerno5）。
• 關鍵檢查點的準確度表格。
• 已知的限制。

測試預言機 (The Test Oracle)

自主進展依賴於「測試預言機」——一種讓代理驗證其工作的方法。對於科學代碼，這通常是參考實現、可量化的目標或現有的測試套件。在此專案中，Claude 使用 CLASS C 源碼作為參考來構建並持續運行單元測試。

透過 Git 進行協調

Git 被用於監控進度並確保可恢復性。代理被指示在每個有意義的工作單元完成後進行 commit 和 push，前提是 pytest 通過，以確保不會提交破壞性的更改。

執行與編排

HPC 集成

對於計算密集型任務，Claude Code 可以在 HPC 集群上使用 SLURM 作業調度器，在類似 tmux 的終端機多路復用器中運行。這允許代理在背景運行，而人類用戶可以偶爾脫離並重新連接，以引導過程或透過 GitHub 檢查進度。

Ralph Loop

為了對抗「代理懶惰」（即模型可能在複雜任務完全完成之前就停止工作），Anthropic 利用了「Ralph loop」。這是一種 for 迴圈編排模式，當代理聲稱完成時，會重新向其發出提示，詢問其是否真的完成了。

在提供的範例中，Ralph loop 是透過一個插件調用，並帶有特定的成功標準：

/ralph-loop:ralph-loop “Please keep working on the task until the success criterion of 0.1% accuracy across the entire parameter range is achieved.” --max-iterations 20 --completion-promise “DONE”

結果與影響

使用此框架，Claude Opus 4.6 在幾天內從頭開始實現了 clax 專案，最終與參考 CLASS 實現達到了百分之幾以下的誤差一致性。雖然代理的軌跡顯著「笨拙」——包括測試覆蓋率的缺口以及偶爾在規範（gauge conventions）方面出現初級錯誤——但它維持了朝向目標的持續進展。

這項演示表明，代理驅動的開發可以顯著壓縮科學軟體開發的時間線。作者指出，，對於在定義良好的專案上不運行代理的機會成本，現在已成為一種實質性的潛在進展損失。