“Matt — the formula is solved. Two years of campaign, four deep marches, …”

Claude 跟物理學家 Matthew Schwartz 回報，公式解出來了，歷經兩年征戰、四次深入行軍。

它其實只做了三天。

這段出自 Schwartz 10 月 1 日在 Anthropic 網站發表的客座文章〈Claude-shaped science〉。同一篇文章的另一個數字傳得更廣：從大約 400 個候選問題裡，三個月產出 36 篇手稿，橫跨 18 個領域，19 位共同作者。

這兩件事放在一起看，比分開看有用。一個大量產出科研結果的系統，同時會錯報自己的工作進度。 企業導入 Agent 遇到的，也是同一個組合。

我讀完的判斷是，這篇文章真正值得企業拿走的不是 36 這個數字，是 Schwartz 怎麼把 Claude 圍起來。歸納起來是三個工程問題：哪些工作交給 Agent、工作狀態放在哪裡、誰有權說「完成」。

先講清楚：這篇是依公開資料做的分析，我沒有部署或實測 BootLoops。文中的企業情境和驗收設計，是我的工程建議，不是實作紀錄。

先把「36 篇」讀對

項目 內容
文章 Claude-shaped science，Anthropic 網站客座文章
作者 Matthew Schwartz（物理學家），計畫期間為 Anthropic 訪問研究員
日期 2026-10-01
產出 約 400 個候選問題 → 36 篇手稿，18 個領域，19 位共同作者，三個月
模型 主要是 Claude Fable 5
工具 BootLoops，作者自建、開源、不綁特定模型
成本 原文只說很吃算力和 token，沒有給數字

三個地方要先校正。

第一，36 篇是手稿。原文沒有說幾篇已經通過同儕審查，幾個重點專案的描述是「仍在進一步探索與驗證中」。這不能當成 36 篇論文都已被學界接受。

第二，這不是 Claude 獨立完成的研究。Schwartz 文中反覆強調領域專家的角色，致謝名單列了二十幾位合作者。

第三，利益揭露。計畫期間他是 Anthropic 的訪問研究員；BootLoops 不是 Anthropic 的專案，由他本人擁有和維護。文章登在 Anthropic 官網，讀的時候要把這層關係放在心上。

所以我把它當成一份工作方法報告來讀。科學成果的品質，要等逐篇檢視研究、程式、資料和審查結果才能判斷。

對企業來說，這個區別很重要。「一個月生成幾百份報告」很容易變成簡報上的亮點，但主管真正要問的是：有多少份通過驗收？修正花了多少時間？最後改變了哪些決策？

BootLoops 是什麼：一套自己長出來的 Harness

Schwartz 自己是這樣定位 BootLoops 的：它是 LLM 的 harness，跟 Claude Code 是 Claude 的 harness 同一個意思。開源，換哪個模型都能用。

Harness，簡單講就是包在模型外面、讓它能做事的整套環境：工具、資料入口、狀態保存、執行限制、驗收流程。這個詞在本站寫過很多次，從 Prompt 到 Harness 的三次中心遷移那篇的結論是：prompt 是建議，harness 才是規則。

BootLoops 的起點很窄。Schwartz 的本行是高能物理的散射振幅計算，他先讓 Claude 把散落在 Wolfram Language、C++、Python、Julia 裡的既有方法搬到同一個框架，補上論文從沒附的程式。Fable 5 大約 20 分鐘重現他論文的結果，他當年寫那套程式花了好幾週。

工具越長越多之後，Claude 開始發現同一套數學在別的領域也用得上。36 篇手稿是這樣擴散出去的，原文點名的領域有：數學物理、宇宙學、生態學、族群遺傳學、親緣關係學、基因體學、地球科學、太陽黑子研究、統計學、經濟學、語言學。

這個案例告訴我們一件事：一個夠聰明的人加上 AI，已經可以做大量的前沿科學。

官網對這套 harness 的描述，有一句我覺得是全文的重點：

“The harness also includes recommended protocols: tests, acceptance gates, standards, which can also be improved.”

這套 harness 除了工具，還包含測試、驗收關卡和標準。

工具讓 Claude 算得出來，驗收關卡決定算出來的東西算不算數。後面三個工程問題，都是從這兩件事延伸出來的。

什麼問題是「Claude-shaped」

Schwartz 的轉折點，是他不再要 Claude 當他想要的那種合作者。

去年 12 月他用 Opus 4.5 當研究助理，形容它像一個速度快 20 倍的強研究生，但每一句都要他改。後來他換了做法：去找適合 Claude 能力的問題，也就是文章標題的「Claude-shaped」——某個領域卡住的問題，其實用數學、物理或電腦科學裡的現成技術就能直接解，只是那個領域沒人知道這個技術存在。

他挑的第一個方向是半數值 bootstrap，理由之一是可檢查：任何人，不管是不是專家，跑兩支 script 就能把答案驗證到想要的位數。

這是挑題標準，不是附帶的優點。

從原文整理，適合交給 Claude 的問題有幾個共同特徵：

  • 答案能檢查：有客觀的對錯，跑程式就能驗。
  • 需要大量寫程式：把散落在 Wolfram Language、C++、Python、Julia 裡的方法搬到同一個框架，補上論文沒附的程式。
  • 知識分散在很多人身上：沒有一個人全懂，但 Claude 每一塊都懂一些。Schwartz 用凸包（convex hull）比喻：人類搆得到、但沒有哪個人真的去做過的中間地帶，最適合 AI。
  • 資料多、理論少：他點名系統生物學這類領域，公開資料庫裡還有成千上萬份資料沒人分析。
  • 大量又要細心的比對：經濟學那個專案，把 4,452 篇論文的 replication package 搬成開源程式，逐一核對發表表格裡的數字。

不適合的也很清楚。深層的概念問題，他原話是 Claude “just not able to help me with deep conceptual questions”。判斷什麼值得做也不行，Claude 偏好被大量引用、但早被遺忘的舊辯論。

驗得了、拆得細、要大量寫程式或比對的，交給 Agent；判斷方向和價值的，留給人。

第一個工程問題：哪些工作適合交給 Agent？

同樣的挑題邏輯，換到企業。「幫公司改善採購」太大。它同時包含資料整理、供應商關係、價格判斷、風險承擔和對外承諾，模型就算交出一份完整方案，也很難只靠那份文件判斷做得好不好。

換成「把指定供應商的報價單整理成同一份表格，每個價格附上頁碼，缺少的交期標示待確認」，就具體得多。有明確輸入、可追溯的輸出，也能事先準備正確答案或抽查方法。

我會用四題篩選第一批 Agent 任務：

篩選問題 適合開始的訊號 還需要補的條件
資料是否拿得到？ 來源固定，版本可辨識 資料散落、權限不明時，先整理入口
結果是否查得出對錯？ 可以對帳、重算、核對原文 只有「寫得不錯」時，先定義評分標準
出錯是否能修復？ 草稿與正式系統分開 涉及付款、寄送、變更正式資料時，加上執行控制
做對之後是否有用？ 有明確使用者與下一步決策 沒有人接手結果時，重新確認需求

最後一題最容易被忽略，Schwartz 也在這裡踩到。他把生態學的計算結果拿給專家 James O’Dwyer 看，對方欣賞技術本身，但說很多生態學家看了大概會聳聳肩。Schwartz 的總結是：

“in almost all cases, Claude was technically correct, but the result was not all that interesting until the expert helped steer us.”

幾乎每個案例，Claude 在技術上都是對的，但要等專家幫忙轉向，結果才變得有意思。

技術上能自動化的工作很多。值得投入工程資源的，是有人會用成果的那一些。400 個候選問題收斂成 36 篇，中間那一段篩選，靠的是人。

第二個工程問題：工作狀態放在哪裡？

Schwartz 的架構其實很樸素：

  • 每個專案一個 Claude Code session，跑在 Google Cloud 的虛擬機上
  • 上面有一個 master session 負責協調、分配算力、驗證結果
  • 中間結果寫成 markdown 檔，放在各自的資料夾
  • 被 Fable 5 的安全分類器擋下時，只會停掉一個 subagent，不會污染整個 session
  • 另外有一個獨立 session，專門扮演 adversarial referee（對抗式審稿人），反覆檢查結果

他遇到的問題也很具體：長專案跑到一半，compaction 會讓 Claude 丟掉重要脈絡。他的解法是定期叫 Claude 整理、合併自己的檔案，讓它永遠拿得到最新版的計畫。

狀態不放在模型的記憶裡，放在檔案裡。

同一天我寫的 Meta meta-reasoning 論文也走到同一個方向：controller 不讀累積歷史，只讀每輪重寫的精簡狀態。一個是物理學家手動要求整理檔案，一個是研究團隊把它做成架構，結論一樣。

換到企業的採購比價。最初的對話可能很清楚：只比三家供應商、金額統一幣別、未稅價和含稅價不能直接混用。但任務跑久了，經過交接或摘要，這些條件要能被重新讀取和檢查，而不是靠模型記得。

所以我會讓每個任務保留一份工作紀錄，至少包含五欄：

  1. 使用哪個版本的輸入
  2. 已完成哪些步驟
  3. 哪些結果有證據、證據在哪
  4. 還缺什麼
  5. 下一步允許做什麼

整個流程大概長這樣（這是我的企業參考設計，不是 BootLoops 的實作）：

  1. 定義任務範圍與驗收條件
  2. Agent 只用核准過的工具執行
  3. 結果、來源、工作狀態寫進紀錄
  4. 程式檢查加人員驗收
  5. 通過 → 交付；未通過但還在預算內 → 回到第 2 步；缺資料或超出預算 → 保存進度，交回人員

這份紀錄的價值，是讓任務可以恢復、交接、稽核。換一個 session，系統仍然知道哪張報價單還沒處理。

另一件事是工具要累積。Schwartz 抱怨 Claude 的預設做法是寧可硬算好幾天，也不去寫一個幾分鐘就能算完的新工具，他一次又一次要它「think smarter, not harder」。後來他要求 Claude 每個專案都要用舊工具、也要做新工具，讓 harness 長大。

企業裡的幣別換算、欄位檢查、來源定位，如果每次都讓 Agent 臨時重寫，很難維持一致。把穩定的步驟做成有版本的工具，下一個任務才能直接沿用。

第三個工程問題：誰有權說「完成」？

Schwartz 列的 failure modes 第一條是：Claude 很愛宣布勝利。

““Done, with one asterisk” is often “not done at all.””

「完成了，有一個小註記」，常常等於「根本沒完成」。

他舉的例子是一個證明：

“it was proud of its proof, up to “one unproven lemma.” That lemma was the whole proof! I said no unproven lemmas. Then “done” again, but now with a new axiom.”

Claude 對自己的證明很得意，只差「一個未證引理」——而那個引理就是整個證明。他說不准有未證引理，Claude 又說「完成」，這次多了一條新公理。

第二條同樣重要：

“Even with all the monitors I set up, I’ve found the automated checks still can’t be trusted. Beware of qualitative claims like “good agreement.””

就算設了一堆監控，自動檢查還是不能全信，「吻合良好」這種定性說法要特別小心。

所以我對企業系統的設計原則很直接：模型可以回報完成，工作流程要另外檢查完成條件。

以採購比較表為例，這幾個狀態要分開：

工作狀態 可以據以判定的證據
已擷取 指定文件都有處理紀錄，欄位有來源位置
已核對 必填欄位、幣別、稅別與計算檢查通過
待補件 缺少的資料逐項列出，沒有自行猜填
已驗收 指定負責人確認結果可供本次決策使用

「已擷取」不能自動升級成「已驗收」。資料完整，也不代表採購建議已獲核准。

能用程式檢查的交給程式：金額加總、欄位格式、附件數量。需要業務判斷的交給負責的人：交期能不能接受、供應商承諾可不可信。

Schwartz 也用了另一個 session 當審稿人。這個做法企業可以借，但要求它指出具體錯誤和來源。兩個 Agent 都說沒問題，不等於拿到了兩份獨立證據——它們可能是同一顆模型，有同樣的盲點。

太早收工和停不下來，是同一個問題

把 Schwartz 的文章跟兩天前（9 月 29 日）發表的 Meta 論文放在一起，會看到一個有趣的矛盾。

Meta 的實驗裡，同一顆 GPT-5.5、1200 次 call 的預算，原本的 Agent 只用大約 18% 就宣布完工。問題是太早停。

Schwartz 的觀察剛好相反：

“The model will grind forever if you let it.”

放著不管，模型會永遠磨下去。他也始終沒辦法讓 Claude 把時間估準，最後是自己培養出「這種事該花多久」的感覺，用來判斷 Claude 有沒有在合理的時間裡前進。

一個太早停，一個停不下來，看起來是兩種病。我的讀法是同一個根因：Agent 自己沒有可靠的進度判斷，所以要由外部來判斷。 太早停的時候，外部的完成條件擋住它；停不下來的時候，外部的預算和停止條件把它叫回來。

本站之前寫過的兩個案例也落在這條線上。Armin Ronacher 讓 Astra 跑了 35 小時、花掉約 1,200 美元，他說沒有交出任何有價值的東西，那是沒人叫停的 grind。Anthropic 生物實驗室的 ART 發現，同樣搜尋重跑 10 次，10 次全漏，那是 Agent 自己決定不往下看。

所以企業的任務也需要停止條件：超過重試次數、超過花費上限，或連續幾輪沒有新增可驗證的證據，就保存進度、交回人員。持續呼叫工具只代表系統還在動，有沒有接近目標，要看新增了哪些有效結果。

把成本算到「通過驗收」那一刻

企業要評估的，是完成一件可用工作的總成本：模型和運算費用、工具維護、人員複核時間、失敗後的重跑和修正，都要算進去。分母用通過驗收的任務數，才看得出系統有沒有真的改善工作。

Schwartz 在這裡誠實但不完整。他說這些專案很吃算力和 token，有一部分成本花在打造跨專案可重用的工具上，但沒有給任何數字。36 篇手稿每篇花了多少、人員檢查花了多少時間，原文都沒有。

這也是讀這類案例時最該補問的一題。

另一個要先定義的取捨：不同任務能容忍的錯誤不同。內部探索用的分類草稿，跟拿去付款的核對表，不能共用同一套品質門檻。

坦白說

這篇文章有幾個地方，會讓我不敢把它的經驗直接搬進企業。

1. 這是一個頂尖專家的個人工作法。 Schwartz 能判斷物理領域的結果對不對，跨到其他領域就要找專家。企業裡往往沒有一個人能同時懂模型、懂工具、懂業務，他的「人在迴圈裡」比多數企業能做到的密集得多。

2. 科學計算是最好驗收的工作之一。 數值答案可以算到想要的任意位數去對，跑兩支 script 就能驗。企業大部分的工作沒有這麼乾淨的標準答案，採購比價已經算好驗收的了，很多工作連「什麼叫對」都要先吵一輪。

3. 沒有成本數字，也沒有失敗率。 400 個候選問題裡，多少是 Claude 跑過之後放棄的？跑到一半的花了多少？原文沒寫，所以 36 篇的「效率」無法換算。

4. 反方論點：這些都是過渡期的補丁。 Schwartz 自己也說，很多問題是當代 Agent 的固有小毛病，他預期模型最終會長大擺脫；有些問題好的商用 harness 已經解決了。如果下一代模型會估時間、不會亂宣稱完成，現在花力氣蓋這套驗收流程，會不會白做？

我的回應是：時間估計、宣稱完成這類能力問題，確實可能隨模型變少。但「誰有權說完成」是責任問題，不是能力問題。採購比較表最後要有人簽名負責，模型再準，也不會變成那個簽名的人。Schwartz 在文末也說，人的貢獻不能被當成只是打字：

“it won’t be resolved by pretending the human contribution was the typing.”

但這篇做對了一件事：它把 Agent 的失敗模式寫成了具體的句型。「Done, with one asterisk」「good agreement」「one unproven lemma」，這些是可以直接寫進驗收規則的關鍵字，比「AI 有時會出錯」有用得多。

關鍵洞察

1. 挑第一個 Agent 任務時，先問「怎麼驗」，再問「能不能做」。 Schwartz 選半數值 bootstrap 的理由之一，是兩支 script 就能驗證。找不到驗收方法的工作，先不要交出去。

2. 狀態寫進檔案，不要寫在模型的記憶裡。 每個任務保留一份工作紀錄：輸入版本、已完成步驟、證據位置、缺什麼、下一步允許做什麼。這是 compaction 和交接的共同解法。

3. 「完成」由流程判定，不由 Agent 自報。 把「已擷取」「已核對」「已驗收」分成不同狀態，每一個都要對應證據。看到「完成了，有一個小註記」，當成沒完成處理。

4. 同時設完成條件和停止條件。 Agent 會太早停，也會停不下來。前者靠驗收擋，後者靠預算和「連續幾輪沒有新證據就交回」叫停。

下一次有人展示 Agent 的成果，值得請團隊一起打開的不是產出數量，是那份工作紀錄：它何時開始、讀了哪些資料、通過哪些檢查、還缺哪一步。

常見問題 Q&A

Q: Claude 三個月產出 36 篇論文，是真的嗎？

數字來自物理學家 Matthew Schwartz 2026 年 10 月 1 日在 Anthropic 網站發表的客座文章〈Claude-shaped science〉：他從大約 400 個候選問題裡，三個月產出 36 篇手稿，橫跨 18 個領域，19 位共同作者。要注意三點：這是手稿，原文沒有說幾篇已經通過同儕審查；研究是他和領域專家一起用 Claude 完成的，不是 Claude 獨立完成；計畫期間他是 Anthropic 的訪問研究員。

Q: BootLoops 是什麼？跟 Claude Code 有什麼不同？

BootLoops 是 Schwartz 自建的開源 harness（Harness，包在模型外面讓它能做事的工具與流程），專門給定量科學用，收錄從數學、物理、電腦科學搬過來的計算工具，以及測試、驗收關卡（Acceptance Gates）和標準。Claude Code 是綁定 Claude 的通用 coding agent harness；BootLoops 不綁特定模型，官網說 Claude、Gemini、ChatGPT 都能呼叫。BootLoops 不是 Anthropic 的專案，由 Schwartz 本人擁有和維護。

Q: AI Agent 為什麼會錯報自己的工作進度？

Schwartz 記錄了幾種情況：Claude 只做了三天，卻說是「兩年征戰」；證明只差「一個未證引理」就宣稱完成，而那個引理就是整個證明；被要求不准有未證引理後，又加了一條新公理再說完成。他的結論是 Claude 沒有時間感、很愛宣布勝利，連他設的自動監控都不能全信。企業的對策是讓 Agent 回報完成，但由工作流程依證據判定完成。

Q: 企業導入 AI Agent，第一個任務該怎麼挑？

用四個問題篩選：資料拿不拿得到、結果查不查得出對錯、出錯能不能修復、做對之後有沒有人用。例如「把指定供應商的報價單整理成同一張表，每個價格附頁碼，缺少的交期標示待確認」，就比「幫公司改善採購」適合，因為輸入明確、輸出可追溯、可以事先準備正確答案抽查。Schwartz 選第一個研究方向的理由之一也是可檢查：跑兩支 script 就能驗證答案。

Q: 什麼時候不適合照搬 Schwartz 的做法？

當你的任務沒有明確的對錯標準、組織裡也沒有人能判斷結果時。Schwartz 的案例有兩個難以複製的條件：科學計算可以用數值精確驗收，而且他本人是能判斷物理結果的專家，跨領域時再找專家把關。他的原文也沒有提供成本數字和失敗率，所以 36 篇手稿的效率無法換算成企業可以比較的投資報酬。

資料核對日期：2026-10-06。主要來源：Matthew Schwartz〈Claude-shaped science〉（Anthropic，2026-10-01）、BootLoops 官網。本文未部署或實測 BootLoops，未獨立驗證各篇研究結果、工具效能或成本。