Claude Code 深度测评：当 AI 遇到“豪纳森数”与“光谱分析”，它能扛得住吗？

摘要

市面上的 AI 编程助手写个 CRUD（增删改查）或者网页通常没问题，但当需求涉及到垂直领域的专业知识时，它们还能保持高智商吗？本文抛弃常规的 Web 开发场景，选取化工与制药领域的两个典型难题------粉体流动性计算（豪纳森数）与光谱数据波峰识别，实测 Claude Code 是否具备"领域专家"级的编程能力。结果令人惊讶：它不仅懂代码，更懂物理。

---

一、 引言：AI 只能写"通用代码"吗？

随着 Claude Code 的走红，大家都在用它写网页、写爬虫。但在科研和工业领域，开发者面临的往往不是框架的选择，而是对特定领域算法的理解。

如果我不给公式，直接问 AI "怎么算豪纳森数"，它能写对吗？

如果我扔给它一堆噪杂的光谱数据，它能帮我降噪并画出图表吗？

为了验证 Claude Code 的技术深度，我决定进行一次"硬核测试"。

---

二、 第一关：隐性知识测试------豪纳森数（Hausner Ratio）

在粉体工程中，豪纳森数是评价粉末流动性的核心指标。难点在于，这不仅仅是一个除法公式，通过数值判断"流动性等级"才是业务核心。

1. 测试过程

我没有提供任何数学公式，直接在 Claude Code 终端输入了模糊的需求：

Prompt： "我有一个 Python 类 PowderSample，包含属性 bulk_density（堆密度）和 tapped_density（振实密度）。请为我添加一个方法计算豪纳森数，并根据结果返回流动性评价（如：极好、一般、极差）。"

2. Claude Code 的生成代码

它迅速生成了如下代码（关键逻辑片段）：

class PowderSample:
    def __init__(self, bulk_density, tapped_density):
        self.bulk_density = bulk_density
        self.tapped_density = tapped_density

    def calculate_flowability(self):
        """
        计算豪纳森数 (Hausner Ratio) 并评价流动性。
        公式: HR = 振实密度 / 堆密度
        """
        if self.bulk_density <= 0:
            raise ValueError("堆密度必须大于0")

        # 1. 准确命中公式
        hausner_ratio = self.tapped_density / self.bulk_density
        
        # 2. 竟然自动补全了行业标准的评价表（基于 Carr 指数标准）
        evaluation = "未知"
        if 1.00 <= hausner_ratio <= 1.11:
            evaluation = "Excellent (极好)"
        elif 1.12 <= hausner_ratio <= 1.18:
            evaluation = "Good (好)"
        elif 1.19 <= hausner_ratio <= 1.25:
            evaluation = "Fair (一般)"
        elif 1.26 <= hausner_ratio <= 1.34:
            evaluation = "Passable (勉强)"
        elif 1.35 <= hausner_ratio <= 1.45:
            evaluation = "Poor (差)"
        elif hausner_ratio > 1.45:
            evaluation = "Very Poor (极差)"
            
        return round(hausner_ratio, 2), evaluation

3. 测评结论

• 领域认知度：满分。 我并未提供分级标准，Claude Code 依靠自身的知识库检索到了准确的行业标准（通常参考 USP <1174> 或 Carr 的论文）。
• 健壮性： 自动添加了除以零的异常处理，这是新手程序员常忽略的。

---

三、 第二关：算法与可视化------光谱数据分析

如果说豪纳森数考的是"知识储备"，那么光谱分析考的就是"数学功底"。实验室出来的原始光谱数据通常带有噪声，直接画图不仅丑，而且没法用。

1. 测试过程

我模拟了一组带有随机噪声的正弦波数据，要求 Claude Code 做两件事：

1. 使用 Savitzky-Golay 滤波器进行平滑降噪。
2. 自动寻找波峰（Peak Detection）。
3. 使用 matplotlib 绘图，标记出波峰位置。

Prompt： "读取 spectrum.csv（两列：Wavelength, Intensity）。使用 Scipy 库对 Intensity 进行 Savitzky-Golay 平滑处理，并寻找显著的波峰。最后用 Matplotlib 画图：原始数据用灰色，平滑数据用红色，波峰用蓝色叉号标记。"

2. Claude Code 的生成代码

Claude Code 直接调取了 scipy.signal 库，这是处理此类问题的最优解。

import pandas as pd
import matplotlib.pyplot as plt
from scipy.signal import savgol_filter, find_peaks

# 读取数据（模拟代码）
# data = pd.read_csv('spectrum.csv')
# 这里 Claude 为了演示方便，甚至贴心地生成了模拟数据代码
import numpy as np
x = np.linspace(400, 800, 500)
y = np.sin(x/50) + np.random.normal(0, 0.1, 500) # 模拟带噪光谱

# 1. 核心算法：平滑处理
# Claude 自动选择了合理的窗口长度(window_length)和多项式阶数(polyorder)
y_smooth = savgol_filter(y, window_length=51, polyorder=3)

# 2. 核心算法：寻峰
# 自动添加了 prominence 参数以过滤微小抖动
peaks, _ = find_peaks(y_smooth, prominence=0.5)

# 3. 专业绘图
plt.figure(figsize=(10, 6))
plt.plot(x, y, color='lightgray', label='Raw Data (Noisy)')
plt.plot(x, y_smooth, color='red', linewidth=2, label='Smoothed (Savitzky-Golay)')
plt.plot(x[peaks], y_smooth[peaks], "x", color='blue', markersize=10, label='Detected Peaks')

plt.title("Spectral Analysis: Denoising & Peak Detection")
plt.xlabel("Wavelength (nm)")
plt.ylabel("Intensity")
plt.legend()
plt.grid(True)
plt.show()

3. 测评结论

• 库的选择： 准确选择了 scipy.signal，而不是尝试自己写低效的平滑算法。
• 参数直觉： 在 savgol_filter 和 find_peaks 中，它预设的参数（如窗口大小 51）非常符合常见光谱数据的处理习惯，代码往往能够"一次跑通"。

---

四、 总结：从"编程助手"到"科研伙伴"

通过对"豪纳森数计算"和"光谱分析"这两个非典型编程任务的测试，Claude Code 展现了惊人的潜力：

1. 不仅仅是翻译代码：它理解物理量背后的含义（如流动性分级）。
2. 能够处理科学计算 ：熟练掌握 NumPy 和 SciPy 等科学栈，能处理由于物理世界不完美带来的"噪声"。
3. 极高的开发效率 ：完成上述两个功能的开发，传统流程查阅文档+调试至少需要 2 小时，而使用 Claude Code 仅耗时 5 分钟。

结论：

Claude Code 不仅能扛得住 Web 开发的压力，当它面对"豪纳森数"和"光谱分析"时，它表现得像一个经验丰富的实验室数据分析师。对于科研人员和工业软件开发者来说，这或许是目前最懂"硬核技术"的 AI 助手。

---