Runcell Science: Open-Source-Alternative zu Claude Science für Forschungsteams

Name

Soren Atelier

Aktualisiert am 6.7.2026

Wenn Sie nach einer Claude Science Alternative oder einer Open-Source-Alternative zu Claude Science suchen, ist Runcell Science ein sinnvoller Kandidat. Es ist kein weiterer Chatbot für wissenschaftliche Fragen, sondern ein local-first AI Research Workspace: Agent-Sessions, lokale Projektdateien, Research Connectors, Tool-Aktivitäten, Artifacts, Code-Diffs und Folgeaufgaben liegen in einem gemeinsamen Arbeitsbereich.

Der Kern ist einfach: Forschungsteams sollen KI-Agenten wie Codex und Claude Code für echte Forschungsprojekte nutzen können, ohne Projektkontext, Dateien und Kontrolle in einem geschlossenen Chatfenster zu verlieren.

Projekt-Repository: https://github.com/runcell-ai/runcell-science (opens in a new tab)

Kurzfazit: Wann Runcell Science passt

In einem Satz: Claude Science steht für die Suche nach einem spezialisierten KI-Workspace für wissenschaftliche Arbeit. Runcell Science positioniert sich als offene, local-first Alternative, bei der Workspace, Connectors und Projektkontext im Vordergrund stehen, während Codex, Claude Code oder spätere Agenten austauschbare Backends bleiben.

Der Begriff open science ist hier als Workflow-Kategorie wichtig, nicht als Produktname. Offene Wissenschaft bedeutet nicht nur offene Publikationen oder offene Daten, sondern auch nachvollziehbare, reproduzierbare und überprüfbare Forschungsprozesse. Runcell Science passt in diese Richtung, weil es lokale Projekte, reviewbare Diffs, nachvollziehbare Agent-Sessions und connector-basierte Recherche in einen Arbeitsfluss bringt.

Was ist Runcell Science?

Runcell Science ist ein lokaler Forschungsworkspace für Forschende, Research Engineers, Studierende und technische Teams, die AI Coding Agents in wissenschaftlichen Projekten einsetzen wollen. Das Produkt löst ein praktisches Problem: KI kann Code schreiben und Recherche unterstützen, aber Forschung besteht selten aus einer einzelnen Frage. Sie besteht aus Literatur, Datenquellen, Notebooks, Skripten, Experimenten, Reports, Diffs und Entscheidungen, die über längere Zeit zusammengehören.

Runcell Science behandelt diese Arbeit nicht als losen Chatverlauf, sondern als Session in einem Projekt:

• Agent-Gespräche bleiben in konkreten Sessions erhalten.
• Lokale Projektdateien und aktueller Arbeitszustand werden Teil des Kontexts.
• Tool-Aktivitäten, erzeugte Ergebnisse, Artifacts und Diffs können wieder in denselben Workflow zurückfließen.
• Folgeaufgaben müssen nicht aus langen Chatprotokollen rekonstruiert werden.
• Research Connectors können pro Session aktiviert oder deaktiviert werden.

Das ist für wissenschaftliche Arbeit entscheidend. Ein typischer Forschungsworkflow kann mit Literaturrecherche starten, danach Gene oder Targets prüfen, klinische Studien vergleichen, ein Notebook schreiben, ein Pipeline-Problem beheben, Abbildungen erzeugen und am Ende ein reproduzierbares Ergebnis dokumentieren. Runcell Science versucht, diese Schritte in einem beständigen Arbeitsbereich zusammenzuführen.

Warum es mehr ist als ein KI-Chatfenster

Allgemeine KI-Chats sind gut für schnelle Erklärungen. Forschungsentwicklung braucht aber dauerhaften Kontext:

• Welche Skripte, Notebooks und Daten liegen im aktuellen Repository?
• Welche Dateien hat der Agent in der letzten Session geändert?
• Welche Ergebnisse stammen aus PubMed, bioRxiv, Clinical Trials oder ChEMBL?
• Welcher Artifact ist weiter editierbar, welcher Diff muss geprüft werden?
• Welche Connectors sollen für genau diese Aufgabe verfügbar sein?

Runcell Science ist deshalb näher an AI-assisted research development als an klassischem Chat. Der Agent soll nicht nur antworten, sondern im lokalen Projekt arbeiten: Dateien lesen, Analysecode schreiben, Literatur strukturieren, Prototypen erzeugen, Diffs liefern und die nächsten Schritte im gleichen Workspace hinterlassen.

Drei zentrale Unterschiede

1. Local-first: Projekt, Dateien und Kontrolle bleiben bei Ihnen

Runcell Science beschreibt sich als local-first Workspace für den Einsatz von AI Coding Agents durch Forschende. Das ist mehr als ein technisches Detail. Forschungsprojekte enthalten oft:

• unveröffentlichte Ideen, Skripte und Experimente;
• lokale Notebooks, Konfigurationen und Zwischenstände;
• längerfristige Projektkontexte;
• Code-Diffs, die von Menschen geprüft werden müssen;
• Anforderungen an Reproduzierbarkeit und Auditierbarkeit.

Local-first bedeutet nicht, dass nie ein Modell oder externer Dienst genutzt wird. Es bedeutet: Der Forschungsworkflow wird um Ihr lokales Projekt organisiert, nicht um einen temporären Kontext in einem gehosteten Chatfenster.

Für Research Engineers ist das praktisch. Ein Agent kann im echten Repository helfen: Analysecode schreiben, Notebook-Logik aufräumen, Pipeline-Fehler erklären, Dokumentation erzeugen oder ein Experiment in überprüfbare Schritte zerlegen.

2. Austauschbare Agent Backends: Codex und Claude Code

Runcell Science unterstützt in der aktuellen Runtime zwei Agent Provider: codex und claude. Damit ist die Oberfläche nicht fest an einen einzelnen Agenten gebunden. Der Workspace bleibt gleich, während das ausführende Agent Backend je nach Aufgabe, Kosten, Teamstandard oder bevorzugtem Verhalten gewechselt werden kann.

Das ist ein wichtiger Punkt für alle, die nach einer open source alternative to Claude Science suchen. Ein einfacher Wrapper kann eine Modelloberfläche hübscher machen. Runcell Science setzt höher an: Projektkontext, Sessions, Connectors, Artifacts und Diffs bilden den eigentlichen Workspace; darunter können verschiedene Agenten arbeiten.

Das macht die Agenten nicht automatisch gleich. Codex, Claude Code und mögliche spätere Backends unterscheiden sich bei Berechtigungen, Tool-Protokollen, Kosten, Kontextfenstern und Verhalten. Der Vorteil liegt darin, dass Runcell Science diese Unterschiede aufnehmen kann, statt Forschungsteams dauerhaft auf einen Agenten festzulegen.

3. Connector-first: Research Connectors sind Kern des Workflows

Der stärkste Unterschied zu vielen frühen AI-Research-Demos liegt in den Connectors. Forschungsteams brauchen nicht nur einen Agenten, der Code schreiben kann. Sie brauchen Zugriff auf wissenschaftliche Datenquellen, Datenbanken und Toolchains.

Runcell Science enthält eine Registry gebündelter Science Connectors, unter anderem:

• BioMart
• PubMed
• bioRxiv / medRxiv
• Clinical Trials
• ChEMBL
• Genes & Ontologies
• Protein Annotation
• Structures & Interactions
• Variants
• Literature Graph
• Expression
• Omics Archives
• Regulation
• Drug Regulatory
• Research Resources
• Cancer Models
• Chemistry
• Ketcher Chemistry
• Human Genetics
• Genomes
• RNA
• CellGuide
• ZINC

Die Liste ist nicht nur lang, sie deckt typische Forschungsaufgaben ab.

Wichtig ist außerdem die Session-Ebene. Die UI enthält ein Session Connectors Menu, mit dem Sie für die aktuelle Session Connectors aktivieren oder deaktivieren können. Es kann gebündelte Science Connectors und konfigurierte MCP Server verwalten. Praktisch heißt das: Der Agent bekommt nicht blind alle Werkzeuge, sondern die Werkzeuge, die zur aktuellen Forschungsfrage passen.

Vergleich: Claude Science und Runcell Science

Wer nach "Claude Science Alternative" sucht, will meist drei Fragen beantworten:

1. Kann das Tool Forschung als dauerhaften Workspace abbilden?
2. Kann ein KI-Agent Forschungs- und Analysecode schreiben, ändern oder warten?
3. Bleibt man frei von Lock-in bei Agent, Modell, Workspace und Datenquellen?

Runcell Science beantwortet diese Fragen stärker über Offenheit, lokale Kontrolle und Connector-Orchestrierung als über ein geschlossenes Agent-Erlebnis.

Runcell Science ist noch ein frühes, schnell wachsendes Open-Source-Projekt. Es eignet sich deshalb besonders für Nutzer, die lokale Entwicklungsumgebungen verstehen, Agent-CLIs einsetzen und Forschungsworkflows bewusst testen wollen. Es ist nicht als vollständig reifes Enterprise-SaaS mit fertiger Abdeckung aller Disziplinen zu lesen.

Typische Workflows

Literaturrecherche: Von Paper-Suche zu wiederverwendbaren Notizen

In einer Session können PubMed, bioRxiv / medRxiv und Literature Graph aktiviert werden. Der Agent kann dann Themen scannen, zentrale Arbeiten strukturieren, Forschungsrichtungen vergleichen und Ergebnisse in editierbare Notizen oder Artifacts überführen.

Der wichtige Punkt: Das Modell soll nicht aus dem Gedächtnis Literatur zusammenfassen, sondern um echte Rechercheergebnisse herum arbeiten. Das passt für Topic Scans, Related-Work-Entwürfe, frühe Projektideen und Evidenzsammlungen.

Target- und Compound-Screening: Gene, Proteine, Struktur und Chemie verbinden

Für Wirkstoffforschung und Bioinformatik lassen sich ChEMBL, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, ZINC und Chemistry in denselben Arbeitsfluss bringen.

Ein realistischer Ablauf:

1. Zielgen und Ontologie-Informationen prüfen.
2. Proteinannotation und Strukturinteraktionen sichten.
3. Bekannte Compounds und Aktivitätsdaten recherchieren.
4. Ein Analyse-Notebook oder Skript erzeugen.
5. Diffs, Diagramme oder Follow-up Tasks durch den Agenten vorbereiten lassen.

Klinische Studien: Trial Search im Projektkontext

Clinical Trials und Drug Regulatory Connectors können helfen, echte Studiendaten strukturiert zu recherchieren. Der Vorteil gegenüber einer isolierten Chat-Zusammenfassung liegt darin, dass Ergebnisse anschließend mit Projektdateien, Notebooks, Berichten und Artifacts verbunden bleiben.

Varianteninterpretation: Von Datenbankabfrage zu Analyseartefakt

Variants, Human Genetics, Genomes, Regulation und Expression passen zu Aufgaben rund um genetische Varianten, Expressionsunterschiede und regulatorischen Kontext. Ein Agent kann Abfragen nicht nur erklären, sondern daraus Notebook-Code, Markdown-Reports, Visualisierungsskizzen oder Prüflisten für spätere Validierung ableiten.

Notebooks, Analysecode und reproduzierbare Experimente

Runcell Science ist kein reiner Notebook-Runtime-Agent. Es adressiert aber denselben Grundkonflikt: Wissenschaftlicher Code entsteht iterativ. Daten, Skripte, Notebooks, Dokumentation, Diagramme und Zwischenergebnisse müssen wieder zusammenfinden.

Runcell Science eignet sich, um einen Agenten bei diesen Aufgaben einzusetzen:

• Analysecode und Notebook-Zellen schreiben;
• Experimentabläufe und README-Dateien strukturieren;
• Pipeline-Fehler erklären;
• Prototypen und Auswertungen vorbereiten;
• Diffs reviewbar machen;
• Zwischenstände in reproduzierbare Artifacts überführen.

Wenn Ihr Schwerpunkt direkt in der Jupyter-Runtime liegt, lesen Sie ergänzend Jupyter AI mit RunCell und Wie Claude Code Jupyter Notebooks analysiert. Wenn es stärker um Repos, Connectors und Forschungsprojekt-Management geht, ist Runcell Science näher am AI Research Workspace.

Aktuelle Fähigkeiten und natürliche Erweiterungen

Es ist sinnvoll, den aktuellen Stand von möglichen Erweiterungen zu trennen.

Die realistische Positionierung lautet daher nicht: Runcell Science ersetzt heute jedes Forschungstool. Treffender ist: Es bietet eine offene, local-first und connector-first Grundlage, um AI Coding Agents in echte Forschungsprojekte einzubauen.

Für wen Runcell Science jetzt besonders interessant ist

Runcell Science passt heute am besten zu:

• Forschenden, die Codex oder Claude Code für wissenschaftlichen Code nutzen wollen, ohne alles zwischen Terminal und Chatfenster aufzuteilen;
• Research Engineers, die Literatur, Datenquellen, Notebooks, Pipelines und Artifacts verbinden müssen;
• Teams, die Scientific AI Agents oder AI Research Workspaces evaluieren;
• Entwicklern, die eigene MCP Connectors oder private Research Tool Layer bauen möchten;
• Organisationen, die lokale Dateien und Projektkontrolle behalten wollen.

Nicht ideal ist es, wenn Sie ein vollständig fertiges, konfigurationsfreies kommerzielles Forschungs-KI-Produkt erwarten. Für einmalige Literaturzusammenfassungen kann ein normaler KI-Chat oder ein spezialisiertes Literaturtool schneller sein. Wenn Ihre Organisation strenge Enterprise-Berechtigungen, Audits und SLAs braucht, sollte Runcell Science zunächst in einem kleinen Pilotprojekt geprüft werden.

Lokal starten

Das Repository ist auf GitHub verfügbar:

https://github.com/runcell-ai/runcell-science (opens in a new tab)

Der lokale Start erfolgt laut Projekt über:

./scripts/dev.sh

Danach öffnen Sie die lokale Web-App unter:

http://127.0.0.1:27183

Für agent-backed Sessions müssen die passenden Agent-CLIs lokal installiert und angemeldet sein, zum Beispiel codex oder claude. Das entspricht dem Produktprinzip: Der Workspace läuft lokal, die Agent Backends werden nach Umgebung und Präferenz eingebunden.

Related Guides

• 15 beste KI-Coding-Tools 2026
• Codex vs Claude Code Skills
• Wie Claude Code Jupyter Notebooks analysiert
• Jupyter AI mit RunCell
• So bauen Sie einen MCP-Dienst für Ihre Blogseite
• Agentic RAG: Mehrstufige Retrieval-Workflows

FAQ

Ist Runcell Science eine Open-Source-Alternative zu Claude Science?

Ja, für die Suchintention rund um "Claude Science Alternative" kann Runcell Science als Open-Source-Alternative verstanden werden. Es verfolgt aber eine andere Produktlogik: local-first Workspace, austauschbare Agent Backends und connector-first Research Workflow statt Bindung an eine einzelne Agent-Erfahrung.

Unterstützt Runcell Science Codex und Claude Code?

Ja. Die aktuelle Runtime unterstützt codex und claude als Agent Provider. Damit können Codex und Claude Code in denselben Forschungsworkspace eingebunden werden.

Welche Research Connectors sind enthalten?

Die gebündelten Science Connectors decken unter anderem PubMed, bioRxiv / medRxiv, Clinical Trials, ChEMBL, BioMart, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, Expression, Omics Archives, Drug Regulatory, Chemistry, ZINC und Ketcher Chemistry ab. Zusätzlich können konfigurierte MCP Server auf Session-Ebene verwaltet werden.

Ist Runcell Science ein Open-Science-Produkt?

Runcell Science heißt nicht Open Science und sollte nicht als Produkt mit diesem Namen bezeichnet werden. Es gehört aber in die Kategorie offener, reproduzierbarer Forschungsworkflows, weil es lokale Kontrolle, reviewbare Diffs, nachvollziehbare Agent-Sessions und wissenschaftliche Connectors verbindet.

Warum sind session-level Connectors wichtig?

Forschungsagenten sollten nicht jedes Werkzeug jederzeit nutzen. Session-level Connector Management erlaubt, für eine konkrete Aufgabe nur die passenden Datenquellen und Tools zu aktivieren, zum Beispiel Literaturdatenbanken für eine Review-Session oder Chemie- und Genomik-Connectors für eine Screening-Session.

Ist Runcell Science schon produktionsreif?

Es ist eher für frühe Tests, technische Evaluation und Open-Source-Beteiligung geeignet. Für Enterprise-Produktionsumgebungen sollten Teams zuerst ein Pilotprojekt mit realem Repository, echten Connectors, Sicherheitsprüfung und Review-Prozess durchführen.

Fazit

Die nächste Generation wissenschaftlicher KI-Tools wird nicht nur daran gemessen, welches Modell bessere Antworten schreibt. Entscheidend ist, ob ein Tool Projektkontext, wissenschaftliche Datenquellen, Agent-Ausführung, Artifacts, Diffs und Reproduzierbarkeit zusammenbringt.

Genau hier ist Runcell Science interessant. Es kombiniert local-first Kontrolle, austauschbare Agent Backends und connector-first Research Workflows. Wer eine Claude Science Alternative oder eine Open-Source-Alternative zu Claude Science evaluiert, sollte deshalb nicht nur eine Demo ansehen, sondern ein echtes Forschungsrepo testen: Versteht der Agent das Projekt, nutzt er die richtigen Connectors, erzeugt er reviewbare Diffs und bleiben die nächsten Schritte in derselben Session nachvollziehbar?