Открытый ИИ-фреймворк для учёных: ускорение анализа данных без потери строгости

DAAF (Data Analyst Augmentation Framework) — бесплатный open-source фреймворк инструкций для Claude Code, который помогает исследователям масштабировать свою экспертизу и ускорять анализ данных с помощью ИИ, не жертвуя прозрачностью, воспроизводимостью и строгостью — то есть всем тем, что делает науку наукой. Проект только что получил собственный сайт и открыт для вкладчиков со всего мира.

Что такое DAAF и зачем он нужен

DAAF — это open-source рабочий процесс для опытных исследователей, который резко ускоряет количественный анализ данных, сохраняя экспертизу человека в центре научного процесса.

Построенный на Claude Code и выпущенный под лицензией LGPL-3.0, DAAF позволяет специалистам по данным использовать последние достижения в области агентных рабочих процессов с ИИ, сохраняя строгость, воспроизводимость и прозрачность на каждом шагу.

Думайте о DAAF как о силовом экзоскелете для исследователя — инструменте, созданном, чтобы усилить вашу экспертизу, а не заменить её.

ℹ Что такое agentic orchestration?
Agentic orchestration (агентная оркестрация) — архитектурный подход, при котором несколько специализированных ИИ-агентов координируют свою работу для выполнения сложных многоэтапных задач. В отличие от одиночного чата с моделью, агенты планируют, используют инструменты, корректируют результаты и взаимодействуют между собой.

Ключевые возможности фреймворка

DAAF «сидит» между исследователем и Claude Code и автоматически помогает модели мыслить как ответственный, строгий учёный: обеспечивает аудируемость и воспроизводимость всей работы, предотвращает нежелательный доступ к файлам через «песочницу» с логированием, задаёт высокие стандарты тщательности анализа, заставляя Claude комментировать и проверять каждую строку аналитического кода, и встраивает лучшие практики для широкого спектра методологий — от каузального вывода до геопространственного анализа.

Базовый фреймворк поставляется готовым к анализу любого из более чем 40 фундаментальных публичных наборов данных по образованию, доступных через Urban Institute Education Data Portal, и легко расширяется на новые области данных и методологии.

DAAF также изначально глубоко понимает многие из наиболее распространённых методов исследования в социальных науках: от техник каузального вывода, таких как разность разностей (difference-in-differences), до геопространственного анализа и методов машинного обучения без учителя.

💡 Быстрый старт
Установить DAAF и начать работу можно всего за 10 минут при наличии свежей инсталляции и аккаунта Anthropic с достаточным лимитом использования.

Как работает DAAF: схема процесса


graph TD
    A[Исследователь задаёт вопрос] --> B[DAAF-инструкции]
    B --> C[Claude Code]
    C --> D{Агентная оркестрация}
    D --> E[Анализ данных]
    D --> F[Проверка кода]
    D --> G[Логирование решений]
    E --> H[Аудируемый результат]
    F --> H
    G --> H
    H --> I[Человек-эксперт проверяет и утверждает]

Сравнение: DAAF vs. обычное использование Claude Code

ПараметрОбычный Claude CodeDAAF + Claude Code
ВоспроизводимостьНе гарантированаПринудительные стандарты
Безопасность файловПолный доступПесочница + логи
МетодологииБазовыеРазность разностей, геоанализ, ML
ДанныеЛюбые (настройка вручную)40+ публичных датасетов из коробки
Ускорение работыЗависит от промптаДо 5–10×
Лицензия—LGPL-3.0, бесплатно навсегда

Пример: быстрый старт с DAAF

# Клонируем репозиторий
git clone https://github.com/DAAF-Contribution-Community/daaf
cd daaf

# Следуем инструкции по установке (занимает ~10 минут)
# Запускаем Claude Code внутри среды DAAF
claude

После запуска можно спросить у Claude:

I'm new here — can you walk me through what DAAF actually does?

DAAF загрузит собственную документацию и ответит с чёткими образовательными пояснениями — а также при необходимости найдёт официальную документацию Docker, Git и Claude Code онлайн.

Контекст: почему это важно для науки

Агентный ИИ — это системы, способные преследовать цели, планировать последовательности действий, использовать инструменты и выполнять многошаговые задачи с минимальным участием человека. В отличие от стандартных ИИ-моделей, агентные системы действуют автономно, координируются с другими агентами и адаптируют свой подход по мере получения результатов.

Для академической среды это означает принципиальный сдвиг. Только за последний месяц исследователи с помощью ИИ-агентов успели: преобразовать минимальную реализацию метода анализа гетерогенных эффектов воздействия в полноценный R-пакет за чуть более суток; создать двадцатистраничный аналитический отчёт с визуализациями и полным файлом репликации менее чем за час; а также разработать всю инфраструктуру, сбор данных, анализ и отчётность для пилотного исследования — от нуля до результата.

Проблема в том, что большинство подобных инструментов не обеспечивают строгости, необходимой науке. DAAF решает именно это.

⚠ Важное ограничение
DAAF не является и никогда не будет идеальным инструментом — но он уже сейчас чрезвычайно полезен, и это худшее, чем DAAF когда-либо будет с этого момента, благодаря поддержке широкого исследовательского сообщества.

Миссия и открытость

Организация, стоящая за DAAF, — миссионерски ориентированная структура, убеждённая в том, что инфраструктура для ответственной, ИИ-дополненной работы должна быть широко доступна каждому, кто использует её во благо других. Каждый инструмент разрабатывается в тесном сотрудничестве с реальными экспертами-практиками, каждый фреймворк — открытый, а каждый образовательный ресурс — в свободном доступе.

Инфраструктура для ответственного и эффективного использования ИИ должна быть общественным благом для всех, а не конкурентным преимуществом.

Фреймворк спроектирован как гиперрасширяемый и применимый к любой предметной области данных — и будет бесплатным для каждого исследователя всегда.

Репозиторий DAAF доступен на GitHub. Сайт проекта — openaugments.org.