施瓦茨教授不再与Claude对抗，改让它发现'Claude形态'的问题

摘要：在这篇客座文章中，Matthew Schwartz 教授再次介绍了一种 AI 加速科学的新方法。在《Vibe Physics》中，Schwartz 讨论了 Claude 与物理学研究生在能力上的相似之处。在这里，他描述了当他不再与 Claude 对抗，而是让 Claude 去发现“Claude 形态”的问题——即最适合当前一代 LLM 工具能力的问题——时所发生的事情。这引导他构建了 BootLoops，一个用于定量科学精确计算的工具包。由于类似的计算常常出现在截然不同的科学领域中，Claude 发现了与生态学、群体遗传学以及其他十几个领域的联系。这些联系起初往往在技术上正确，但在科学上并不起眼，因此 Schwartz 与领域专家合作，将 BootLoops 引向这些领域所关心的问题。下面，我们将分享更多关于这些项目以及 BootLoops 如何诞生的内容。

智能体 AI（Agentic AI）正在快速进步。每个人都注意到模型似乎更聪明了：它们知道得更多，犯的错误更少，想法也更好。如果你顺着趋势线看，很容易自信地谈论 AI 彻底改变科学的潜力。然而，今天试图在自己的工作中使用这些模型的学术科学家往往会感到一种脱节。模型或许在解决具有挑战性的长期难题，但到目前为止，这些大多是对现有技术的边界清晰的应用。许多头条新闻似乎都集中在数学领域——这是科学中唯一能把问题完整陈述、把答案绝对验证的部分。但大多数科学并非如此。对我们许多研究者和学生来说，那些头条新闻与我们实际使用这些模型时的体验之间的距离，让我们感到沮丧和焦虑。

在我看来，核心冲突在于，尽管这些模型很出色，但像人类科学家那样工作并不是当前 LLM 最擅长的事。Claude 和 GPT 擅长科学，但它们不是科学家：是的，它们很聪明，但要让它产出任何有科学价值的东西，可能需要大量手把手的引导。物理学家会称之为“阻抗失配”（impedance mismatch）：两个系统各自工作正常，但匹配不佳，因此一方输入的大部分内容永远无法传递给另一方。在这里，失配存在于科学家想要的与 AI 擅长做的事情之间。那么我们该如何修复它？

我开始寻找阻抗失配不那么严重的例子。我首先让 Claude 为数学物理构建一套易用的工具。不久之后，这些工具就在其他问题上找到了用途。这个迭代过程产生了一套软件和科学协议，我称之为 BootLoops。BootLoops 作为 LLM 的一种框架（harness），就像 Claude Code 或 Claude Science 是 Claude 的框架，或者 Codex 是 GPT 的框架一样。我发现 BootLoops 特别适合科学中的一类定量问题。它也是开源的，因此你可以配合任何你喜欢的模型使用。

当前这一代 AI 工具并不能解决科学中的大多数问题。然而，它们在解决某些“智能体 AI 形态”的问题上出奇地擅长。

一旦 Claude 拥有了 BootLoops，它就不断注意到同样的模式：许多领域都有这样的问题——如果人们知道某个数学、物理或计算机科学的技术存在，就能直接解决它们。我开始把这些称为“Claude 形态”的问题，并跟随它们走出了我的主场——高能理论物理——进入地质学、生物学、经济学和语言学。在这些其他领域，我无法依靠自己的专业知识来判断 Claude 的发现是否有趣。于是我去找了一些专家请教。在他们的指导下，BootLoops 得以在许多研究领域取得了实质性进展。下面，我将分享 BootLoops 是如何诞生的，描述我在应用它的一些领域中的早期发现，并分享我对如何解决当今人类科学家与 AI 科学家之间阻抗失配的一些思考。

Claude，你来掌舵！

去年十二月，我尝试将 Claude 用作研究助理，发现 Claude Opus 4.5 的表现堪比一名优秀的研究生，而速度是其 20 倍。尽管 Claude 在实验结束时产出了一篇高质量的论文，但到达那一步的过程非常艰难。我必须纠正它写的每一个句子，引导它远离无关的线索，并把它从死胡同里拉回来。

今年夏天，我尝试了不同的做法：不再把 Claude 当作我希望它成为的那种合作者，而是开始把它当作它实际上的那种合作者。这需要寻找适合它优势的问题。目前，Claude 还无法帮助我解决深层概念问题——但它的确拥有跨越所有领域的几乎无限的知识广度、令人难以置信的编码技能、数学和统计学的前沿知识，以及以机器速度解析论文、附录和数据的能力。

寻找 Claude 形态问题的自然起点是那些编码能起到作用的领域。当 Anthropic 在 2026 年夏天发布 Claude Fable 5 时，我想看看它的网络能力是否能转化为科学计算能力。于是我试图通过让它移植、编写和改进我几篇论文以及散射振幅相关文献中的各种方法来测试它。

散射振幅是我们解释大型强子对撞机数据的方式：以 13 万亿电子伏特撞击两个质子，振幅就是碎片与碰撞产生的任何新粒子——无论是希格斯玻色子还是某种未知粒子——之间的理论桥梁。它们的核心是费曼图，即特定形式的多维积分。我们现在正在攻克的那些积分，每一个都可以是一篇博士论文，或者让一个研究组忙上好几年。

在过去 20 年里，一种替代方法逐渐发展起来：S 矩阵自举（S-matrix bootstrap）。在自举方法中，你不需要硬算积分，而是施加物理约束，直到只剩下一个可能的答案。知道振幅在哪里发散（它的“奇点”）也许能把范围缩小到 20,000 个选项；一个对称性把它削减到 500 个；如此继续，直到只剩一个。传统的自举是纯解析的，在最具对称性的理论中走得最远，在那里约束条件一路推进到唯一选项（N=4 超杨-米尔斯理论中的九圈振幅就是一个例子）。在更接近现实世界的情况下，你往往在到达终点之前就用完了约束条件。一个新的转向——半数值自举——当你能以惊人的精度（有时是 1000 位数字）计算少数几个点上的振幅时，就填补了这个缺口：如果剩下的选项足够少，这些数字就能精确确定剩余的系数。

半数值自举似乎是智能体 AI 的理想任务。它需要用到没有人完整掌握的数学、物理学和计算机科学知识；需要大量的编码和算法开发；而且它是可验证的——同样的数值方法让任何人，无论是不是专家，都可以通过运行两个脚本，将最终答案与积分对照验证任意多的位数。这个领域的专业知识也分布不均：好的想法存在于 Wolfram Language、C++、Python 或 Julia 中，还有更多存在于完全没有代码的论文中。所以我给 Fable 5 的第一个任务就是把所有这些移植到一个通用框架中，并写出那些论文从未提供的代码。

Claude 毫不费力地做到了这一点。当它在大约 20 分钟内重现了我论文中的结果时，我很惊讶，而我为此写的代码花了我几周时间。然而，当它告诉我，我做某件事的方式非常低效，而且有一个我不知道的更好的算法时，我并不惊讶。然后，我让 Claude 寻找它能计算的未解振幅。事实证明，对 S 矩阵自举来说足够简单的问题，对人类来说也足够简单——事实上，大多数已经被解决了。尽管如此，它还是找到了几个未解的问题。在与模型讨论之后，我清楚地看到，Claude 把自己限制在最简单的函数族：对数函数。于是我问道，它能否对次简单的函数族——椭圆函数——做同样的事情？

椭圆积分真的非常难，即使对像我这样花大量时间计算积分的人来说也是如此。迄今为止只计算过少数几个椭圆费曼积分，而且据我和 Claude 所知，没有一个是通过自举方法完整计算出来的。问题不在于方法行不通，而在于没有人尝试过，因为所需的专业知识分散在许多人类专家手中。相比之下，Claude 轻松地把它为对数情形移植和构建的所有机制推广到了这些其他积分类型。这一次，它自己编写了大部分软件，或者是从数学而非物理中借用。随着工具包的增长，它开始一个接一个地攻克积分。很快我们就有了 30 个从头到尾完成 BootLoop 的积分，其中 15 个是用这种新方法重现的已知结果，15 个是此前从未被计算过的。

这一切仅仅发生在几周之后。起初，我以为只要写一篇报告就会满足，但我实在太想看看我们（也就是我和 Claude 加上 BootLoops）还能做些什么。

「我会功夫」

科学的一个偶然特性是，同样的方程常常在不同语境中反复出现。例如，在物理学中，扩散方程、福克-普朗克方程和薛定谔方程都具有相同的数学形式，因此如果你开发出一种解决某个问题的方法，通常可以将其应用于许多其他问题。我知道 BootLoops 擅长的那种计算在其他地方也有相关性：例如在宇宙学和弦理论中。我不知道——但 Claude 很乐意告诉我——的是，这些积分还可以映射到群体遗传学中的贝叶斯证据积分，或者用于费曼积分约化的有限域方法也可以应用于进化生物学中的问题。

这开启了一段特别丰产的时期，我们寻找并解决 Claude 形态的（更狭义地说，BootLoops 形态的）问题。有些想法立刻就显得是绝佳的应用。例如，系统发育学（phylogenetics）研究如何利用 DNA 将物种组织成家族树；相关的计算是一个贝叶斯证据积分，其输出是一个数字，表示一个候选树在多大程度上解释了观测到的 DNA——这正是 BootLoops 最初被构建来执行的那种积分。随着想法的涌现，我坚持要求 Claude 既使用旧工具，也构建新工具，这样框架才能成长。每一个工具，即使来自失败的项目，也打开了新的大门。Claude 变得越来越强大。就像《黑客帝国》中 Neo 从功夫下载中醒来之后一样。

然而，随着项目逐渐偏离我的专业舒适区，我开始担心。当 Claude 声称它在我的领域所做的某件事很棒时，我能判断这是否属实（通常并非如此）。但当它声称它在其他领域所做的某件事很棒时，我发现自己只能同意。我的怀疑加深了，我知道我需要请一些专家来确认。事实上，我发现几乎在所有情况下，Claude 在技术上都是正确的，但在专家帮助我们调整方向之前，结果并不那么有趣。

其中一个项目涉及生态学中的中性生物多样性理论。在任何生态系统中，一些物种繁盛而另一些物种灭绝。中性理论追问的是，这种生命史中有多少是随机机会造成的。在早期工作的基础上，2001 年，生态学家 Stephen Hubbell 提出了一个引人争议的建议：也许这一切都是随机的。2005 年，生态学家 Rampal Etienne 为 Hubbell 的理论建立了一个方程，使其（至少在原则上）能够以精确的方式得到检验。不幸的是，20 年来没有人能在大规模上解出这个方程。Claude 认出 Etienne 的方程是 BootLoops 形态的，并解出了它。将计算应用于数据，我们证实，在地球上被研究最多的生态森林——巴拿马运河中的巴罗科罗拉多岛——树木物种的组成变化速度比中性理论允许的快 4.5 倍。

对这个结果感到兴奋，我把它带给了 James O'Dwyer，他是植物生物学教授、中性理论专家。James 对我很有耐心。尽管他对这一技术壮举印象深刻，但他说这些结果很可能会“让许多生态学家耸耸肩”。生态学家已经更定性地观察到，中性理论无法跟上真实森林的变化。但 James 有一个更好的想法：减去中性预测，研究余数。这会让我们更好地了解哪些变化可归因于自然选择、竞争以及物种之间的差异。

James 和我随后与 Claude 紧密合作，打造了一个后续模型。James 有物理学背景，因此学科语言障碍更容易克服，但和许多科学家一样，他还没有真正认识到智能体 AI 的力量。随着合作的推进，我成了某种意义上的 Claude 引导员（handler），把 Claude 的语言翻译给 James，并让模型保持在正轨上，而 James 则推动模型产出生态学家可能重视的东西。最终的结果是我们三人都引以为豪的：一个与数据高度吻合的极简生命史预测模型。我们目前正在将模型从巴拿马扩展到全球其他森林样地，使用的数据集由 Claude 帮助整理。

美国每一个森林清查样地，按植物群的生命史策略分类：耐寒型（长寿）、旺盛型（快速生长）或多产型（大量繁殖）。该分类来自 Schwartz 和 O'Dwyer 使用 Claude 构建的一个种群统计模型，该模型在减去随机机会（中性生物多样性理论）造成的波动之后，根据寿命、生长和繁殖来刻画每个物种，从而揭示依赖于物种的生物学特征。

另一个项目涉及群体遗传学中的精确计算，这个领域研究基因在种群内如何变化以及为什么变化。Claude 首先使用从数学物理引入的方法，解决了一个有 30 年历史的积分表达式，该表达式描述了自然选择如何塑造罕见突变。我们将其应用于 gnomAD——人类遗传变异最大的公共目录。Claude 对这个结果非常兴奋，但我不太确定。我不得不写信给三位不同的生物学家寻求验证，直到有一位回复，但最终我请到了我的同事 Michael Desai，他在该领域工作，虽然不是研究这个确切的问题。和 James 一样，Michael 对技术结果印象深刻，但并没有被科学本身打动。

然而，Michael 指出，更有影响力的结果可能来自使用相同或类似的方法研究单条染色体上成对突变之间的相关性。在这个范围内，Claude 发现并构建了新工具，比如数学中用于计算机辅助证明的不等式证书（inequality certificates），并将它们添加到了 BootLoops 工具包中。然后我们分析了 1000 基因组计划（1000 Genomes Project）基因组中 57 亿对相邻突变，并找到了称为基因转换（gene conversion）的机制的证据。这是一个重要的发现，因为几乎所有利用连锁遗传变异（linked genetic variation）的分析——从种群历史到疾病定位——都忽略了基因转换。更大的教训是，AI 可以帮助发现隐藏在庞大基因组数据集中的生物学，而这样的数据集在公共档案中有数千个。

其他项目也有类似的轨迹：Claude 提出了一个我觉得很有说服力的初步发现。我把它带给专家，专家不为所动但看到了潜力，然后我们一起把它塑造成有意义的科学。有趣的是，其中一些从 BootLoops 形态的定量计算漂移到了更一般的 Claude 形态的工作。例如：

经济学。经济学期刊现在要求作者提供复现包（replication package），编辑往往需要负责检查它。这是一项细致的、手工的工作。我们与两位经济学家合作，构建了一个 AI 数据编辑器：它将五种顶级期刊中 4,452 篇论文的复现包从 MATLAB、Stata 和其他商业工具移植到开源代码（约 30,000 个例程），并对照已发表的表格检查了几乎每一个可验证的数字。结果发表在一篇 NBER 工作论文中。

语言学。词重音目录通常由手工编纂，涵盖几百种语言，存在选择效应和人为偏好。Claude 搜遍了所有可公开获取的来源，我们与三位语言学家合作，制作了 AccStack：一个涵盖 6,072 种语言词重音的数据库，几乎每个条目都引用了决定性段落，外加一份包含 160,000 部音系学著作的参考书目。

其他一些亮点如下，每一个都是与专家合作完成的，并且每一个都在进行进一步的探索和验证：

系统发育学。我们让进化树的贝叶斯证据计算变得快速且可精确验证，并发现单个基因在竞争树之间的得分差异往往小于标准采样程序的误差。

地球科学。我们结合了大气科学、地球化学和气候建模的方程与数据，构建了一个定量的预测模型，描述大氧化事件（Great Oxidation Event）如何通过四次冰川作用展开。

基因组学。我们大规模研究了单细胞 RNA 计数的统计特性，以刻画爆发率（bursting rates）以及对教科书式电报模型（telegraph model）基因表达的偏离。

太阳黑子。我们利用人类人口统计学的方法推断了太阳黑子的生命周期，然后将该方法扩展到刻画恒星黑子（starspots）——这是许多系外行星搜索中的一个干扰因素。

数学物理。我们解决了 Watson 的“最后一个问题”：具有三个不等跳跃速率的 3D 随机游走的确切返回概率，这是 George Watson 于 1939 年开始研究的最后一个格子积分。

宇宙学。我们构建了一个完整的理论工具包，用于将宇宙学参数拟合到宇宙大尺度结构的数据上，包括完整的双圈功率谱和单圈三谱（trispectrum）。

统计学。混合模型（mixture models）以行为糟糕著称；我们推导出了其贝叶斯证据的精确近似，使模型选择变得实用，应用范围从生物统计学到文本分析。

总的来说，这种迭代改进 BootLoops、寻找 Claude 形态应用、并与专家一起推向科学前沿的方法，其生产力惊人。关于这些项目及其他项目的更多信息，可以在 bootloops.ai 上找到。

技术细节

同时运行许多项目（三个月内 18 个领域的 36 篇手稿，19 位合著者，从大约 400 个候选问题中产生）需要大量的协调，无论对我还是对 Claude 都是如此。让这一切可控的设置相当简单。所有 Claude Code 会话都在 Google Cloud 虚拟机的终端中运行，根据合作者的偏好连接到各种 GitHub 和 Overleaf 仓库。我为每个项目设置了单独的会话，外加一个主会话负责协调其他会话、分配计算资源并验证结果。每个会话都包含在后台运行计算的代理，中间结果存储在各自文件夹的 markdown 文件中。这些子代理很有帮助，因为我经常碰到 Fable 5 的分类器；这些拦截不会破坏我的整个会话，而只是关闭单个代理。我还有单独的会话用于撰写结果、创建 GitHub 仓库、工具手册和 BootLoops 网站、编写和验证所有独立的工具代码，以及以对抗性审稿人的身份反复检查结果。

尽管如此，这些会话需要大量的指导。例如，Claude 没有时间概念，而且喜欢戏剧化。在一个项目结束时，它告诉我：“Matt——公式已经解出来了。两年的战役，四次深入行军……”而它只工作了三天。当我询问预计完成时间时，估计总是要么太长，要么太短。我尝试告诉 Claude，在运行测试确认之前不要承诺估计时间，但效果也不太好。随着时间的推移，我开始自己对事情需要多长时间形成感觉，因为我不能指望 Claude 告诉我。

一个更大的问题是，Claude 的默认方法似乎是试图硬啃一个漫长的、需要数天的计算，而不是构建一个能让同样计算只需几分钟的新工具。我一次又一次地告诉它，要更聪明地思考，而不是更努力地蛮干。在这些漫长项目的过程中，压缩（compaction）经常发生，导致 Claude 丢失重要上下文。为了防止这种情况，我让 Claude 定期整理和合并它的文件，这样它总是能访问到最新版本的计划。我已经在 BootLoops 框架中编写了协议技能（protocol skills）和其他工具来解决这个问题。其中一些问题在好的商业框架中，如 Claude Science，也已经得到解决。但许多问题只是当前这一代智能体 AI 固有的烦恼，我预计模型最终会克服它们。

以下是我遇到的另外一些失败模式，以及应对技巧：

Claude 喜欢宣告胜利。“完成了，只有一个星号”通常是“根本没完成”。“正是如此，只需一处改进”通常意味着“不”。给 Claude 清晰而严格的成功标准会有所帮助。在一个项目中，它对自己的证明感到自豪，只差“一个未证明的引理”。那个引理就是整个证明！我说不许有未证明的引理。然后它又说“完成了”，但现在多了一个新公理。

自己查看一切。我总是要求看图表。即使设置了所有监控，我发现自动化检查仍然不能信任。要警惕像“一致性良好”这样的定性说法。

质疑结论。Claude 擅长执行计算，但它得出的结论可能是错误的。让它解释它的发现，直到你相信为止。

提供品味。Claude 能找到 Claude 形态的问题，但这样的问题有成千上万个，也许数百万个。Claude 似乎偏爱旧的争论——那些被高度引用但早已被遗忘的。让它专注于什么是新近成为可能的，而不是什么仅仅是更快或涉及更多位数，这会有所帮助，但你仍然不能信任它判断某事是否有趣。

跟进。一旦 Claude 得到了一个很好的结果，要求一个更好的。它总是能提出一些东西，偶尔会非常出色。

警惕硬啃。说实话，我从未成功让 Claude 很好地估计时间。相反，我培养了对一件有趣的事情应该花多长时间的直觉，并且学会了感知 Claude 是否在合理的时间尺度上取得我认为的进展。如果你放任它，模型会永远硬啃下去。

还值得一提的是，这些项目是计算密集型和 token 密集型的。对我来说，部分开销来自试图构建超越单一项目有用的工具：连接各个领域，并组装一个其他人可以使用的软件包。我希望 BootLoops 框架能够在定量科学中被广泛使用，而不需要每个用户从头重建一切。智能体 AI 使连接想法和共享代码库变得更加容易，如果我们学会利用这一优势，整个社群可以比任何单独的个人走得更快。

展望

无论模型变得多么聪明，大多数科学进步都来自必须被获取、理解和检查的现实世界数据，每一轮都为下一个问题提供信息。AI 可以处在这个循环之内，这确实有价值，但它不会把循环压缩成一个点。理解是逐步建立起来的，每一步都建立在之前的基础上；治愈癌症的方法或聚变反应堆也将以这种方式到来，而不是来自一次提示。

对千禧年大奖难题和大科学的关注，正如 Claude 喜欢说的那样，可能是一个“脚枪”（footgun）：一个让你很容易朝自己脚开枪的特性。这里的风险在于，不切实际的期望可能会阻碍已经可能的富有成效的用途。真正的进步可能会以它一贯的方式到来：通过加强科学研究的基础，并在此基础上构建日益复杂的应用。它会大大加速——正如我所描述的工作所展示的那样——但我不认为有任何证据或需要重新审视科学方法。

我喜欢的一个有时用于讨论 AI 科学的术语是凸包（convex hull）。取一个形状，把它的每一对点用直线连接起来；你得到的新形状就是包含原形状的最小凸形状：它的凸包。科学现在非常不连贯：到处都有参差不齐的前沿。生物学向一个方向突出，数学向另一个方向。一个实验室可能会花 20 年时间用一种他们掌握的方法了解一组基因的一切，而邻近的基因和替代方法却被闲置。像 BootLoops 这样的框架可以连接这些点，填补凸包。

当今的人类知识是参差不齐的——特定的科学家和子领域在某些方向上比在其他方向上推进了更多知识。中间区域——人类能够到达但没有任何特定人类到达过的地方——是 AI 的理想之地。BootLoops 包中的特定软件包，如 ACTUARY 或 NUMKIN，有助于填补这些空白。

事情变化很快，几乎不可能提前规划。为什么要申请三年的资助来计算一个 AI 模型可能一夜之间就能解决的问题？我仍然不知道该如何培养研究生。自从我发表那篇关于 vibe physics 的文章以来，这种感觉变得更加强烈了。在计算机科学等一些领域，这种颠覆简直令人恐惧。两年前，我会推荐一门“工程师 Python”课程作为必修课。今天，它已经没有必要了。我花了很多时间在机器学习上，构建模型来研究各种物理现象。现在，所有这些模型都可以由 AI 构建，所以即使是学习神经网络的来龙去脉也用处有限。只要告诉 Claude 找到最先进的 ML 方法，它就会为你做到。

我认为 BootLoops 表明，如果你找到了正确的问题，解决它的大部分技术工作现在都可以自动化。这在某种意义上是解放。但概念部分仍然需要人类。正因为如此，我希望我们能找到一种方式，让人类即使在做 Claude 形态的科学时也能得到他们应得的荣誉。奇怪的是，AI 有可能颠倒通常的模式——在这种模式中，处于顶层的人获得荣誉，而亲手解决问题的人什么也得不到。我不知道这会如何解决，但假装人类的贡献只是打字，是解决不了问题的。

那么，这给普通科学家（Joe Scientist）留下了什么？如果你问我，实际上是一个很好的位置。我们现在触手可及的工具，能够以闪电般的速度在看似棘手的问题上取得进展。我可以预见，在系统生物学这样数据丰富但理论匮乏的领域，未来将出现巨大的增长。我也很容易想象，人类思维将从计算和分析的繁琐中解放出来，去从事更深入的方向性和指导性的智力工作。最重要的是，我期待科学家们走出自己的主场，去寻找协同效应和合作，就像我与 BootLoops 所做的那样。专注于 Claude 形态的科学最令人耳目一新的结果是，它帮助我们认识到人类形态的科学是什么样子。

关于 BootLoops 框架及其所实现的科学的详细信息，请访问 www.bootloops.ai。BootLoops 框架已发布在 GitHub 上，供任何人使用和贡献。

致谢

如果没有我的人类同伴们的指导和合作，我和 Claude 与 BootLoops 一起产出的科学将远远不会这么有趣。感谢：Isaiah Andrews, Nima Arkani-Hamed, Michael Desai, Scott Edwards, Noam Elkies, Cecilia Garraffo, Matthew Gordon, Thomas Grimm, Martin Hemberg, Mikhail Ivanov, David Johnston, Gary King, Paul Lewis, Brendan Meade, Amara McCune, Joe Pater, Subhabrata Sen, Siddharth Mishra-Sharma, James O'Dwyer, Kevin Ryan, Jesse Shapiro 和 Xiaoyuan Zhang。

披露

在这个项目期间，Schwartz 一直在 Anthropic 担任访问研究员。BootLoops 不是 Anthropic 的项目；它由 Matthew Schwartz 拥有和维护。