Методологическая база: научные исследования с помощью ИИ (2026)

Современный инструментарий для исследователя, преподавателя и аспиранта. Документ охватывает три класса инструментов: специализированные научные платформы, агентные среды разработки и платформы синтеза знаний, — с реальными сценариями и сравнениями.

Документ актуален на июнь 2026. Цены и возможности инструментов меняются быстро — проверяйте перед покупкой подписки.

Часть 1. Архитектура инструментов

Три уровня

Часть 2. Специализированные научные платформы

2.1. Elicit

Лучше всего для: структурированного извлечения данных из статей (методологии, размеры выборок, результаты), построения evidence-таблиц, систематических обзоров.

Ограничения: Покрытие полнотекстового поиска ограничено; результаты требуют человеческой проверки.

2.2. Consensus

Лучше всего для: быстрой проверки научных утверждений (да/нет), ориентации в поле, получения ответов с цитатами из рецензированных источников.

Ограничения: Индикатор консенсуса зависит от формулировки запроса; не подходит для экспериментальных тем.

2.3. SciSpace

Лучше всего для: чтения статей вне своей области, быстрого обзора литературы, работы с конкретными PDF.

2.4. Scite

Лучше всего для: оценки, как конкретная статья цитируется другими — поддерживают ли её выводы или опровергают.

2.5. ResearchRabbit + Litmaps

Лучше всего для: обнаружения статей, которые не находит ключевой поиск; построения карт цитирования.

Сводная таблица научных платформ

Часть 3. Агентные среды разработки

Агентные среды — это инструменты 4-й парадигмы (см. paradigms_and_axes.md): ИИ с доступом к файловой системе, терминалу и браузеру, способный автономно выполнять многошаговые задачи.

3.1. Claude Code (Anthropic)

Почему важен для исследователя: Автономно обрабатывает корпус из сотен файлов (переименование, разметка, извлечение метаданных), пишет и запускает скрипты анализа, работает с базами данных. CLAUDE.md хранит контекст проекта между сессиями.

Реальный пример (из нашей практики): Обработка 200+ файлов Markdown корпуса Епархиальных ведомостей 1917–1918 гг. — инъекция YAML front matter, нормализация пагинации, валидация по дайджестам. Задача на 2–3 дня ручной работы → 2 часа.

3.2. Google Antigravity

Почему важен для исследователя: Единственный агент, который одновременно: (1) читает/редактирует файлы, (2) запускает код, (3) управляет браузером, (4) ищет в интернете, (5) генерирует изображения. Артефакты (отчёты, скриншоты, видеозаписи) обеспечивают прозрачность.

Реальный пример: Создание настоящего документа — агент провёл 6 параллельных веб-поисков, прочитал 30+ страниц результатов, синтезировал данные в структурированный отчёт.

3.3. Cursor

Почему важен: Идеален для повседневной работы с кодом анализа данных (Python, R). Интуитивный интерфейс, мгновенные inline-правки.

Ограничения: Автономность ограничена 5–15 минутами с запросами одобрения. Теряет контекст при >10 файлах.

3.4. Windsurf / Devin Desktop

Ограничения: Менее надёжен на длинных сессиях по сравнению с Claude Code.

Сводная таблица агентных сред

Оптимальная комбинация: Cursor (ежедневное кодирование) + Claude Code (тяжёлые задачи) или Antigravity (полный цикл). Стоимость: $20–40/мес.

3.5. Подходы к построению агентных связок и разработке кастомных инструментов

Для решения сложных, нелинейных исследовательских задач стандартных возможностей одного автономного агента может быть недостаточно. В этом случае применяется проектирование агентных связок (Multi-Agent Workflows) и расширение возможностей ИИ через написание собственных инструментов.

1. Шаблоны оркестрации (Orchestration Patterns)

Согласно рекомендациям Anthropic и практикам CMU, сложные процессы декомпозируются на несколько паттернов:

• Prompt Chaining (Цепочки): Последовательное выполнение задач. Шаг $N$ принимает на вход результат шага $N-1$ (например: Извлечение сущностей → Нормализация → Валидация).
• Parallelization (Параллелизм): Разделение задачи на подзадачи, выполняемые одновременно (например, параллельный анализ глав книги разными суб-агентами), с последующим объединением (синтезом) результатов.
• Evaluator-Optimizer (Генератор-Критик): Циклический паттерн, где один агент генерирует решение, а второй проверяет его по заданным критериям качества, возвращая на доработку при наличии замечаний.

2. Разработка кастомных инструментов через Model Context Protocol (MCP)

Model Context Protocol (MCP) — это открытый стандарт, позволяющий подключать к агентам (Claude Code, Antigravity) любые внешние API, базы данных и локальные скрипты в качестве стандартных инструментов.

• Написание собственных MCP-серверов: Используя Python (с библиотекой mcp) или Node.js, исследователь может упаковать свои аналитические скрипты в MCP-сервер. Агент сможет сам вызывать эти функции во время работы.
• Примеры кастомных инструментов:
  • Чтение данных из внутренней библиографической базы или вузовского каталога.
  • Запуск специфических алгоритмов лингвистической или статистической обработки (например, лемматизаторов для древних языков).
  • Инструменты для автоматической конвертации архивных описей из Excel/XML в реляционные таблицы.

3. Использование локальных интерпретаторов и скриптов

Вместо разработки сложного MCP-сервера агент может использовать инструмент запуска командной строки (Terminal/Run Command) для создания и выполнения вспомогательных скриптов:

• Агент самостоятельно пишет Python/R-скрипт для парсинга, токенизации или очистки данных.
• Агент запускает этот скрипт, считывает вывод терминала, исправляет ошибки в коде при их возникновении и выдаёт структурированный результат.

3.6. Методологическая структура масштабной исследовательской работы с историческими текстовыми корпусами

Для оцифровки, анализа и ввода в научный оборот больших массивов неструктурированных исторических источников (архивных дел, старой периодики, личных дневников) применяется строгая методология поэтапного преобразования данных. Ниже представлена обезличенная структура такого процесса, ориентированная на применение ИИ-агентов.

graph TD
    A[Неструктурированные источники] -->|Оцифровка и OCR| B[Сырой текстовый корпус]
    B -->|Специфическая нормализация| C[Очищенный текстовый корпус]
    C -->|Экстракция сущностей NER| D[Реляционная база данных]
    C -->|Чанкинг и индексация| E[Тематические цитатники]
    D & E -->|Синтез и верификация| F[Аналитические своды и обобщения]

Фаза 1. Сбор источников и первичная оцифровка

1. Сбор материалов: Получение сканов или фотографий документов из архивов, библиотечных коллекций и частных собраний.
2. Распознавание (OCR): Перевод изображений в текстовый формат. На этом этапе текст содержит ошибки распознавания, разрывы строк и архаичную орфографию.

Фаза 2. Очистка и нормализация (De-archiving)

1. Исправление ошибок: Применение ИИ для исправления опечаток OCR с сохранением оригинальных грамматических конструкций.
2. Орфографическая адаптация: Приведение архаичного написания слов к современным орфографическим нормам. Это критически важно, так как современные LLM и поисковые индексы не могут корректно индексировать и искать слова, написанные в дореформенной орфографии. При этом исходная версия текста обязательно сохраняется в качестве контрольной.

Фаза 3. Выделение сущностей и структуризация (NER & Relational Mapping)

1. Извлечение именованных сущностей (Named Entity Recognition): ИИ-агенты сканируют очищенный текст и извлекают:
   • Персоналии: имена, должности, титулы, родственные связи.
   • Географию: уезды, города, села, монастыри, конкретные адреса.
   • События: даты, аресты, перемещения по службе, заседания, публикации.
2. Построение базы данных: Извлеченные сущности и связи между ними автоматически экспортируются в реляционную базу данных (например, SQLite/PostgreSQL). Каждому объекту присваивается уникальный идентификатор (ID), что позволяет строить граф связей (социальные сети прошлого).

Фаза 4. Сегментация и создание цитатников

1. Чанкинг (Разбивка): Исходные протяженные тексты разделяются на небольшие смысловые фрагменты (абзацы, ответы на вопросы допроса, статьи в газете).
2. Индексирование и разметка: Каждый фрагмент привязывается к автору, дате и источнику, а также тегируется ключевыми словами.
3. Формирование тематических цитатников (Quote Books): Агрегирование фрагментов по ключевым темам или личностям. Это позволяет исследователю видеть все высказывания из корпуса по конкретному вопросу в одном месте, с точными дословными формулировками и ссылками на лист/страницу архивного дела.

Фаза 5. Агрегирование и составление сводов

1. Синтез данных (Своды): Переход от цитатников к связным историческим или биографическим описаниям. ИИ-агент на основе цитатника компилирует структурированные своды (например, хронологию событий, коллективные портреты групп, эволюцию дискуссии).
2. Обеспечение ссылочной целостности (Citation Grounding): Каждое утверждение в аналитическом своде должно жестко ссылаться на соответствующую цитату в цитатнике, а та — на конкретный оцифрованный лист первоисточника. Агенты-верификаторы (Evaluator) автоматически перепроверяют дословную точность цитирования.

3.7. Личный исследовательский стек: Obsidian + Zotero + AI

Для индивидуальных исследователей, не имеющих ресурсов для развертывания сложных корпоративных баз данных, аналогичный процесс связывания данных и работы с источниками может быть выстроен локально с использованием связки Zotero (менеджер источников) и Obsidian (база знаний) при поддержке ИИ-инструментов.

graph LR
    Z[Zotero: PDF + Метаданные] -->|Zotero Integration| O[Obsidian: Markdown-заметки]
    O -->|Внутренние ссылки| G[Семантический граф знаний]
    O -->|Embeddings / REST API| AI[ИИ-анализ и чат с базой]

1. Zotero как хранилище источников и метаданных

• Сбор и каталогизация: Zotero хранит библиографические карточки книг и статей, их PDF-файлы, аннотации и веб-ссылки.
• Чтение и разметка: Исследователь читает PDF внутри встроенного ридера Zotero, выделяет ключевые фрагменты разными цветами (например: желтый — цитата, синий — методология, зеленый — персоналия) и добавляет комментарии.

2. Obsidian как пространство для связывания знаний

• Импорт аннотаций: С помощью плагина Zotero Integration в Obsidian настраивается шаблон автоматического создания Markdown-заметок о литературе (Literature Notes). В один клик плагин выгружает из Zotero библиографические данные и все выделенные цитаты с комментариями.
• Сеть связей (Wikilinks): Внутри заметок исследователь связывает концепты, персоналий и события с помощью двойных квадратных скобок [[Имя Сущности]]. Obsidian строит визуальный интерактивный граф связей между прочитанными статьями и личными мыслями автора.

3. Интеграция ИИ для анализа графа знаний

Для работы ИИ с локальным хранилищем (Vault) Obsidian используются два основных подхода:

• Локальные плагины со встроенным RAG (например, Smart Connections или Copilot):
  • Плагин строит векторные эмбеддинги для всех Markdown-файлов.
  • Исследователь может осуществлять семантический поиск по всей базе («Найди все упоминания концепции соборности у авторов русской эмиграции») или вести диалог с чат-ботом, который отвечает строго на основе содержимого его собственных заметок.
• Агентное управление через REST API (плагин Obsidian Local REST API):
  • Плагин открывает безопасный локальный порт, через который внешние ИИ-агенты (например, Antigravity или Claude Code) могут программно взаимодействовать с базой знаний.
  • Агент может автоматически анализировать папки с заметками, выявлять логические противоречия, заполнять карточки сущностей, генерировать именные указатели и проставлять взаимные ссылки между заметками, обогащая граф знаний без участия человека.

Часть 4. Платформы синтеза знаний

4.1. NotebookLM (Google)

Почему важен: Гарантирует строгую привязку к источникам. Audio Overview превращает стопку PDF в подкаст. С июня 2026 может выполнять код для анализа данных.

4.2. Perplexity

Почему важен: Лучший для фазы обнаружения. Режим Academic фильтрует до рецензированных публикаций.

4.3. ChatGPT Deep Research (OpenAI)

Генерация длинных аналитических отчётов с цитатами. Advanced Data Analysis — загрузка CSV/XLSX → статистический анализ, графики.

Рекомендуемый воркфлоу

1. Perplexity → разведка поля, сбор URL и PDF
2. NotebookLM → загрузка найденных источников, кросс-анализ
3. Consensus / Elicit → проверка утверждений против корпуса науки
4. Claude Code / Antigravity → автоматическая обработка данных
5. NotebookLM → финальный отчёт, Audio Overview для презентации

Часть 5. Богословские и гуманитарные инструменты

Эти инструменты демонстрируют 6-ю парадигму — институциональную ИИ-инфраструктуру для конкретной дисциплины. Аналогичный подход применим для проектов СФИ.

Часть 6. MCP-серверы для научных исследований

MCP (Model Context Protocol) позволяет подключать к агентным средам (Claude Code, Antigravity, Cursor) внешние API как «инструменты». Для исследователя это означает: агент может сам искать статьи, строить цитатные графы, скачивать и читать PDF — не выходя из рабочей сессии.

6.1. Релевантные MCP-серверы из обзора Snyk и GitHub

Рекомендация для СФИ: Подключить academic-research-mcp или scholar-search-mcp к Claude Code / Antigravity. Это даст агенту возможность самостоятельно искать релевантные статьи при написании обзора литературы.

6.2. Пример конфигурации MCP для Claude Code

{
  "mcpServers": {
    "scholar-search": {
      "command": "uv",
      "args": ["run", "--no-sync", "scholar-search-mcp"],
      "env": {
        "S2_API_KEY": "${env:S2_API_KEY}"
      }
    }
  }
}

6.3. Нерелевантные MCP-серверы (из обзора Snyk)

Следующие серверы из статьи Snyk не подходят для гуманитарных исследований:

• CMR-MCP (NASA) — данные о Земле, океанографии
• Data.gov MCP — госданные США
• Education Data MCP — статистика образования США
• Fiscal Data MCP — казначейство США
• DataHub MCP — корпоративные метаданные

Часть 7. Базы источников по дисциплинам: arXiv и альтернативы

7.1. arXiv и его место

arXiv.org (138M+ статей) — крупнейший препринт-сервер, но покрывает преимущественно точные науки: физика, математика, CS, количественная биология, финансы. Для гуманитарных дисциплин arXiv практически бесполезен.

7.2. Препринт-серверы для гуманитарных наук

7.3. Российские научные базы данных

7.4. Специализированные базы для церковной истории и богословия

Часть 8. Языковая и источниковая специфика

Критический фактор для СФИ: большинство западных ИИ-инструментов (Elicit, Consensus, SciSpace) работают преимущественно с англоязычным корпусом. Это создаёт асимметрию: для разных дисциплин применимость инструментов принципиально различается.

8.1. Матрица «Дисциплина × Источники»

8.2. Стратегии по типу источников

Тип А: Международные источники (библеистика, патрология)

• Elicit, Consensus, SciSpace работают напрямую — корпус покрывает основные журналы
• arXiv полезен через cs.CL (computational linguistics for ancient texts)
• MCP-серверы (scholar-search, academic-research) дают доступ к 200M+ статей
• PhilArchive содержит богословскую философию

Тип Б: Российские публикации (богословие, церковная история)

• eLibrary / КиберЛенинка — основные базы, но без API для ИИ-агентов
• Стратегия: скачать PDF → загрузить в NotebookLM для анализа
• Альтернатива: Claude Code / Antigravity — скрапинг КиберЛенинки, извлечение метаданных
• Consensus и Elicit не покрывают большинство русскоязычных журналов

Тип В: Архивные источники (история РПЦ XX в., новомученики)

• Западные платформы полностью бесполезны — источники существуют только в российских архивах (ГАРФ, РГИА, ЦГАМО, епархиальные архивы)
• Единственный путь: оцифровка → OCR → структуризация агентными средами
• Наш реальный опыт: проект MartyrParser — 65K+ биографий, 19K+ персон в БД pravoslavnoe-duhovenstvo, обработка корпусов ЕВ
• Инструменты: Claude Code (OCR, NER, построение БД), Antigravity (скрапинг каталогов, браузерная автоматизация), NotebookLM (синтез по оцифрованным источникам)

8.3. Потенциальные MCP-серверы для русскоязычных исследований (не существуют, но могут быть созданы)

Вывод: Для дисциплин с преимущественно русскоязычными источниками (история РПЦ XX в., литургика) западные ИИ-платформы — лишь вспомогательный инструмент. Основная работа ложится на агентные среды (Claude Code, Antigravity), которые обрабатывают оцифрованные архивные материалы, и NotebookLM, который анализирует загруженные вручную PDF.

Часть 9. Три реальных сценария

Сценарий А: Систематический обзор литературы для диссертации

Задача: Обзор по теме «Практики покаяния в Русской Церкви 1917–1920 гг.»

Стоимость: ~$30/мес + бесплатные инструменты.

Сценарий Б: Корпусный анализ церковной периодики

Задача: 500+ номеров ЕВ → структурированные данные → именной указатель

Стоимость: ~$20–100/мес.

Сценарий В: RAG-система для библиотеки вуза

Задача: Чат-бот по фонду библиотеки СФИ

Стоимость: ~$40/мес.

Часть 10. Матрица выбора по задаче

Часть 11. Стеки по бюджету

Бесплатный стек

• Perplexity Free + NotebookLM Free + Consensus Free + ResearchRabbit + Antigravity

Базовый (~$30/мес)

• Perplexity Pro ($20) + Elicit Plus ($12) + NotebookLM Free + Antigravity Free

Продвинутый (~$70/мес)

• Perplexity Pro ($20) + Claude Code Pro ($20) + Cursor Pro ($20) + Elicit Plus ($12) + NotebookLM + Antigravity Free

Часть 12. Методологические принципы

1. Разделение фаз (Stanford CS224G): Извлечение данных и анализ — разными промптами. Снижает галлюцинации на 80%.
2. Правило 20+ примеров (Mannheim IE685): Валидационный набор ≥20 эталонов для каждого важного промпта.
3. Промпты-оппоненты (CMU 17-630): Просите ИИ искать опровержения вашей гипотезе. Защита от сикофантии.
4. Строгая привязка к источникам: Требуйте точные цитаты с указанием страницы. Формат: таблица с полем «Источник».
5. Маркировка ИИ-помощи: Использование ИИ без указания = академический плагиат (см. ai_usage_rules.md).

Источники

1. Elicit — elicit.com
2. SciSpace — scispace.com
3. Consensus — consensus.app
4. NotebookLM Blog — blog.google/notebooklm
5. Google Antigravity — antigravity.google
6. Claude Code — claude.ai/code
7. Danilchenko, M. «Cursor vs Claude Code vs Windsurf in 2026» — danilchenko.dev
8. «AI for Literature Review 2026: 7 Tools Compared» — perplexityaimagazine.com
9. «AI Tools for Research in 2026» — zerve.ai
10. HKUST Library «Comparison of GenAI Tools» — libguides.hkust.edu.hk
11. Corpus Sanctum — corpussanctum.ai
12. TheologAI — github.com/TJ-Frederick/TheologAI
13. BibCrit — bibcrit.com