Runcell Science：面向科研的开源 Claude Science 替代方案

Name

Soren Atelier

更新于 2026/7/6

如果你正在寻找 Claude Science 的 open-source alternative，Runcell Science 值得关注。它不是一个只负责回答问题的聊天窗口，而是一个面向科研开发的 local-first AI research workspace：把 agent 对话、本地项目文件、open science connectors、工具活动、生成 artifacts、代码 diff 和后续任务放在同一个工作区里。

先补一个背景：Claude Code 是 Anthropic 面向代码任务的 AI coding agent。它可以在项目上下文里读取文件、理解代码、修改代码、生成 diff，并帮助开发者推进多步骤工程任务。对科研团队来说，这类 agent 的吸引力不只是“会写代码”，而是可以参与 notebook、分析脚本、实验 pipeline、文档和原型开发。

Claude Science 可以理解为把这种 agent 能力进一步放进科研工作流里的产品方向：让 AI 不只回答科学问题，也能围绕论文、数据、代码、实验和研究产物持续协作。问题在于，如果这套体验被锁在单一 agent 或封闭工作区里，研究团队会很难保留本地项目控制权，也很难按自己的领域工具链接入 connectors。Runcell Science 要解决的正是这个问题。

更直接地说，Runcell Science 想解决的是科研工作流里最常见的断裂：

• 论文检索在一个窗口，代码在另一个 repo。
• notebook 输出、实验记录、prompt、diff 和后续 TODO 分散在不同地方。
• AI agent 能写代码，但不一定记得当前项目状态、文件上下文和研究任务边界。
• 研究连接器很多，但经常只是零散 API，而不是可以按 session 编排的工具层。

Runcell Science 的重点不是“再做一个 Claude Code wrapper”。它的产品思路是：上层是科研工作区、项目上下文、connectors 和 artifacts；底层 agent 可以接 Codex、Claude Code，未来也可以扩展到 Gemini 或其他 code agent。

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

快速结论：Runcell Science 适合什么场景

一句话概括：Claude Science 更像一个围绕特定 agent 体验设计的科研 AI 产品；Runcell Science 的差异在于把科研工作区和连接器生态放在上层，把 Codex、Claude Code 或未来其他 agent 当成可替换的执行后端。

这里也可以把 Runcell Science 放进更宽的 open science 工具语境里。open science 不只是开放论文或开放数据，也包括让研究过程更透明、可复现、可审计的工具链。Runcell Science 通过本地项目、可 review 的 diff、可追踪的 agent session、科研 connectors 和可复现实验产物，承接的是“开放科研工作流”的一部分。不过从关键词优先级看，本文的核心目标仍然是 Claude Science 和 open source alternative to Claude Science；open science 是自然扩展出来的次级语义。

Runcell Science 是什么

Runcell Science 是一个面向研究人员、研究工程师、学生和技术团队的本地优先工作区。它的目标是让你在使用 AI coding agent 做科研开发时，不丢失项目上下文、文件和控制权。

它更像一个研究项目的操作台，而不是一次性聊天：

• agent 对话被保存在具体 session 里；
• 本地项目文件和当前工作状态成为上下文的一部分；
• 工具活动、生成结果、artifacts 和 diff 可以回到同一个工作流；
• 后续任务不必靠聊天记录手动翻找；
• connectors 可以按研究任务启用或禁用。

这对科研场景很关键。科研工作不是单次 prompt 可以完成的任务。你可能先做文献综述，再筛选基因、查临床试验、写 notebook、生成图表、修 pipeline、整理文档，最后把中间结果变成可复现实验产物。Runcell Science 试图把这些步骤放进同一个可持续的 workspace。

为什么它不是普通 AI 聊天窗口

普通 AI 聊天适合快速问答，但科研开发更依赖连续上下文：

• 当前 repo 里有哪些脚本和 notebook？
• 上一次 agent 改了哪些文件？
• 哪些查询结果来自 PubMed、bioRxiv、Clinical Trials 或 ChEMBL？
• 哪个 artifact 可以继续编辑，哪个 diff 需要 review？
• 当前 session 应该启用哪些研究 connectors？

Runcell Science 的工作方式更接近 AI-assisted research development。你不是把问题丢给模型等答案，而是在一个本地项目中持续推进研究任务：让 agent 读文件、写分析代码、生成原型、整理文献、产生 diff，并把这些操作和上下文留在同一个界面里。

三个核心优势

1. Local-first：本地项目、文件和控制权优先

Runcell Science 的 README 把定位写得很明确：它是给研究人员使用 AI coding agents 的 local-first workspace。这个方向很重要，因为科研工作通常涉及：

• 尚未公开的代码和实验想法；
• 本地 notebook、脚本、配置和中间数据；
• 需要长期保留的实验上下文；
• 需要人工 review 的代码 diff；
• 对可复现性和审计路径的要求。

local-first 不等于完全离线，也不等于不调用模型。它的重点是：研究项目仍然围绕你的本地文件系统和本地工作区组织，而不是被拆成托管聊天窗口里的临时上下文。

对研究工程师来说，这意味着 agent 可以更自然地服务于真实 repo：写分析脚本、改 notebook、生成文档、解释错误、整理结果，而不是把代码片段从聊天窗口复制回项目里。

2. Customizable agent backend：Codex、Claude Code 和未来 agent 可切换

Runcell Science 当前 runtime 架构支持两类 agent provider：codex 和 claude。也就是说，它不是把产品体验绑定到单一模型或单一 agent 上，而是通过 runtime registry 接入不同 agent 后端。

这种设计带来一个很实际的好处：不同研究任务可以选择不同 agent。

这也是它和很多 Claude Science 替代品可能拉开差距的地方。一个简单 wrapper 通常只能把某个模型包上一层 UI；Runcell Science 更强调可替换 agent backend。上层的研究工作区、connectors、session、artifacts 和 diff 仍然存在，底层 agent 可以根据能力、成本、隐私、速度或团队偏好替换。

这并不意味着所有 agent 的能力完全等价。Codex、Claude Code、未来 Gemini 或其他 code agent 的权限模型、工具协议、上下文窗口、成本和行为风格都会不同。Runcell Science 的价值在于提供一个能承载这些差异的 workspace，而不是强迫科研团队永远选定一个 agent。

3. Connector-first research workflow：科研连接器不是附属功能

Runcell Science 最值得展开的一点，是它把 research connectors 当作核心产品能力，而不是“以后再加几个插件”。

很多 AI research workspace 早期 demo 看起来都很像：左边聊天，右边文件，底层接一个 code agent。但科研工作真正需要的是领域数据源和工具链。没有 connectors，agent 很容易变成一个会写代码但拿不到研究材料的助手。

Runcell Science 代码里已经有 bundled science connectors registry，覆盖的连接器包括：

• 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

这组 connectors 的意义不是“列表很长”，而是它覆盖了科研 agent 常见的几类真实任务。

更重要的是，UI 层有 session connectors menu，可以对当前 session 启用或禁用 connectors，同时支持 bundled science connectors 和已配置的 MCP servers。你可以把它理解为“研究任务级别的连接器编排”：不是把所有工具都塞给 agent，而是按当前任务选择该用哪些数据源和工具。

与 Claude Science 的差异

如果用户搜索 “open source alternative to Claude Science”，他们通常关心三件事：

1. 能不能像科研工作区一样持续管理研究任务？
2. 能不能使用 AI agent 编写、运行或维护研究代码？
3. 能不能避免被单一供应商、单一模型或单一 agent 体验锁死？

Runcell Science 的答案是：它更偏开放工作区，而不是封闭 agent 产品。

这里需要注意：Runcell Science 仍处于早期快速演进阶段。它现在更适合愿意尝试本地开发环境、理解 code agent 工作流、并希望参与开源生态的用户。它不是一个已经完全产品化、无需配置就覆盖所有科研场景的 SaaS。

典型工作流

文献综述：从论文检索到可复用笔记

研究者可以在一个 session 中启用 PubMed、bioRxiv / medRxiv 和 Literature Graph connectors，让 agent 帮助检索主题、提取关键论文、对比研究方向，并把结果整理成后续可继续编辑的文档或 artifact。

这里的关键不是让模型“凭记忆总结文献”，而是让它围绕实际检索结果工作。这样更适合做早期 topic scan、研究背景整理、相关工作草稿和实验设计前的证据收集。

靶点和化合物初筛：连接基因、蛋白、结构和化学数据

药物发现或生物信息方向的团队，可以把 ChEMBL、Genes & Ontologies、Protein Annotation、Structures & Interactions、Variants、ZINC 和 Chemistry connectors 放进同一个研究工作流。

一个典型 session 可能是：

1. 查某个靶点相关基因和本体信息；
2. 看蛋白注释和结构互作；
3. 检索已知化合物和相关活性数据；
4. 生成候选分析 notebook；
5. 让 agent 产出 diff、图表或 follow-up tasks。

临床试验调研：把 trial search 放进项目上下文

对于临床方向的问题，Clinical Trials 和 Drug Regulatory connectors 可以帮助 agent 围绕真实试验信息做结构化调研。Runcell Science 的优势在于，这些调研结果可以继续和项目里的代码、notebook、文档和 artifacts 连接，而不是停留在聊天总结里。

基因变异解释：从查询到分析产物

Variants、Human Genetics、Genomes、Regulation 和 Expression connectors 可以服务于基因变异解释、表达差异分析和调控背景调研。agent 可以把这些查询结果转成 notebook 分析、markdown 报告、可视化草稿或后续验证清单。

Notebook、分析和可复现实验

Runcell Science 不是专门的 notebook runtime agent，但它面向的是同一类痛点：科研分析很少是一次性生成脚本。研究者需要在代码、数据、notebook、文档、图表和实验结果之间持续迭代。

Runcell Science 的 workspace 模型适合让 agent 帮你：

• 写分析代码和 notebook cells；
• 整理实验流程和 README；
• 解释 pipeline 报错；
• 生成 prototype；
• review diff；
• 把中间结果变成可复现 artifact。

如果你的核心工作完全发生在 Jupyter 运行时里，可以结合阅读 Jupyter AI Agent：让 Jupyter Notebook 进入数据科学 Agent 工作流。如果你的重点是 repo、connectors 和研究项目管理，Runcell Science 的方向会更接近 AI research workspace。

当前能力和未来方向要分清

为了避免误解，可以把 Runcell Science 的状态分成两层看。

这种区分很重要。Runcell Science 的卖点不是承诺今天替代所有科研软件，而是提供一个开放、local-first、connector-first 的基础工作区，让科研团队可以把 AI coding agent 放进真实项目里。

谁最适合现在尝试 Runcell Science

Runcell Science 当前更适合这些用户：

• 想用 Codex 或 Claude Code 处理科研代码，但不想把工作拆散在终端和聊天窗口里的研究者；
• 需要把论文、数据源、notebook、pipeline 和 artifacts 串起来的研究工程师；
• 正在探索 scientific AI agent 或 AI research workspace 的技术团队；
• 想构建自定义 MCP connectors 或私有研究工具接入层的开发者；
• 希望保留本地文件和项目控制权，而不是把研究上下文完全交给托管产品的团队。

不太适合的情况也要说清楚：

• 如果你只想要一个无需配置的商业科研 AI 产品，它可能还太早期；
• 如果你只需要一次性文献总结，普通 AI 聊天或专门文献工具可能更快；
• 如果你完全不想安装本地 agent CLI，当前体验可能不匹配；
• 如果你的组织需要严格企业级权限、审计和 SLA，应该先做小范围 pilot。

如何开始

项目已经开源在 GitHub：

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

当前 README 给出的本地启动方式很直接：

./scripts/dev.sh

启动后打开本地 Web 应用：

http://127.0.0.1:27183

如果你想运行 agent-backed sessions，需要本地已安装并登录对应 agent CLI，例如 codex 或 claude。这也符合 Runcell Science 的核心设计：工作区在本地，agent 后端可根据你的环境和偏好接入。

Related Guides

• 2026 年 15 款最佳 AI 编程工具：权威对比指南
• Codex vs Claude Code Skills：设置、配置与跨工具共享技能指南
• Claude Code 能分析 Jupyter Notebook 吗？Data Science 场景下它到底做了什么
• Jupyter AI Agent：让 Jupyter Notebook 进入数据科学 Agent 工作流
• 如何为你的博客网站构建 MCP 服务
• Agentic RAG：让 RAG 从一次检索走向多步智能检索

FAQ

Runcell Science 是 Claude Science 的开源替代品吗？

可以把它理解为面向 Claude Science 搜索意图的开源替代方向，但它的产品思路不同。Runcell Science 更强调 local-first workspace、可切换 agent backend 和 connector-first research workflow，而不是把体验锁定在单一 agent 里。

Runcell Science 可以使用 Codex 或 Claude Code 吗？

可以。当前 runtime 里有 AgentProvider = 'codex' | 'claude'，并通过 runtime registry 分别接入 CodexRuntime 和 ClaudeRuntime。也就是说，它当前支持 Codex 和 Claude Code 两类 agent provider。

Runcell Science 未来能接入 Gemini 或其他 code agent 吗？

从架构定位看，Runcell Science 的优势就是 agent backend 可替换。当前明确支持 Codex 和 Claude Code；Gemini、团队自建 agent 或其他 code agent 属于自然扩展方向，但具体能力取决于后续 runtime、权限、工具协议和产品实现。

Runcell Science 支持哪些 research connectors？

当前 bundled science connectors 覆盖 PubMed、bioRxiv / medRxiv、Clinical Trials、ChEMBL、BioMart、Genes & Ontologies、Protein Annotation、Structures & Interactions、Variants、Expression、Omics Archives、Drug Regulatory、Chemistry、ZINC、Ketcher Chemistry 等。它还支持已配置的 MCP servers，并可以在 session 级别启用或禁用 connectors。

Runcell Science 和 open science 有什么关系？

Runcell Science 不是把产品名叫做 Open Science，但它属于 open science 工具链的一类：它强调本地控制、可复现研究产物、可追踪 agent session、开放连接器和可 review 的代码 diff。换句话说，它服务的是开放科研工作流，而不是只做一次性科学问答。

为什么 connector-first 对科研 AI agent 很重要？

科研 agent 如果只能聊天和写代码，很容易缺少真实研究数据源。connector-first 的价值在于让 agent 能按任务访问文献、预印本、临床试验、基因组、蛋白、结构、变异、表达、化学和药物监管等工具，并把结果带回同一个研究 session。

Runcell Science 现在适合生产使用吗？

它更适合早期试用、技术评估和开源参与。README 明确说明项目仍在快速演进，当前重点是建立实用的本地 agent-assisted research and development workflow。企业级生产使用前，建议先做小范围 pilot。

最后：为什么这个方向值得关注

科研 AI 工具的下一步，不只是模型更强，也不是再多一个聊天界面。真正的竞争点会变成：谁能把项目上下文、研究数据源、agent 执行、artifacts、diff 和可复现工作流放在一起。

Runcell Science 的价值就在这里。它把 local-first 控制权、可切换 agent backend 和 connector-first research workflow 组合起来，让科研团队不必在“好用但锁死”和“开放但零散”之间二选一。

如果你正在评估 Claude Science 的 open-source alternative，可以先访问 Runcell Science GitHub 仓库 (opens in a new tab)，star/watch 项目，并在本地尝试启动。对研究工程团队来说，最有价值的验证方式不是看 demo，而是拿一个真实研究 repo 测试：agent 是否能理解项目、调用正确 connectors、产生可 review 的 diff，并把后续工作留在同一个 session 里。