Runcell Science: alternativa open source a Claude Science para investigación

Name

Soren Atelier

Actualizado el 6/7/2026

Si buscas una alternativa a Claude Science que no dependa de un único agente ni de un workspace cerrado, Runcell Science es una de las opciones más interesantes. Es un AI research workspace local-first: reúne conversación con agentes, archivos locales del proyecto, conectores científicos, actividad de herramientas, artifacts, diffs de código y tareas de seguimiento dentro de una misma sesión de investigación.

La respuesta rápida:

Claude Code es un agente de programación con IA pensado para trabajar dentro de proyectos de código: puede leer archivos, razonar sobre la arquitectura, editar código y producir diffs. En investigación, esa capacidad no solo sirve para "escribir Python"; sirve para avanzar notebooks, pipelines, prototipos, documentación, análisis reproducibles y tareas de ingeniería científica.

Claude Science se puede entender como una dirección de producto que lleva esas capacidades hacia flujos de trabajo científicos: no solo responder preguntas, sino colaborar alrededor de papers, datos, código, experimentos y resultados. El problema aparece cuando esa experiencia queda demasiado ligada a un único agente o a un entorno cerrado. Un equipo de investigación suele necesitar control local, conectores propios y la posibilidad de cambiar de backend según coste, privacidad, velocidad o calidad.

Ahí encaja Runcell Science. Su idea no es ser otro wrapper de Claude Code, sino poner por encima un workspace científico con contexto de proyecto, conectores, artifacts y sesiones; por debajo, el agente puede ser Codex, Claude Code o, en el futuro, otros code agents.

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

Qué es Runcell Science

Runcell Science es un workspace local-first para investigadores, research engineers, estudiantes y equipos técnicos que usan agentes de IA para trabajo científico. Su objetivo es que el agente no trabaje en un chat aislado, sino dentro del contexto real del proyecto.

En la práctica, eso significa:

• conversaciones de agente guardadas por sesión;
• archivos locales y estado del proyecto como parte del contexto;
• conectores científicos activables según la tarea;
• artifacts, diffs y resultados generados dentro del mismo flujo;
• tareas pendientes y seguimiento sin depender de buscar en un historial de chat.

Local-first no significa "sin modelos en la nube" ni "completamente offline". Significa que el centro de gravedad del trabajo sigue siendo tu proyecto local: repo, notebooks, scripts, datos intermedios, documentación y decisiones que puedes revisar.

Para investigación esto importa mucho. Una tarea científica rara vez termina con un único prompt. Puedes empezar por una búsqueda bibliográfica, pasar a genes candidatos, consultar ensayos clínicos, escribir un notebook, generar una figura, corregir un pipeline y convertir los resultados en un artifact reproducible. Runcell Science intenta que esas etapas vivan en el mismo workspace.

Por qué no es solo una ventana de chat

Un chat de IA sirve para preguntas rápidas. Un flujo de investigación necesita continuidad:

• qué scripts, notebooks y datos existen en el repo;
• qué cambió el agente en la última sesión;
• qué resultados vinieron de PubMed, bioRxiv, Clinical Trials o ChEMBL;
• qué artifact puede seguir editándose;
• qué diff necesita review;
• qué conectores debe tener activos esta sesión.

Runcell Science se acerca más a un entorno de AI-assisted research development. El agente puede leer archivos, escribir código de análisis, ordenar literatura, generar prototipos y dejar un diff revisable, pero lo hace dentro de una sesión que conserva el contexto de investigación.

Tres diferencias clave frente a Claude Science

1. Control local del proyecto

La primera diferencia es el enfoque local-first. Muchos equipos de investigación trabajan con ideas no publicadas, datos sensibles, notebooks a medio construir, pipelines frágiles y resultados que necesitan trazabilidad. Mover todo a una experiencia de chat alojada puede ser cómodo, pero también puede fragmentar el control.

Runcell Science organiza el trabajo alrededor del proyecto local. Eso ayuda a mantener:

• código y notebooks cerca del repo real;
• diffs revisables antes de aceptar cambios;
• artifacts conectados al contexto de trabajo;
• decisiones y siguientes pasos dentro de la sesión;
• una ruta más clara hacia reproducibilidad y auditoría.

No elimina la necesidad de revisar lo que hace el agente. Al contrario: hace más visible lo que cambió, por qué cambió y qué queda pendiente.

2. Backend de agente intercambiable: Codex y Claude Code

El runtime actual de Runcell Science soporta dos proveedores de agente: codex y claude. Esto permite usar Codex o Claude Code como backend sin convertir el workspace en una experiencia atada a un solo agente.

La diferencia no es que todos los agentes sean equivalentes. Codex, Claude Code y futuros backends pueden tener permisos, ventanas de contexto, costes, protocolos de herramientas y estilos de comportamiento distintos. El valor de Runcell Science está en ofrecer una capa de workspace que pueda convivir con esas diferencias.

3. Workflow connector-first para investigación

La parte más importante para ciencia no es la UI de chat. Es el acceso a fuentes y herramientas científicas reales. Sin conectores, un agente puede escribir código, pero trabaja con poca evidencia.

Runcell Science incluye un registro de bundled science connectors, entre ellos:

• 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

La lista importa menos que el patrón: los conectores se pueden gestionar a nivel de sesión. En vez de entregar todas las herramientas al agente todo el tiempo, puedes habilitar las que encajan con la tarea actual. Esa gestión por sesión también cubre los bundled science connectors y los MCP servers ya configurados.

Runcell Science y la ciencia abierta

Runcell Science no se llama Open Science ni debe entenderse como un producto con ese nombre. Pero sí encaja dentro de una idea más amplia de open science o ciencia abierta: herramientas que hacen el proceso de investigación más transparente, reproducible y auditable.

En ese sentido, el valor no está solo en abrir papers o datasets. También está en poder revisar diffs, conservar sesiones de agente, conectar fuentes científicas, mantener artifacts reproducibles y ejecutar el trabajo alrededor de proyectos locales. Para búsquedas SEO, la intención principal sigue siendo Claude Science, alternativa a Claude Science y open source alternative to Claude Science; open science funciona aquí como categoría de workflow.

Comparativa: Claude Science vs Runcell Science

Si alguien busca "alternativa open source a Claude Science", normalmente quiere responder tres preguntas:

1. ¿Puedo gestionar una tarea de investigación de forma continua, no como un chat suelto?
2. ¿Puede el agente escribir, revisar o mantener código científico?
3. ¿Puedo evitar depender de un único proveedor, modelo o entorno cerrado?

Runcell Science responde con un enfoque de workspace abierto y local-first.

También conviene ser preciso: Runcell Science todavía está en una etapa temprana y en evolución rápida. Encaja mejor con usuarios dispuestos a probar un entorno local, entender cómo funcionan los code agents y participar en un ecosistema open source. No es todavía un SaaS completamente empaquetado para todos los casos científicos.

Casos de uso típicos

Revisión bibliográfica con contexto reutilizable

Un investigador puede activar PubMed, bioRxiv / medRxiv y Literature Graph en una sesión para buscar papers, comparar líneas de trabajo, extraer evidencias y convertir los resultados en notas o artifacts que sigan editándose después.

La clave es que el modelo no resume solo "desde memoria". Trabaja alrededor de resultados consultados, lo que ayuda en topic scans, revisiones tempranas, diseño experimental y borradores de trabajos relacionados.

Priorización de targets y compuestos

En drug discovery, biología computacional o bioinformática, puedes combinar ChEMBL, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, ZINC y Chemistry.

Un flujo realista podría ser:

1. consultar genes y ontologías de un target;
2. revisar anotaciones de proteína e interacciones estructurales;
3. buscar compuestos conocidos y datos de actividad;
4. generar un notebook de análisis;
5. pedir al agente un diff, una figura o una lista de validaciones siguientes.

Investigación de ensayos clínicos

Clinical Trials y Drug Regulatory permiten que el agente trabaje con información real de trials y regulación. La ventaja de Runcell Science es que esos resultados pueden seguir conectados al repo, a los notebooks, a la documentación y a los artifacts del proyecto, en vez de quedar como un resumen aislado.

Interpretación de variantes y contexto genómico

Variants, Human Genetics, Genomes, Regulation y Expression pueden apoyar tareas de interpretación de variantes, análisis de expresión y revisión de contexto regulatorio. El agente puede convertir esas consultas en notebooks, reportes Markdown, visualizaciones iniciales o checklists de validación.

Notebooks, análisis y experimentos reproducibles

Runcell Science no es principalmente un agente runtime de Jupyter. Su foco es más amplio: workspace de investigación, conectores, repo local y agentes de coding. Pero toca un problema parecido al de los notebooks: la investigación avanza por iteración, no por generación única de código.

Puede ayudar a:

• escribir scripts y celdas de análisis;
• ordenar un README experimental;
• explicar errores de pipeline;
• generar prototipos;
• revisar diffs;
• convertir resultados intermedios en artifacts reproducibles.

Si tu flujo vive casi por completo dentro del runtime de Jupyter, también conviene leer Jupyter AI Agent: cómo llevar Jupyter Notebook a un flujo de trabajo agéntico de ciencia de datos. Si tu prioridad es gestionar repo, conectores y sesiones de investigación, Runcell Science se acerca más a un AI research workspace.

Capacidades actuales y dirección futura

Para evitar expectativas equivocadas, conviene separar lo que ya se puede describir con claridad de lo que es una dirección natural de evolución.

El punto fuerte de Runcell Science no es prometer que reemplaza hoy todo el software científico. Es ofrecer una base abierta, local-first y connector-first para insertar agentes de coding en proyectos reales de investigación.

Para quién encaja ahora

Runcell Science tiene más sentido para:

• investigadores que quieren usar Codex o Claude Code sin separar terminal, repo y chat;
• research engineers que necesitan conectar literatura, datos, notebooks, pipelines y artifacts;
• estudiantes avanzados que quieren aprender flujos de investigación asistidos por agentes;
• equipos que exploran scientific AI agents o AI research workspaces;
• desarrolladores que quieren crear conectores MCP o capas privadas de herramientas científicas;
• grupos que no quieren entregar todo el contexto de investigación a un producto cerrado.

También hay casos donde quizá no encaje todavía:

• si necesitas un producto comercial sin instalación ni configuración;
• si solo quieres un resumen puntual de literatura;
• si no quieres instalar ni autenticar CLIs locales de agentes;
• si tu organización exige permisos, auditoría y SLA empresariales desde el primer día.

Cómo empezar

El proyecto está disponible en GitHub:

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

El README indica una forma directa de iniciar el entorno local:

./scripts/dev.sh

Después abre la aplicación web local:

http://127.0.0.1:27183

Para ejecutar sesiones respaldadas por agentes, necesitas tener instalado y autenticado el CLI correspondiente, por ejemplo codex o claude. Esa dependencia encaja con el diseño del producto: el workspace vive localmente y el backend de agente se conecta según tu entorno.

Trampas comunes al evaluarlo

Related Guides

• Las 15 mejores herramientas de programación con IA en 2026
• Codex vs Claude Code Skills: configuración, ajustes y skills compartidas
• Cómo Claude Code analiza notebooks de Jupyter en Data Science
• Jupyter AI Agent: cómo llevar Jupyter Notebook a un flujo agéntico
• Cómo construir un servicio MCP para tu blog
• RAG agéntico: cómo los agentes transforman la recuperación aumentada

FAQ

¿Runcell Science es una alternativa open source a Claude Science?

Sí, se puede evaluar como una alternativa open source a Claude Science, pero su enfoque es distinto. Runcell Science prioriza un workspace local-first, backends de agente intercambiables y conectores científicos gestionados por sesión.

¿Runcell Science puede usar Codex y Claude Code?

Sí. El runtime actual soporta AgentProvider = 'codex' | 'claude' y conecta con runtimes separados para Codex y Claude Code. Para usarlos, necesitas tener instalado y autenticado el CLI correspondiente.

¿Runcell Science reemplaza a Claude Science?

Depende del caso. Si quieres una experiencia cerrada y lista para usar, Claude Science puede encajar mejor. Si quieres control local, extensibilidad, conectores y un backend de agente reemplazable, Runcell Science es una opción más abierta.

¿Qué conectores científicos incluye Runcell Science?

Incluye conectores como PubMed, bioRxiv / medRxiv, Clinical Trials, ChEMBL, BioMart, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, Expression, Omics Archives, Drug Regulatory, Chemistry, Ketcher Chemistry, ZINC y otros. También puede trabajar con MCP servers configurados.

¿Qué relación tiene con open science o ciencia abierta?

Runcell Science no se llama Open Science. Encaja con la ciencia abierta como categoría de workflow porque ayuda a mantener control local, artifacts reproducibles, sesiones trazables, conectores científicos y diffs revisables.

¿Está listo para producción?

Hoy encaja mejor para evaluación técnica, pilotos internos y participación open source. Antes de usarlo en producción empresarial, conviene probarlo con un repo real y revisar permisos, datos, conectores, auditoría y comportamiento de los agentes.

Conclusión

La siguiente generación de herramientas de IA para investigación no se decidirá solo por qué modelo responde mejor una pregunta científica. La diferencia estará en quién puede unir proyecto local, fuentes científicas, ejecución de agentes, artifacts, diffs y trabajo reproducible en un mismo flujo.

Runcell Science merece atención precisamente por esa combinación: control local-first, backends de agente reemplazables y workflow connector-first. Si estás evaluando una alternativa open source a Claude Science, el mejor test no es mirar una demo. Es abrir un repo real, activar los conectores necesarios, ejecutar una sesión con Codex o Claude Code y comprobar si el agente entiende el proyecto, produce cambios revisables y deja el siguiente paso dentro del mismo workspace.