Runcell Science: alternativa open source ao Claude Science para pesquisa com IA

Name

Soren Atelier

Atualizado em 06/07/2026

Se você está procurando uma alternativa ao Claude Science, especialmente uma alternativa open source ao Claude Science, Runcell Science merece entrar na sua avaliação. Ele não é apenas uma janela de chat para perguntas científicas. A proposta é ser um AI research workspace local-first: agente, arquivos locais, conectores científicos, atividade de ferramentas, artifacts, diffs de código e tarefas de acompanhamento ficam dentro de uma mesma sessão de pesquisa.

O contexto é importante. Claude Code é um agente de coding da Anthropic: ele lê arquivos, entende projetos, edita código, gera diffs e ajuda em tarefas de engenharia com várias etapas. Para pesquisadores, research engineers e estudantes, o valor de um agente assim não está só em "escrever código". Ele pode ajudar em notebooks, scripts de análise, pipelines experimentais, documentação e protótipos.

Claude Science pode ser entendido como uma direção de produto que leva essa capacidade de agente para o fluxo científico: a IA deixa de responder apenas perguntas e passa a colaborar ao redor de papers, dados, código, experimentos e resultados. O problema aparece quando essa experiência fica presa a um único agente ou a um workspace fechado. Equipes de pesquisa precisam manter controle local, conectar ferramentas do seu domínio e trocar o backend de agente quando custo, privacidade, qualidade ou velocidade pedirem.

É esse espaço que Runcell Science tenta ocupar. A camada de cima é o workspace de pesquisa, com contexto de projeto, conectores, artifacts e sessões. A camada de execução pode usar Codex, Claude Code e, no futuro, outros code agents.

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

Resposta rápida: quando Runcell Science faz sentido

Em uma frase: Claude Science tende a representar uma experiência científica centrada em um agente específico; Runcell Science aposta em um workspace de pesquisa local-first, com conectores e backends de agente substituíveis.

Aqui, open science ou ciência aberta não é o nome do produto. É a categoria de workflow. Ciência aberta não significa apenas abrir papers ou datasets. Também envolve tornar o processo de pesquisa mais transparente, reproduzível e auditável. Runcell Science entra nesse contexto por meio de projetos locais, diffs revisáveis, sessões rastreáveis, conectores científicos e artifacts que podem voltar ao fluxo de trabalho.

O que é Runcell Science

Runcell Science é um workspace local-first para pesquisadores, research engineers, estudantes e usuários de AI coding que trabalham com projetos científicos. O objetivo é permitir que um agente de IA ajude no desenvolvimento de pesquisa sem perder o contexto real do projeto.

Ele funciona mais como uma bancada de pesquisa do que como um chat descartável:

• conversas com agentes ficam associadas a sessões;
• arquivos locais e estado do projeto entram no contexto;
• chamadas de ferramenta, resultados, artifacts e diffs voltam ao mesmo fluxo;
• tarefas de acompanhamento não dependem de procurar manualmente no histórico;
• conectores podem ser ativados ou desativados por sessão.

Essa diferença pesa em pesquisa. Um trabalho científico raramente termina em um único prompt. Você pode começar com revisão bibliográfica, passar por triagem de genes ou compostos, consultar ensaios clínicos, escrever notebooks, gerar figuras, corrigir pipelines e transformar resultados intermediários em artifacts reproduzíveis. Runcell Science tenta manter essas etapas dentro de um workspace contínuo.

Por que ele não é só outro chat de IA

Chats de IA funcionam bem para respostas rápidas. Pesquisa aplicada depende de contexto contínuo:

• Quais scripts, notebooks e configs existem no repositório?
• Que arquivos o agente alterou na última rodada?
• Quais resultados vieram de PubMed, bioRxiv, Clinical Trials ou ChEMBL?
• Qual artifact deve ser continuado e qual diff precisa de review?
• Quais conectores fazem sentido para a sessão atual?

Runcell Science se aproxima mais de um ambiente de AI-assisted research development. Você não joga uma pergunta para o modelo e espera uma resposta final. Você trabalha dentro de um projeto local, deixando o agente ler arquivos, escrever código de análise, organizar literatura, gerar protótipos, produzir diffs e manter o rastro dessas ações na mesma sessão.

Três vantagens centrais

1. Local-first: projeto, arquivos e controle ficam no centro

Runcell Science se posiciona como um workspace local-first para pesquisadores que usam AI coding agents. Isso importa porque pesquisa costuma envolver:

• código e hipóteses ainda não publicados;
• notebooks, scripts, configurações e dados intermediários locais;
• contexto experimental que precisa durar mais do que uma conversa;
• diffs de código que exigem revisão humana;
• necessidade de reprodutibilidade e trilha de auditoria.

Local-first não quer dizer totalmente offline, nem significa que nenhum modelo será chamado. O ponto é outro: o projeto de pesquisa continua organizado ao redor do seu filesystem e do seu workspace local, em vez de virar um contexto temporário dentro de um chat hospedado.

Para research engineers, isso torna o agente mais útil em repositórios reais. Ele pode criar scripts de análise, ajustar notebooks, gerar documentação, explicar erros de pipeline e organizar resultados sem forçar um ciclo de copiar e colar entre chat e projeto.

2. Backend de agente substituível: Codex, Claude Code e futuros agentes

O runtime atual de Runcell Science suporta dois tipos de agent provider: codex e claude. Na prática, isso permite usar Codex ou Claude Code como backend sem amarrar toda a experiência a um único agente.

Essa arquitetura é útil porque tarefas de pesquisa diferentes podem pedir agentes diferentes.

Esse é um ponto importante para quem pesquisa "open source alternative to Claude Science". Um wrapper simples costuma colocar uma UI em cima de um único modelo. Runcell Science tenta separar a camada de workspace da camada de execução. Sessões, conectores, artifacts e diffs continuam sendo a estrutura do trabalho; o backend pode variar conforme capacidade, custo, privacidade, velocidade ou preferência do time.

Isso não significa que todos os agentes sejam equivalentes. Codex, Claude Code e futuros backends podem ter modelos de permissão, protocolos de ferramenta, janelas de contexto, preços e estilos de comportamento diferentes. O valor de Runcell Science está em oferecer uma camada de workspace capaz de conviver com essas diferenças.

3. Connector-first: conectores científicos fazem parte do produto

O ponto mais forte de Runcell Science é tratar research connectors como uma capacidade central, não como um detalhe para depois.

Muitos demos de AI research workspace parecem parecidos: chat de um lado, arquivos do outro, um code agent por baixo. Mas pesquisa real depende de fontes e ferramentas de domínio. Sem conectores, o agente pode escrever código, mas continua longe dos materiais científicos que sustentam a tarefa.

Runcell Science inclui um registro de bundled science connectors que cobre:

• 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

O valor não está apenas no tamanho da lista. O conjunto cobre categorias reais de trabalho científico.

Também há uma diferença de workflow: a UI inclui um menu de conectores por sessão. Você pode ativar ou desativar conectores para a sessão atual, combinando bundled science connectors e MCP servers já configurados. Em vez de entregar todas as ferramentas ao agente o tempo inteiro, você monta uma camada de ferramentas adequada à tarefa de pesquisa em andamento.

Runcell Science e ciência aberta

Runcell Science não deve ser chamado de Open Science. O nome do produto é Runcell Science.

Mas ele se encaixa na conversa maior sobre open science e ciência aberta porque ajuda a aproximar o trabalho com agentes de práticas mais auditáveis. Um fluxo de ciência aberta não depende só de publicar o resultado final. Ele também se beneficia quando o processo deixa rastros: arquivos locais, diffs revisáveis, artifacts, fontes consultadas, sessões de agente e próximos passos.

Para SEO, a intenção principal deste artigo continua sendo Claude Science, alternativa ao Claude Science e alternativa open source ao Claude Science. Open science aparece aqui como conceito secundário de workflow, não como marca.

Comparação: Claude Science vs Runcell Science

Quem busca uma alternativa open source ao Claude Science normalmente quer responder três perguntas:

1. A ferramenta consegue manter tarefas de pesquisa ao longo de uma sessão?
2. Ela permite escrever, revisar ou manter código científico com um agente?
3. Ela evita dependência rígida de um único fornecedor, modelo ou agente?

Runcell Science responde com uma abordagem mais aberta e local-first.

Vale manter a expectativa correta. Runcell Science ainda é um projeto open source em evolução rápida. Ele faz mais sentido para usuários que conseguem rodar um ambiente local, entendem workflows com code agents e querem avaliar ou participar de um ecossistema aberto. Não é, hoje, um SaaS finalizado que cobre todos os cenários científicos sem configuração.

Workflows típicos

Revisão bibliográfica: da busca de papers a notas reutilizáveis

Em uma sessão de revisão, você pode ativar PubMed, bioRxiv / medRxiv e Literature Graph. O agente pode ajudar a buscar um tópico, identificar papers centrais, comparar linhas de pesquisa e transformar resultados em uma nota ou artifact editável.

O ponto não é pedir ao modelo que resuma literatura "de memória". O ideal é fazer o agente trabalhar sobre resultados reais de busca. Isso combina melhor com topic scans, revisão de background, rascunhos de related work e preparação de desenho experimental.

Triagem de alvos e compostos: genes, proteínas, estrutura e química

Em descoberta de fármacos ou bioinformática, conectores como ChEMBL, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, ZINC e Chemistry podem entrar no mesmo fluxo.

Uma sessão típica pode seguir este caminho:

1. Consultar genes e ontologias associados a um alvo.
2. Ver anotações de proteína e interações estruturais.
3. Buscar compostos conhecidos e dados de atividade.
4. Gerar um notebook de análise candidata.
5. Pedir ao agente um diff, uma figura ou uma lista de follow-up tasks.

Pesquisa clínica: trial search dentro do contexto do projeto

Para perguntas clínicas, Clinical Trials e Drug Regulatory ajudam o agente a trabalhar sobre informações reais de ensaios e regulação. A vantagem do Runcell Science é que o resultado da investigação não precisa terminar como resumo de chat. Ele pode continuar conectado ao código, notebook, documento e artifact do projeto.

Interpretação de variantes: da consulta ao artifact de análise

Variants, Human Genetics, Genomes, Regulation e Expression podem apoiar tarefas de interpretação de variantes, análise de expressão e investigação de contexto regulatório. O agente pode transformar resultados de consulta em notebook, relatório markdown, visualização inicial ou checklist de validação.

Notebooks, análise e pesquisa reproduzível

Runcell Science não é especificamente um notebook runtime agent. O problema que ele enfrenta é mais amplo: análise científica quase nunca termina com um script gerado de uma vez. Pesquisadores alternam entre código, dados, notebooks, docs, figuras e resultados.

O modelo de workspace do Runcell Science é útil para pedir ao agente que:

• escreva código de análise e células de notebook;
• organize o fluxo experimental e o README;
• explique erros de pipeline;
• gere protótipos;
• revise diffs;
• transforme resultados intermediários em artifacts reproduzíveis.

Se o seu trabalho acontece principalmente dentro do runtime do Jupyter, leia também Jupyter AI com RunCell. Se o centro do trabalho é um repositório com conectores, arquivos e gestão de projeto científico, Runcell Science está mais perto de um AI research workspace.

Capacidade atual vs direção futura

Ao avaliar Runcell Science, separe o que já pode ser descrito com clareza do que é uma direção natural de expansão.

Essa distinção evita exagero. Runcell Science não promete substituir todos os softwares de pesquisa hoje. O valor mais realista é oferecer uma base open source, local-first e connector-first para colocar AI coding agents dentro de projetos científicos reais.

Para quem Runcell Science é mais indicado agora

Runcell Science tende a fazer mais sentido para:

• pesquisadores que querem usar Codex ou Claude Code em código científico sem separar tudo entre terminal e chat;
• research engineers que precisam conectar papers, dados, notebooks, pipelines e artifacts;
• equipes técnicas avaliando scientific AI agents ou AI research workspaces;
• desenvolvedores criando MCP connectors ou camadas internas de ferramentas científicas;
• times que querem manter arquivos e contexto de pesquisa sob controle local.

Ele pode não ser a melhor opção se:

• você precisa de um produto comercial pronto, sem configuração local;
• sua necessidade é apenas resumir literatura uma vez;
• você não quer instalar nem autenticar uma CLI de agente local;
• sua organização exige permissões, auditoria e SLA enterprise desde o primeiro dia.

Nesses casos, vale tratar Runcell Science como piloto técnico, não como substituição imediata de todo o ambiente de pesquisa.

Como começar

O projeto está disponível no GitHub:

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

O start local indicado é:

./scripts/dev.sh

Depois, abra o app local:

http://127.0.0.1:27183

Para usar agent-backed sessions, você precisa ter a CLI do agente correspondente instalada e autenticada localmente, por exemplo codex ou claude. Isso combina com a ideia central do produto: o workspace fica local, e o backend de agente se conecta conforme o ambiente e a preferência do usuário.

Related Guides

• 15 melhores ferramentas de programação com IA em 2026
• Codex vs Claude Code: diferenças de skills e workflow
• Claude Code em notebooks Jupyter para Data Science
• Jupyter AI com RunCell
• Como construir um serviço MCP para seu blog
• Agentic RAG: de busca única a recuperação multi-etapas

FAQ

Runcell Science é uma alternativa open source ao Claude Science?

Sim, para a intenção de busca "alternativa ao Claude Science", Runcell Science pode ser avaliado como uma alternativa open source. A diferença é que ele enfatiza workspace local-first, backend de agente substituível e workflow connector-first, em vez de prender a experiência a um único agente.

Runcell Science usa Codex e Claude Code?

Sim. O runtime atual trabalha com AgentProvider = 'codex' | 'claude' e conecta CodexRuntime e ClaudeRuntime via runtime registry. Na prática, isso significa suporte atual a Codex e Claude Code como providers de agente.

Runcell Science pode receber Gemini ou outros code agents no futuro?

A vantagem arquitetural do Runcell Science é permitir backend de agente substituível. Hoje, o suporte claro é Codex e Claude Code. Gemini, agentes internos ou outros code agents são direções naturais, mas dependem de runtime, permissões, protocolos de ferramenta e implementação futura.

Quais research connectors Runcell Science suporta?

Os bundled science connectors incluem PubMed, bioRxiv / medRxiv, Clinical Trials, ChEMBL, BioMart, Genes & Ontologies, Protein Annotation, Structures & Interactions, Variants, Expression, Omics Archives, Drug Regulatory, Chemistry, ZINC, Ketcher Chemistry e outros. Runcell Science também trabalha com MCP servers configurados e permite gerenciar conectores por sessão.

Qual é a relação entre Runcell Science e open science?

Runcell Science não é um produto chamado Open Science. Open science é o conceito de workflow. Runcell Science pode apoiar ciência aberta ao preservar controle local, artifacts reproduzíveis, sessões rastreáveis, conectores científicos e diffs revisáveis.

Por que connector-first importa para agentes científicos?

Um agente científico que só conversa e escreve código fica limitado quando não acessa fontes reais de pesquisa. Um workflow connector-first permite que o agente consulte literatura, preprints, ensaios clínicos, genômica, proteínas, estruturas, variantes, expressão, química e dados regulatórios dentro da sessão certa.

Runcell Science está pronto para produção?

Ele parece mais adequado para testes iniciais, avaliação técnica e participação open source. Para uso enterprise, o caminho prudente é começar com um piloto pequeno, validar permissões, revisar diffs e confirmar se os conectores necessários cobrem o workflow real.

Conclusão

A próxima geração de ferramentas científicas com IA não será decidida apenas pelo modelo mais forte ou pelo chat mais bonito. A diferença prática estará em quem consegue reunir contexto de projeto, fontes científicas, execução de agente, artifacts, diffs e rastreabilidade em um fluxo que pesquisadores realmente conseguem revisar.

Runcell Science é interessante porque combina três ideias difíceis de encontrar juntas: controle local-first, backend de agente substituível e pesquisa connector-first. Para equipes avaliando uma alternativa open source ao Claude Science, o melhor teste não é assistir a um demo. É rodar o projeto localmente, conectar um repositório real e observar se o agente entende os arquivos, usa os conectores corretos, produz diffs revisáveis e deixa o próximo passo dentro da mesma sessão.