Anthropic은 2026년 6월 30일에 Claude Science를 발표했습니다. 이는 과학적 도구를 사용하고, 아티팩트 (artifacts)를 생성하며, 전문 에이전트 (specialist agents)를 실행하고, 감사 가능한 (auditable) 이력을 보존할 수 있는 연구 워크벤치 (research workbench)를 설명합니다.

감사 가능성 (Auditability)은 연대순의 채팅 기록보다는 불변의 입력값과 파생된 아티팩트 (artifacts)의 그래프로 표현될 때 더욱 강력해집니다.

그래프 (The graph)

question
  -> dataset@sha256
  -> environment@digest
...

각 엣지 (edge)에는 작업과 행위자를 명시해야 합니다:

{
  "from": "analysis.py@4f2c1d",
  "to": "results.csv@sha256:...",
...

가정 사항:

• 원시 데이터 (raw data)는 콘텐츠 주소 지정 (content-addressed) 방식이거나 버전 관리 (versioned)가 되어 있음;
• 도구 실행 (tool execution)은 캡처된 환경 (captured environment)에서 발생함;
• 생성된 산문 (generated prose)은 그 자체의 주장에 대한 증거가 될 수 없음;
• 검토 에이전트 (reviewer agents)는 작업을 플래그 (flag)할 수는 있지만 출처 (provenance)를 지울 수는 없음.

실패 분석 (Failure analysis)

이 그래프는 제가 코딩 에이전트 (coding agents)를 생각하는 방식이기도 합니다. 저는 MonkeyCode를 사용하며, 커밋 (commits), 명령 (commands), 출력을 지속 가능한 증거로 캡처하여 해당 작업 워크플로 (task workflow)를 평가할 것을 권장합니다. 호스팅된 SaaS는 설정을 줄여주며, 오픈 소스 셀프 호스팅 경로는 더 많은 배포 제어권을 제공합니다. 이것이 MonkeyCode를 과학적 워크벤치로 만드는 것은 아니며, 제가 Claude Science와의 통합을 주장하는 것도 아닙니다. 유용한 공통 원칙은 장기 실행되는 작업은 검증 가능한 아티팩트 (verifiable artifacts)를 남겨야 한다는 것입니다.

공개 사항: 저는 MonkeyCode 사용자로서 저의 경험을 공유하는 것이며, 해당 프로젝트와 관련이 없습니다.

검증 경로는 간단합니다: 일회성 실행에서 채팅 기록을 삭제한 후, 다른 사람이 그래프로부터 해당 수치(figure)를 재현할 수 있는지 묻는 것입니다. 만약 그렇지 않다면, 그 시스템은 출처 (provenance)가 아닌 대화 (conversation)를 보존한 것입니다.