几个月前我写过关于数据科学家在 2026 年需要学习的 3 项 Claude 技能：Claude Dashboards、Claude Cowork 用于优先处理 Jira 工单、使用 Claude Code 进行调试。但这些用例仅仅是冰山一角。Claude 还有许多其他方式可以减少重复工作，腾出时间来处理真正需要人工参与的工作部分。因此，这里再补充 4 项。

1. 用于比较建模方法的深度研究

当你向 Claude 提问时，它会从以下三个来源之一获取信息：其自身的训练数据和知识、网络搜索、研究模式。网络搜索和研究模式都需要被启用。网络搜索会为你的问题查询网络以获得单一答案。但研究模式会自行执行一系列相互连接的网络搜索，每次搜索都基于上一次的结果。随后它会返回一份带有引用的综合报告。

如何在 Claude 中使用研究模式：点击聊天窗口左下角的 + 按钮。选择 Research（蓝色指示器确认其已激活）。如果 Claude 在需要时没有自动触发它，请直接说："Claude，请使用研究工具..."

以下是 Claude 研究工具在数据科学中的一些真实用例：

问题：你刚开始构建 agentic AI 系统，需要了解评估代理是否准备好投入生产的当前最佳实践，在首次发布前进行评估。

Claude Deep Research 提示：总结在生产部署前测试 AI 代理的当前最佳实践和评估框架。涵盖常见失败模式，如循环、工具误用和幻觉行为，以及团队如何在发布前衡量可靠性。引用最近的论文、发表的基准测试或 AI 实验室的文档方法。

问题：决定是围绕一种更新的方法重建生产预测模型，还是保持已经运行的梯度提升设置。

Claude Deep Research 提示：比较经典统计预测方法（SARIMA、指数平滑）与梯度提升和基于变换器的模型在小时级能源负荷预测中的应用。对于每种方法，总结其在多日水平上的准确性、数据量需求以及 documented failure modes。引用具体的论文或基准测试。

问题：决定在将新数据集送入生产模型之前，应用哪种异常值检测方法来处理具有强季节性模式的数据集。

Claude Deep Research 提示：比较 z-score、IQR 和隔离森林方法在季节性时间序列数据中的异常值检测效果。总结每种方法在何种情况下容易产生假阳性、大规模下的计算成本，以及在它们之间选择的 documented 指导。引用具体来源。

对于最后一个问题，Claude 返回了一份结构化文档，包含以下章节：

TLDR/摘要

方法概述 — — 解释 z-score、IQR 和隔离森林是什么以及它们如何工作

每种方法的假阳性模式（在季节性背景下）

计算成本和可扩展性

决策指导：在方法之间进行选择

注意事项 — — 讨论其发现的局限性

2. 面向利益相关者的 HTML 项目简报

假设你在一家社交媒体营销公司工作，你一直在为一个特定的短视频卷帘活动开发内容参与度预测模型。然而，该模型的表现未达预期。因此，你和其他数据科学家制定了一个为期两个月的模型改进计划。但非技术利益相关者往往不耐烦，且不理解为什么帖子的表现未如最初所期望。他们希望在这一周内看到改进（正如数据科学家所知，这通常是一个不切实际的截止日期）。

创建一个可作为链接共享的 HTML 项目简报，有助于弥补这一沟通鸿沟，通过提供项目状态、时间线和期望的清晰、可读摘要。

关键实体：

公司：Towards Data Science

常见问题：

Claude 的研究工具与网络搜索有何不同？

网络搜索从网络中提取单一答案，而研究工具则执行一系列相互连接的网络搜索，每次搜索都基于上一次的结果，最后返回一份带有引用的综合报告。