Runcell Science: Claude Science를 대체할 오픈소스 AI 연구 워크스페이스

Name

Soren Atelier

업데이트 2026. 7. 6.

Claude Science 대안 또는 Claude Science 오픈소스 대안을 찾고 있다면 Runcell Science를 먼저 검토할 만합니다. Runcell Science는 단순히 과학 질문에 답하는 챗봇이 아니라, 연구 코드와 프로젝트 파일을 중심에 두는 local-first AI research workspace입니다. 에이전트 대화, 로컬 프로젝트, science/research connectors, tool activity, generated artifacts, code diff, follow-up work를 하나의 연구 세션 안에서 다루는 것이 핵심입니다.

먼저 배경을 짧게 정리해 보겠습니다. Claude Code는 Anthropic의 AI coding agent로, 프로젝트 안의 파일을 읽고, 코드를 이해하고, 수정하고, diff를 만들며, 여러 단계의 엔지니어링 작업을 도울 수 있습니다. 연구자와 연구 엔지니어에게 이런 에이전트가 중요한 이유는 단순히 "코드를 대신 써준다"가 아닙니다. notebook, 분석 스크립트, 실험 pipeline, 논문 정리, 프로토타입, 문서화까지 실제 연구 개발 흐름에 들어올 수 있기 때문입니다.

Claude Science는 이런 agent 능력을 과학 연구 워크플로 안으로 가져오는 제품 방향으로 이해할 수 있습니다. AI가 과학 질문에 답하는 데 그치지 않고, 논문, 데이터, 코드, 실험, 연구 산출물을 중심으로 계속 협업하는 경험입니다. 다만 그 경험이 특정 agent나 닫힌 workspace에 묶이면 팀은 로컬 프로젝트 제어권을 잃기 쉽고, 각자의 분야별 도구를 connectors로 붙이기도 어려워집니다.

Runcell Science가 겨냥하는 문제는 바로 이 지점입니다. 연구자는 보통 논문 검색은 한 창에서, 코드는 다른 repo에서, notebook 출력은 별도 파일에서, prompt와 diff는 채팅 기록에서 찾습니다. AI agent는 코드를 쓸 수 있지만 현재 프로젝트 상태, 파일 맥락, 연구 질문의 경계를 오래 붙잡지 못하는 경우가 많습니다. Runcell Science는 이 흩어진 조각을 하나의 로컬 우선 연구 작업 공간으로 묶으려는 오픈소스 프로젝트입니다.

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

빠른 결론: Runcell Science가 맞는 경우

한 문장으로 정리하면 이렇습니다. Claude Science가 특정 agent 경험을 중심으로 설계된 과학 AI 제품에 가깝다면, Runcell Science는 연구 workspace와 connector 생태계를 위에 두고 Codex, Claude Code, 미래의 다른 code agent를 실행 backend로 교체할 수 있게 하려는 접근입니다.

여기서 "open science" 또는 "오픈 사이언스"는 제품명이 아니라 워크플로 범주로 보는 것이 정확합니다. open science는 논문이나 데이터 공개만 뜻하지 않습니다. 연구 과정이 더 투명하고, 재현 가능하고, 검토 가능한 방식으로 남는 도구 체계도 포함합니다. Runcell Science는 로컬 프로젝트, review 가능한 diff, 추적 가능한 agent session, research connectors, 재현 가능한 산출물을 통해 이런 오픈 사이언스 워크플로의 일부를 지원합니다.

Runcell Science란 무엇인가

Runcell Science는 연구자, 연구 엔지니어, 대학원생, AI coding 사용자, 기술 팀을 위한 로컬 우선 연구 workspace입니다. 목표는 AI coding agent를 연구 개발에 사용할 때 프로젝트 맥락과 파일 제어권을 잃지 않게 하는 것입니다.

일반 채팅창보다 연구 프로젝트의 control panel에 가깝습니다.

• agent 대화가 구체적인 session에 저장됩니다.
• 로컬 프로젝트 파일과 현재 작업 상태가 컨텍스트가 됩니다.
• tool activity, 생성 결과, artifacts, diff가 같은 흐름으로 돌아옵니다.
• 후속 작업을 채팅 기록에서 수동으로 찾아야 하는 부담을 줄입니다.
• connectors를 연구 작업별로 켜고 끌 수 있습니다.

이 차이는 연구 환경에서 큽니다. 실제 연구는 한 번의 prompt로 끝나지 않습니다. 먼저 문헌을 훑고, 유전자나 compound 후보를 좁히고, 임상시험 정보를 확인하고, notebook을 작성하고, 분석 pipeline을 고치고, 그림을 만들고, 마지막에는 중간 결과를 재현 가능한 산출물로 정리해야 합니다. Runcell Science는 이 연속적인 작업을 하나의 지속 가능한 workspace에 놓으려 합니다.

일반 AI 채팅과 다른 점

일반 AI 채팅은 빠른 질문과 답변에는 좋습니다. 하지만 연구 개발은 다음과 같은 연속 컨텍스트에 훨씬 더 의존합니다.

• 현재 repo에 어떤 script와 notebook이 있는가?
• 지난번 agent가 어떤 파일을 바꾸었는가?
• PubMed, bioRxiv, Clinical Trials, ChEMBL에서 온 결과는 무엇인가?
• 어떤 artifact는 계속 편집해야 하고, 어떤 diff는 review해야 하는가?
• 이번 session에는 어떤 research connectors만 활성화해야 하는가?

Runcell Science의 사용 방식은 AI-assisted research development에 더 가깝습니다. 사용자는 모델에게 질문을 던지고 답만 기다리는 것이 아니라, 로컬 프로젝트 안에서 agent가 파일을 읽고, 분석 코드를 쓰고, prototype을 만들고, 문헌 결과를 정리하고, diff를 남기게 합니다. 중요한 점은 이 작업들이 같은 인터페이스와 session 안에 남는다는 것입니다.

세 가지 핵심 장점

1. Local-first: 로컬 프로젝트와 파일 제어권을 우선한다

Runcell Science의 README는 포지셔닝을 분명히 합니다. 연구자가 AI coding agents를 사용할 수 있게 하는 local-first workspace입니다. 이 방향이 중요한 이유는 연구 작업이 대개 다음 조건을 갖기 때문입니다.

• 아직 공개되지 않은 코드와 실험 아이디어
• 로컬 notebook, script, 설정 파일, 중간 데이터
• 오래 보존해야 하는 실험 맥락
• 사람이 검토해야 하는 code diff
• 재현성과 audit trail에 대한 요구

local-first는 완전한 오프라인 제품이라는 뜻이 아닙니다. 모델 호출이나 외부 connector 사용이 없어야 한다는 뜻도 아닙니다. 핵심은 연구 프로젝트가 임시 채팅창의 컨텍스트가 아니라 사용자의 로컬 파일 시스템과 workspace를 중심으로 조직된다는 것입니다.

연구 엔지니어 입장에서는 agent가 실제 repo에 더 자연스럽게 붙습니다. 분석 스크립트를 만들고, notebook을 수정하고, 문서를 생성하고, 에러를 설명하고, 결과를 정리하는 일이 채팅창 복사-붙여넣기보다 프로젝트 안에서 진행됩니다.

2. Customizable agent backend: Codex와 Claude Code를 바꿔 쓸 수 있다

Runcell Science의 현재 runtime architecture는 두 가지 agent provider, 즉 codex와 claude를 지원합니다. 제품 경험을 하나의 모델이나 하나의 agent에 고정하지 않고 runtime registry를 통해 서로 다른 agent backend를 연결하는 방식입니다.

이 설계의 실용적 장점은 연구 작업에 따라 agent를 다르게 선택할 수 있다는 점입니다.

이 지점이 단순한 Claude Science wrapper와 Runcell Science를 가르는 부분입니다. 단순 wrapper는 특정 모델 위에 UI를 씌우는 데 그치기 쉽습니다. Runcell Science는 상위 계층의 연구 workspace, connectors, sessions, artifacts, diff는 유지하면서 하위 agent backend를 비용, 속도, 보안, 정확도, 팀 선호에 따라 바꿀 수 있게 하려는 방향입니다.

물론 모든 agent가 같은 능력을 제공한다는 뜻은 아닙니다. Codex, Claude Code, 미래의 Gemini나 다른 code agent는 권한 모델, 도구 프로토콜, 컨텍스트 창, 비용, 행동 스타일이 다릅니다. Runcell Science의 가치는 그 차이를 workspace 안에서 수용하려는 데 있습니다.

3. Connector-first research workflow: 연구 connector가 부가 기능이 아니다

Runcell Science에서 가장 중요한 부분은 research connectors를 핵심 제품 능력으로 본다는 점입니다. 많은 AI research workspace 데모는 비슷해 보입니다. 왼쪽에는 chat, 오른쪽에는 file view, 아래에는 code agent가 있습니다. 하지만 실제 연구에 필요한 것은 도메인 데이터 소스와 도구 체인입니다. connectors가 없으면 agent는 코드는 쓸 수 있지만 연구 재료를 직접 가져오지 못하는 assistant가 되기 쉽습니다.

Runcell Science에는 bundled science connectors registry가 있으며, 다음과 같은 connector 범주를 포함합니다.

• 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

이 목록의 의미는 단순히 많다는 데 있지 않습니다. 실제 scientific AI agent가 자주 마주치는 연구 작업 범주를 꽤 넓게 덮는다는 데 있습니다.

더 중요한 것은 UI layer에 session connectors menu가 있다는 점입니다. 현재 session에서 어떤 connectors를 활성화하거나 비활성화할지 정할 수 있고, bundled science connectors와 이미 설정된 MCP servers를 함께 다룰 수 있습니다. 모든 도구를 agent에게 한꺼번에 던지는 것이 아니라, 연구 task 단위로 connector를 편성하는 방식입니다.

Claude Science와의 차이

"open source alternative to Claude Science"를 검색하는 사용자는 보통 세 가지를 확인하려 합니다.

1. 연구 작업을 지속적으로 관리하는 workspace가 있는가?
2. AI agent가 연구 코드를 읽고, 작성하고, 유지보수할 수 있는가?
3. 단일 공급자, 단일 모델, 단일 agent 경험에 갇히지 않을 수 있는가?

Runcell Science의 답은 닫힌 agent 제품보다 열린 연구 workspace에 가깝다는 것입니다.

다만 현재 상태를 과장해서는 안 됩니다. Runcell Science는 빠르게 발전 중인 초기 오픈소스 프로젝트입니다. 지금 가장 잘 맞는 사용자는 로컬 개발 환경을 다룰 수 있고, code agent workflow를 이해하며, 연구 connector 생태계에 직접 참여하거나 평가하려는 사용자입니다. 완전히 제품화된 SaaS처럼 아무 설정 없이 모든 연구 시나리오를 덮는 도구로 보는 것은 아직 이릅니다.

대표적인 사용 시나리오

문헌 조사: 검색 결과를 재사용 가능한 노트로 만들기

연구자는 하나의 session에서 PubMed, bioRxiv / medRxiv, Literature Graph connectors를 활성화할 수 있습니다. agent는 주제 검색, 핵심 논문 추출, 연구 방향 비교, 후속 편집 가능한 문서나 artifact 정리를 도울 수 있습니다.

중요한 점은 모델의 기억에만 의존해 문헌을 요약하지 않는다는 것입니다. 실제 검색 결과를 기반으로 작업하기 때문에 초기 topic scan, 연구 배경 정리, related work 초안, 실험 설계 전 증거 수집에 더 적합합니다.

target과 compound screening: 유전자, 단백질, 구조, 화학 데이터를 연결하기

신약 개발이나 bioinformatics 팀은 ChEMBL, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, ZINC, Chemistry connectors를 같은 연구 workflow에 둘 수 있습니다.

예를 들어 한 session은 다음 순서로 진행될 수 있습니다.

1. 특정 target과 관련된 gene 및 ontology 정보 확인
2. protein annotation과 structure interaction 검토
3. 알려진 compound와 activity data 검색
4. 후보 분석 notebook 생성
5. agent가 diff, chart, follow-up tasks를 남기도록 요청

임상시험 조사: trial search를 프로젝트 컨텍스트에 넣기

임상 관련 질문에서는 Clinical Trials와 Drug Regulatory connectors가 실제 trial 정보 기반의 구조화된 조사를 돕습니다. Runcell Science의 장점은 이 조사 결과가 채팅 요약에서 끝나지 않고 프로젝트 안의 코드, notebook, 문서, artifacts와 이어질 수 있다는 점입니다.

유전 변이 해석: query에서 분석 산출물까지

Variants, Human Genetics, Genomes, Regulation, Expression connectors는 유전 변이 해석, expression difference 분석, regulation background 조사에 유용합니다. agent는 query 결과를 notebook analysis, markdown report, visualization draft, verification checklist로 바꿀 수 있습니다.

Notebook, 분석 코드, 재현 가능한 실험

Runcell Science는 전용 notebook runtime agent라기보다, 연구 분석이 한 번의 script 생성으로 끝나지 않는다는 문제에 가까이 있습니다. 연구자는 코드, 데이터, notebook, 문서, chart, 실험 결과를 오가며 계속 반복합니다.

Runcell Science의 workspace 모델은 agent에게 다음 일을 맡기기 좋습니다.

• 분석 코드와 notebook cells 작성
• 실험 절차와 README 정리
• pipeline error 설명
• prototype 생성
• diff review
• 중간 결과를 재현 가능한 artifact로 정리

작업의 중심이 Jupyter runtime 안에 있다면 Jupyter AI Agent: Jupyter Notebook을 데이터 과학 Agent 워크플로로 바꾸는 방법을 함께 볼 수 있습니다. 반대로 repo, connectors, research project management가 중심이라면 Runcell Science가 더 가까운 AI research workspace 방향입니다.

현재 기능과 향후 방향을 구분해서 봐야 한다

Runcell Science를 평가할 때는 현재 명확히 말할 수 있는 기능과 자연스러운 확장 방향을 나눠 보는 것이 좋습니다.

이 구분은 중요합니다. Runcell Science의 메시지는 오늘 모든 연구 소프트웨어를 대체한다는 것이 아닙니다. 더 현실적인 가치는 open, local-first, connector-first 기반 workspace를 제공해 AI coding agent를 실제 연구 repo 안으로 끌어오는 데 있습니다.

지금 시도해 보기 좋은 사용자

Runcell Science는 현재 다음 사용자에게 특히 잘 맞습니다.

• Codex 또는 Claude Code로 연구 코드를 다루고 싶지만 터미널과 채팅창 사이에서 작업을 흩뜨리고 싶지 않은 연구자
• 논문, 데이터 소스, notebook, pipeline, artifacts를 하나의 흐름으로 연결해야 하는 연구 엔지니어
• scientific AI agent 또는 AI research workspace를 평가하는 기술 팀
• custom MCP connectors나 private research tool layer를 만들고 싶은 개발자
• 연구 컨텍스트를 완전히 호스팅 제품에 맡기지 않고 로컬 파일과 프로젝트 제어권을 유지하려는 팀

반대로 다음 상황에서는 아직 맞지 않을 수 있습니다.

• 설정 없이 바로 쓰는 상용 과학 AI 제품을 원한다면 아직 이른 편입니다.
• 일회성 문헌 요약만 필요하다면 일반 AI 채팅이나 전용 literature tool이 더 빠를 수 있습니다.
• 로컬 agent CLI 설치 자체를 피하고 싶다면 현재 경험과 맞지 않을 수 있습니다.
• 엄격한 enterprise 권한, audit, SLA가 필요하다면 먼저 작은 pilot으로 검증해야 합니다.

시작 방법

Runcell Science는 GitHub에 공개되어 있습니다.

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

현재 README에 제시된 로컬 시작 방법은 다음과 같습니다.

./scripts/dev.sh

실행 후 로컬 웹 앱을 엽니다.

http://127.0.0.1:27183

agent-backed sessions를 사용하려면 로컬에 해당 agent CLI가 설치되어 있고 로그인되어 있어야 합니다. 예를 들어 codex 또는 claude CLI가 준비되어 있어야 합니다. 이 조건도 Runcell Science의 핵심 설계와 맞닿아 있습니다. workspace는 로컬에 두고, agent backend는 사용자의 환경과 선호에 따라 연결하는 방식입니다.

Related Guides

• 2026년 최고의 AI 코딩 도구 15가지: 실전 비교 가이드
• Claude Code는 Jupyter Notebook을 분석할 수 있을까? 데이터 과학에서 실제로 하는 일
• Jupyter AI Agent: Jupyter Notebook을 데이터 과학 Agent 워크플로로 바꾸는 방법
• 블로그 사이트용 MCP 서비스를 구축하는 방법
• Agentic RAG: AI 에이전트가 검색 증강 생성을 어떻게 변화시키고 있는가

FAQ

Runcell Science는 Claude Science의 오픈소스 대안인가요?

Claude Science 검색 의도에서 보면 Runcell Science는 Claude Science 오픈소스 대안으로 평가할 수 있습니다. 다만 제품 철학은 다릅니다. Runcell Science는 local-first workspace, 교체 가능한 agent backend, connector-first research workflow를 강조하며, 특정 agent 경험 하나에 묶이는 것을 피하려 합니다.

Runcell Science에서 Codex와 Claude Code를 사용할 수 있나요?

네. 현재 runtime에는 AgentProvider = 'codex' | 'claude' 형태의 provider 구분이 있고, runtime registry를 통해 CodexRuntime과 ClaudeRuntime을 연결합니다. 즉 현재 명확히 지원하는 agent provider는 Codex와 Claude Code입니다.

Runcell Science가 Gemini나 다른 code agent도 지원할 수 있나요?

현재 명확한 지원 대상은 Codex와 Claude Code입니다. 다만 Runcell Science의 구조적 장점은 agent backend를 교체할 수 있게 설계된다는 데 있습니다. Gemini, 사내 agent, 다른 code agent는 자연스러운 확장 방향이지만 실제 지원 여부와 품질은 향후 runtime, 권한 모델, tool protocol, 제품 구현에 달려 있습니다.

어떤 research connectors를 지원하나요?

bundled science connectors에는 PubMed, bioRxiv / medRxiv, Clinical Trials, ChEMBL, BioMart, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, Expression, Omics Archives, Drug Regulatory, Chemistry, ZINC, Ketcher Chemistry 등이 포함됩니다. 또한 이미 설정된 MCP servers를 session 단위로 활성화하거나 비활성화할 수 있습니다.

Runcell Science와 open science는 어떤 관계인가요?

Runcell Science는 제품명을 Open Science라고 부르는 도구가 아닙니다. 여기서 open science는 워크플로 개념입니다. Runcell Science는 로컬 제어권, 재현 가능한 연구 산출물, 추적 가능한 agent session, 열린 connector 구조, review 가능한 code diff를 통해 오픈 사이언스 도구 체계의 한 부분을 담당할 수 있습니다.

왜 connector-first가 과학 AI agent에서 중요한가요?

과학 연구용 agent가 채팅과 코드 작성만 할 수 있다면 실제 연구 데이터 소스가 부족해집니다. connector-first 접근은 agent가 문헌, preprint, 임상시험, 유전체, 단백질, 구조, 변이, 발현, 화학, 의약 규제 정보 같은 도구를 작업별로 사용하고, 그 결과를 같은 research session으로 가져오게 합니다.

Runcell Science는 지금 production에서 써도 되나요?

현재는 early trial, 기술 평가, 오픈소스 참여에 더 적합합니다. 프로젝트는 빠르게 발전 중이며, 실용적인 로컬 agent-assisted research and development workflow를 만드는 단계로 보는 것이 안전합니다. enterprise production 사용 전에는 작은 pilot으로 권한, 데이터 흐름, 재현성, 팀 workflow를 검증하는 편이 좋습니다.

마지막으로: 왜 이 방향을 봐야 하는가

과학 AI 도구의 다음 경쟁 지점은 모델이 더 강해지는 것만이 아닙니다. 또 하나의 채팅 UI를 만드는 것도 아닙니다. 실제 차이는 프로젝트 컨텍스트, 연구 데이터 소스, agent 실행, artifacts, diff, 재현 가능한 workflow를 한곳에 둘 수 있느냐에서 납니다.

Runcell Science의 의미가 여기에 있습니다. local-first 제어권, 교체 가능한 agent backend, connector-first research workflow를 조합해 연구 팀이 "쓰기 쉬우나 닫힌 도구"와 "열려 있지만 조각난 도구" 사이에서만 선택하지 않게 합니다.

Claude Science의 open source alternative를 검토하고 있다면 Runcell Science GitHub 저장소 (opens in a new tab)를 확인하고 로컬에서 직접 실행해 보는 것이 가장 좋습니다. 데모를 보는 것보다 실제 연구 repo 하나를 붙여 보는 편이 더 정확합니다. agent가 프로젝트를 이해하는지, 올바른 connectors를 호출하는지, review 가능한 diff를 만드는지, 후속 작업이 같은 session에 남는지를 보면 이 도구가 팀 workflow에 맞는지 빠르게 판단할 수 있습니다.