Las mejores alternativas open source a Claude Science para equipos de investigación

No existe un proyecto open source que sustituya Claude Science uno a uno. La aplicación beta de Anthropic reúne orquestación, datos de dominio, visualización científica y procedencia; los proyectos abiertos cubren esas capas por separado y hay que ensamblarlos.

Los datos de pacientes, los resultados inéditos y la propiedad intelectual obligan a muchos grupos a mantener el análisis en infraestructura propia.

Lo que realmente está sustituyendo

1. Agente y orquestación — planificar, escribir código, ejecutarlo e iterar.
2. Entorno de ejecución — kernels persistentes de Python y R, desde portátil hasta HPC por SSH.
3. Datos de dominio — bases científicas y literatura ya conectadas.
4. Visualización científica — proteínas, alineamientos, pistas genómicas, estructuras y PDF.
5. Procedencia — código, entorno y conversación asociados a cada resultado.

Las capas 1 y 2 están bien cubiertas; la 3, parcialmente. Visualización y procedencia siguen siendo las carencias reales del ecosistema abierto.

Los criterios

Valoramos licencia permisiva, ejecución íntegra en su infraestructura, elección de modelo —incluida inferencia local—, ejecución de código real y una comunidad con continuidad.

1. Eigent — la capa general de orquestación

Licencia: Apache 2.0 · Ejecución: escritorio, backend local, nube o empresa

Eigent es una aplicación de escritorio open source para flujos multiagente, con 15.2k stars al escribir esto. No es específica de ciencia: aporta la capa de orquestación y uso de herramientas a la que se conectan las herramientas de dominio.

Incluye ejecución agnóstica al modelo, MCP, navegador y terminal, y despliegue local con vLLM, Ollama o LM Studio. Un agente puede buscar literatura mientras otro analiza.

Úselo cuando quiera una plantilla general bajo su control y pueda conectar herramientas de dominio por MCP. Evítelo cuando necesite visualizadores científicos listos para usar.

2. Biomni — lo más cercano a una alternativa nativa del dominio

Licencia: Apache 2.0, aunque algunas herramientas y bases incluidas tienen términos comerciales más restrictivos

Biomni, de Stanford, combina razonamiento LLM, planificación con recuperación y ejecución de código para biomedicina. Incluye un lago de datos de 11 GB, MCP y reportes PDF de trazas.

Documenta CRISPR, anotación scRNA-seq, ADMET, GWAS y enfermedades raras. Se instala con pip install biomni, acepta proveedores de API y su benchmark Biomni-Eval1 contiene 433 casos de diez tareas biológicas.

Lea las licencias antes de uso comercial. Apache 2.0 no cubre automáticamente cada base de datos incluida.

3. PaperQA2 — la capa de literatura

Licencia: Apache 2.0 · Instalación: pip install paper-qa>=5, Python 3.11+

PaperQA2 ofrece RAG de alta precisión con citas en documentos científicos. Procesa PDF, texto, Office y código, recupera metadatos y comprueba retractaciones mediante LiteLLM.

Un agente que cita con seguridad un artículo retractado es peor que uno que no cita. Esta capa sustituye bien la literatura, no las otras cuatro capas.

4. OpenHands — el plano de control autoalojado

Licencia: MIT · 85.8k stars

OpenHands ejecuta agentes de programación y automatizaciones localmente por npm, Docker o código fuente. Funciona con Claude Code, Codex, Gemini y perfiles de modelo propios.

Es una herramienta de desarrollo, no un producto científico: no incluye visualización, conexiones de bases ni kernels de análisis. Sí aporta un arnés MIT maduro, programación y webhooks.

Úselo cuando su trabajo científico sea ingeniería de pipelines y quiera alojarlo usted mismo.

5. Jupyter más MCP — la capa que no debe reconstruir

El modelo de kernel persistente de Claude Science ya existe en Jupyter. Conectar un agente mediante MCP es menor que reimplementar estado y conserva la interfaz conocida por los investigadores.

Es la recomendación menos vistosa y posiblemente la más rentable.

Comparación

Lo que la pila abierta aún no ofrece

Tres brechas honestas.

Visualización científica nativa. Las bibliotecas de notebook funcionan, pero no equivalen a que el agente vea y razone sobre la estructura.

Procedencia por defecto. Unir automáticamente código, entorno y conversación a cada artefacto es una decisión arquitectónica temprana.

Más de sesenta bases ya conectadas. Cada conector propio cuesta tiempo que no se dedica a ciencia.

Péselo frente a residencia de datos, elección de modelo, costes previsibles y no construir un programa de investigación sobre una beta con precio no publicado.

Cómo montarla

1. Kernels: JupyterLab en hardware propio, envuelto con MCP.
2. Orquestación: Eigent u OpenHands, modelo local con vLLM/Ollama para trabajo sensible y API para el resto.
3. Literatura: PaperQA2 sobre corpus local, con retractaciones activadas.
4. Razonamiento de dominio: Biomni para biomedicina, tras revisar licencias.
5. Procedencia: decida el formato en la primera semana; cada figura lleva script, lockfile e inputs, exigidos por CI.

Empiece con un flujo repetido, no con toda la plataforma. Consulte nuestra guía para crear una fuerza laboral de IA totalmente local.

Si aún decide entre la aplicación científica y la de código, lea primero Claude Science vs Claude Code.

Preguntas frecuentes

¿Hay un equivalente open source real? No como proyecto único; las cinco capas se ensamblan.

¿Cuál es el más cercano? Biomni para biomedicina.

¿Puedo ejecutarlo sin conexión? Orquestación y kernels sí, con modelo local; literatura y bases requieren red o espejo local.

¿Son gratuitos comercialmente? Apache 2.0 y MIT lo permiten, pero revise dependencias, especialmente Biomni.

¿Qué echaré más de menos? Visualización nativa y procedencia automática.

¿Necesito GPU? Solo para inferencia local; no para agentes contra una API alojada.

Construya la capa que controla

Eigent ofrece bajo Apache 2.0 coordinación multiagente, integración MCP y despliegue local con el modelo que elija, para que los datos no salgan de su infraestructura. Convierta su pipeline repetido en algo ejecutable por agentes guardando el flujo como skill, empiece en el hub de ingeniería de datos, o descargue Eigent para usarlo en su hardware.