Runcell Science : l'alternative open source à Claude Science pour la recherche

Name

Soren Atelier

Mis à jour le 06/07/2026

Si vous cherchez une alternative à Claude Science qui reste ouverte, locale et extensible, Runcell Science est l'un des projets à suivre. Ce n'est pas seulement une fenêtre de chat pour poser des questions scientifiques. C'est un workspace de recherche IA local-first qui rassemble conversations d'agents, fichiers de projet, connecteurs scientifiques, activité des outils, artifacts, diffs de code et tâches de suivi dans un même espace de travail.

L'idée est simple : un chercheur, un research engineer ou un étudiant ne travaille pas dans un seul prompt. Il alterne entre articles, données, notebooks, scripts, pipelines expérimentaux, README, prototypes et revues de code. Runcell Science essaie de garder cette chaîne dans un environnement cohérent, au lieu de disperser le contexte entre un chat, un terminal, un dépôt GitHub et plusieurs API scientifiques.

Claude Code a popularisé une forme d'agent de codage capable de lire un projet, comprendre les fichiers, modifier du code et produire des diffs. Claude Science désigne une direction produit plus spécialisée : appliquer cette logique d'agent aux workflows de recherche. Le point sensible est le verrouillage. Si toute l'expérience dépend d'un seul agent, d'un seul fournisseur ou d'un workspace fermé, l'équipe de recherche perd vite le contrôle de ses fichiers, de ses connecteurs et de ses choix techniques.

Runcell Science prend une autre direction : le workspace, les sessions, les connecteurs et les artifacts sont la couche principale ; les agents comme Codex et Claude Code deviennent des backends interchangeables.

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

Réponse rapide : quand utiliser Runcell Science

En une phrase : Claude Science vise une expérience de recherche IA centrée sur un produit donné ; Runcell Science mise plutôt sur un workspace de recherche ouvert, local-first et connector-first, avec Codex, Claude Code ou d'autres agents comme moteurs possibles.

Ce positionnement rejoint aussi la logique d'open science, ou science ouverte : pas seulement ouvrir les publications ou les jeux de données, mais rendre le processus de recherche plus traçable, reproductible et auditable. Runcell Science n'est pas un slogan de science ouverte ; c'est un outil qui peut soutenir ce type de workflow grâce aux projets locaux, aux diffs relisibles, aux sessions suivies et aux connecteurs de recherche.

Ce qu'est Runcell Science

Runcell Science est un espace de travail local-first pour la recherche assistée par agents IA. Il s'adresse surtout aux chercheurs, research engineers, doctorants, étudiants techniques et équipes qui veulent faire avancer un vrai projet scientifique avec un agent de code sans perdre le contexte du dépôt.

Il ressemble moins à un chatbot qu'à une table de travail pour projet de recherche :

• les conversations d'agents sont conservées dans des sessions ;
• les fichiers locaux et l'état du projet font partie du contexte ;
• les activités d'outils, les artifacts générés et les diffs reviennent dans le même workflow ;
• les tâches de suivi ne dépendent pas d'une recherche manuelle dans l'historique du chat ;
• les connecteurs peuvent être activés ou désactivés au niveau de la session.

Cette différence compte parce que la recherche avance rarement en une seule réponse. Une même étude peut commencer par une revue bibliographique, continuer par une exploration de données, passer par un notebook, produire des figures, corriger un pipeline, puis finir dans un rapport reproductible. Runcell Science cherche à garder cette continuité.

Pourquoi ce n'est pas un simple chat scientifique

Un chat IA classique suffit pour une question ponctuelle. Un workflow de recherche a besoin d'une mémoire de travail plus concrète :

• quels scripts et notebooks existent dans le dépôt ;
• quels fichiers l'agent a modifiés lors de la dernière session ;
• quels résultats viennent de PubMed, bioRxiv, Clinical Trials ou ChEMBL ;
• quel artifact peut être repris et quel diff doit être relu ;
• quels connecteurs sont utiles pour cette tâche précise.

Runcell Science se rapproche donc d'un environnement d'AI-assisted research development. Vous ne demandez pas seulement une réponse ; vous faites travailler un agent dans un projet local, avec des fichiers, des outils, des sources scientifiques et des résultats qui restent disponibles pour l'étape suivante.

Trois différences importantes

1. Local-first : le projet reste chez vous

Le README de Runcell Science le présente comme un workspace local-first pour utiliser des AI coding agents dans la recherche. Ce point est central, car les projets scientifiques manipulent souvent :

• du code expérimental encore privé ;
• des notebooks, scripts, configurations et données intermédiaires ;
• des hypothèses qui évoluent pendant plusieurs semaines ;
• des diffs qui doivent être relus avant d'être conservés ;
• des contraintes de reproductibilité et d'audit.

Local-first ne veut pas dire que tout est hors ligne, ni que le modèle n'est jamais appelé. Cela veut dire que le projet reste organisé autour du système de fichiers local et de votre workspace, pas autour d'une conversation hébergée qui perd son contexte une fois fermée.

Pour un research engineer, c'est très concret : l'agent peut aider à écrire un script d'analyse, modifier un notebook, expliquer une erreur de pipeline ou préparer une documentation sans vous forcer à copier-coller du code entre plusieurs outils.

2. Backends d'agents configurables : Codex et Claude Code

Runcell Science prend actuellement en charge deux providers d'agents : codex et claude. L'expérience n'est donc pas attachée à un seul agent ou à un seul modèle. Le runtime peut router le travail vers Codex ou Claude Code selon la configuration.

C'est une vraie différence face à beaucoup de wrappers. Un wrapper se contente souvent de mettre une interface autour d'un modèle. Runcell Science se concentre sur la couche durable : workspace de recherche, sessions, connecteurs, artifacts, diffs et tâches de suivi. Le backend d'agent peut évoluer selon les coûts, les droits, la confidentialité, la vitesse ou les préférences de l'équipe.

Tous les agents ne sont pas équivalents. Codex, Claude Code et de futurs agents n'ont pas les mêmes permissions, protocoles d'outils, fenêtres de contexte ou comportements. L'intérêt de Runcell Science est de fournir un espace de travail qui peut absorber ces différences au lieu d'imposer un choix permanent.

3. Connector-first : les sources scientifiques ne sont pas un bonus

Pour un agent scientifique, savoir discuter et écrire du code ne suffit pas. Il doit aussi pouvoir accéder aux sources de recherche pertinentes : littérature, preprints, essais cliniques, bases chimiques, annotations protéiques, variants, génomique et outils internes.

Runcell Science inclut déjà un registre de bundled science connectors, dont :

• 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 valeur n'est pas seulement dans la longueur de la liste. Elle est dans la couverture de workflows scientifiques réels.

Le détail important : l'interface prend en charge la gestion des connecteurs au niveau de la session. Vous pouvez activer ou désactiver les connecteurs scientifiques inclus, ainsi que les serveurs MCP déjà configurés, selon le travail en cours. Cela évite de donner tous les outils à l'agent pour chaque requête et rend le workflow plus lisible.

Runcell Science vs Claude Science

Une personne qui cherche "alternative open source à Claude Science" veut généralement répondre à trois questions :

1. Est-ce que l'outil peut suivre un projet de recherche sur plusieurs étapes ?
2. Est-ce qu'il peut utiliser un agent IA pour écrire, modifier ou maintenir du code scientifique ?
3. Est-ce qu'il évite le verrouillage dans un seul fournisseur, un seul modèle ou une seule expérience d'agent ?

Runcell Science répond par une logique de workspace ouvert plutôt que par un produit agentique fermé.

Il faut aussi être clair : Runcell Science est encore un projet jeune, en évolution rapide. Il convient mieux aux utilisateurs capables d'essayer un environnement local, de comprendre les workflows de code agents et d'évaluer une base open source. Ce n'est pas encore un SaaS mature qui couvre toutes les situations de recherche sans configuration.

Workflows typiques

Revue de littérature : des recherches aux notes réutilisables

Une session peut activer PubMed, bioRxiv / medRxiv et Literature Graph pour aider l'agent à chercher des articles, extraire les travaux importants, comparer des directions et produire un document de travail.

Le point clé n'est pas de demander au modèle de "se souvenir" de la littérature. Le point clé est de le faire travailler autour de résultats récupérés via des connecteurs. C'est plus adapté aux scans de sujets, aux notes de contexte, aux brouillons de related work et à la préparation d'un protocole expérimental.

Ciblage biologique et screening de composés

Pour la bioinformatique, la biologie computationnelle ou le drug discovery, une équipe peut combiner ChEMBL, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, ZINC et Chemistry.

Une session peut par exemple :

1. interroger les gènes et ontologies liés à une cible ;
2. consulter les annotations protéiques et interactions structurelles ;
3. récupérer des composés connus et données d'activité ;
4. générer un notebook d'analyse candidat ;
5. produire des diffs, figures ou tâches de validation.

Recherche clinique : garder les essais dans le contexte projet

Clinical Trials et Drug Regulatory peuvent aider un agent à structurer une recherche autour d'essais cliniques et de signaux réglementaires. L'avantage de Runcell Science est que ces résultats peuvent ensuite être reliés aux scripts, notebooks, documents et artifacts du dépôt, au lieu de rester dans un résumé de chat.

Interprétation de variants : de la requête au livrable

Variants, Human Genetics, Genomes, Regulation et Expression peuvent soutenir des workflows d'interprétation génétique, de différenciation d'expression ou d'analyse de contexte régulatoire. L'agent peut transformer ces résultats en notebook, rapport Markdown, brouillon de visualisation ou checklist de vérification.

Notebooks, analyses et recherche reproductible

Runcell Science n'est pas un agent runtime dédié uniquement à Jupyter. Son objectif est plus large : aider à coordonner un projet de recherche où code, données, notebooks, documentation, figures et résultats expérimentaux évoluent ensemble.

Il peut aider à :

• écrire du code d'analyse et des cellules de notebook ;
• organiser un protocole expérimental ou un README ;
• expliquer une erreur de pipeline ;
• générer un prototype ;
• relire un diff ;
• transformer des résultats intermédiaires en artifact reproductible.

Si votre travail se passe surtout dans le runtime Jupyter, lisez aussi Agent IA Jupyter : faire entrer Jupyter Notebook dans un workflow d'agent data science. Si votre sujet principal est plutôt le dépôt, les connecteurs et la gestion de projet scientifique, Runcell Science correspond davantage à un AI research workspace.

Capacités actuelles et directions naturelles

Il vaut mieux séparer ce qui est déjà décrit clairement de ce qui relève de l'extension future.

Cette distinction évite de survendre le projet. La promesse de Runcell Science n'est pas de remplacer aujourd'hui tout l'outillage scientifique. Sa valeur est de proposer une base ouverte, local-first et connector-first pour intégrer des agents de code dans des projets de recherche réels.

Pour qui Runcell Science est le plus utile maintenant

Runcell Science est surtout adapté si vous :

• voulez utiliser Codex ou Claude Code sur du code scientifique sans séparer terminal, chat et dépôt ;
• devez relier littérature, sources scientifiques, notebooks, pipelines et artifacts ;
• explorez les scientific AI agents ou les AI research workspaces ;
• voulez construire des connecteurs MCP personnalisés ou brancher des outils de recherche internes ;
• souhaitez garder le contrôle de vos fichiers locaux et de votre contexte projet.

Il est moins adapté si :

• vous voulez un produit commercial sans configuration ;
• vous avez seulement besoin d'un résumé ponctuel de littérature ;
• vous ne voulez installer aucun agent CLI local ;
• votre organisation exige déjà des contrôles entreprise complets, SLA et gouvernance centralisée.

Dans ces cas, il vaut mieux commencer par un petit pilote sur un vrai dépôt de recherche avant de l'intégrer dans un workflow d'équipe.

Comment démarrer en local

Le projet est disponible sur GitHub :

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

Le lancement local indiqué dans le README est direct :

./scripts/dev.sh

Ouvrez ensuite l'application locale :

http://127.0.0.1:27183

Pour utiliser des sessions pilotées par agent, il faut aussi que le CLI correspondant soit installé et connecté localement, par exemple codex ou claude. C'est cohérent avec l'architecture du projet : le workspace reste local, et le backend agentique dépend de votre environnement.

Guides associés

• Les 15 meilleurs outils de programmation IA en 2026
• Codex vs Claude Code : différences de skills et de workflows
• Claude Code peut-il analyser un Jupyter Notebook ? Ce qu'il fait vraiment en data science
• Agent IA Jupyter : faire entrer Jupyter Notebook dans un workflow d'agent data science
• Comment créer un serveur MCP pour votre blog
• Agentic RAG : faire passer le RAG à la recherche multi-étapes

FAQ

Runcell Science est-il une alternative open source à Claude Science ?

Oui, il peut être compris comme une alternative open source à Claude Science pour les workflows de recherche, mais avec une philosophie différente. Runcell Science insiste sur le workspace local-first, les backends d'agents remplaçables et les connecteurs scientifiques gérés par session.

Runcell Science peut-il utiliser Codex et Claude Code ?

Oui. Le runtime prend actuellement en charge les providers codex et claude, avec une intégration vers CodexRuntime et ClaudeRuntime. En pratique, Runcell Science peut donc utiliser Codex et Claude Code comme backends d'agents.

Runcell Science pourra-t-il accueillir Gemini ou d'autres code agents ?

L'architecture vise justement à rendre le backend d'agent interchangeable. Aujourd'hui, les providers clairement pris en charge sont Codex et Claude Code. Gemini, un agent interne ou d'autres code agents sont des extensions naturelles, mais leurs capacités dépendront des runtimes, permissions et protocoles d'outils disponibles.

Quels connecteurs de recherche sont pris en charge ?

Les bundled science connectors couvrent notamment PubMed, bioRxiv / medRxiv, Clinical Trials, ChEMBL, BioMart, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, Expression, Omics Archives, Drug Regulatory, Chemistry, ZINC et Ketcher Chemistry. Runcell Science prend aussi en charge des serveurs MCP configurés.

Quel est le lien avec l'open science ou la science ouverte ?

Runcell Science n'est pas un produit rebaptisé "open science". Il s'inscrit plutôt dans les outils qui soutiennent des workflows de science ouverte : contrôle local, artifacts reproductibles, sessions d'agents traçables, connecteurs ouverts et diffs de code relisibles.

Pourquoi une approche connector-first est-elle importante pour un agent scientifique ?

Un agent scientifique qui ne fait que discuter et écrire du code manque vite de sources fiables. Une approche connector-first lui permet de travailler avec des résultats issus de la littérature, des preprints, des essais cliniques, de la génomique, de la chimie, des protéines, des variants et d'autres outils de domaine, puis de ramener ces résultats dans la même session.

Runcell Science est-il prêt pour la production ?

Il est surtout pertinent pour l'essai, l'évaluation technique et la participation open source. Le projet évolue rapidement. Pour un usage entreprise, il vaut mieux commencer par un pilote limité sur un dépôt réel, avec une revue des permissions, des données et des exigences d'audit.

Conclusion

La prochaine génération d'outils scientifiques IA ne se jouera pas seulement sur la puissance du modèle. Elle se jouera sur la capacité à relier contexte projet, sources de recherche, exécution agentique, artifacts, diffs et reproductibilité.

Runcell Science est intéressant parce qu'il combine trois choix rarement présents ensemble : contrôle local-first, backends d'agents interchangeables et workflow connector-first. Si vous évaluez une alternative open source à Claude Science, le test le plus utile n'est pas de regarder une démo. Prenez un vrai dépôt de recherche, lancez Runcell Science, activez les bons connecteurs, puis vérifiez si l'agent comprend le projet, produit des diffs relisibles et garde le travail de suivi dans la même session.