Les meilleures alternatives open source à Claude Science pour les équipes de recherche

Aucun projet open source ne remplace Claude Science à l’identique. L’application bêta d’Anthropic regroupe orchestration d’agents, accès aux données métier, rendu scientifique et traçabilité. Les alternatives ouvertes couvrent ces couches séparément : il faut les assembler.

Pour les données patient, les résultats non publiés et la propriété intellectuelle, l’analyse doit souvent rester sur une infrastructure contrôlée par le laboratoire.

Ce que vous remplacez réellement

1. Agent et orchestration — planifier, coder, exécuter et itérer.
2. Environnement d’exécution — noyaux Python/R persistants et calcul du laptop au HPC via SSH.
3. Accès aux données métier — bases scientifiques et littérature préconnectées.
4. Rendu scientifique — protéines, alignements, pistes génomiques, structures chimiques et PDF.
5. Traçabilité — code, environnement et conversation attachés à chaque artefact.

Les couches 1 et 2 sont bien servies, la 3 partiellement ; le rendu et la traçabilité restent les véritables manques de l’open source.

Les critères

Nous retenons une licence permissive, une exécution complète sur votre infrastructure, le choix du modèle — y compris local —, l’exécution de vrai code et une communauté durable.

1. Eigent — la couche générale d’orchestration

Licence : Apache 2.0 · Exécution : desktop, backend local, cloud ou entreprise

Eigent est une application desktop open source pour les workflows multi-agents, avec 15.2k stars au moment de la rédaction. Il n’est pas spécifique à la science : il fournit précisément la couche d’orchestration et d’outils à laquelle raccorder votre stack métier.

Exécution agnostique au modèle, MCP, navigateur, terminal et déploiement local avec vLLM, Ollama ou LM Studio permettent à un agent de chercher la littérature pendant qu’un autre lance l’analyse.

À utiliser si vous voulez une main-d’œuvre d’agents générale que vous contrôlez. À éviter si vous avez besoin de rendus scientifiques prêts à l’emploi.

2. Biomni — le plus proche équivalent métier

Licence : Apache 2.0, avec des termes commerciaux plus restrictifs pour certains outils et bases inclus

Biomni, de Stanford, associe raisonnement LLM, planification avec récupération et exécution de code pour la biomédecine. Il inclut un lac de données de 11 Go, MCP et des rapports PDF de traces d’exécution.

Il documente le criblage CRISPR, l’annotation scRNA-seq, ADMET, GWAS et les maladies rares. Installation : pip install biomni; Biomni-Eval1 couvre 433 cas dans dix tâches biologiques.

Lisez les licences avant tout usage commercial. L’étiquette Apache 2.0 ne couvre pas automatiquement chaque base embarquée.

3. PaperQA2 — la couche littérature

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

PaperQA2 fournit une RAG précise avec citations dans les documents scientifiques. Il traite PDF, texte, Office et code, récupère les métadonnées et vérifie les rétractations via LiteLLM.

Un agent qui cite avec assurance un article rétracté est pire qu’un agent sans citation. Cette brique remplace bien la littérature, pas les quatre autres couches.

4. OpenHands — le plan de contrôle auto-hébergé

Licence : MIT · 85.8k stars

OpenHands exécute localement des agents de code et des automatisations via npm, Docker ou les sources. Il accepte Claude Code, Codex, Gemini et les profils de modèles propres.

Il est fait pour le développement, pas pour la science : pas de rendu scientifique, de câblage de bases ou de noyau d’analyse. Il apporte en revanche un harnais MIT mûr, la planification et les webhooks.

À utiliser si votre travail scientifique est surtout de l’ingénierie de pipelines auto-hébergée.

5. Jupyter plus MCP — la couche à ne pas reconstruire

Le modèle de noyau persistant qui rend Claude Science agréable pour l’analyse est déjà celui de Jupyter. Raccorder un agent via MCP est plus simple que réimplémenter la gestion d’état et préserve l’interface connue des chercheurs.

C’est la recommandation la moins glamour, et probablement la plus rentable.

Comparaison

Ce que la stack ouverte n’offre toujours pas

Trois écarts honnêtes.

Rendu scientifique natif. Les bibliothèques de notebook fonctionnent, mais le résultat n’est pas un agent qui observe la structure et raisonne dessus.

Traçabilité par défaut. Attacher automatiquement code, environnement et conversation à chaque artefact est une décision d’architecture précoce.

Plus de soixante bases préconnectées. Chaque connecteur construit en interne est une semaine sans science.

Pesez cela contre la résidence des données, le choix du modèle, la prévisibilité des coûts et le risque de bâtir un programme sur une bêta sans tarif publié.

Comment l’assembler

1. Noyaux : JupyterLab sur votre matériel, enveloppé avec MCP.
2. Orchestration : Eigent ou OpenHands, modèle local via vLLM/Ollama pour le sensible et API de pointe pour le reste.
3. Littérature : PaperQA2 sur un corpus local, contrôle des rétractations activé.
4. Raisonnement métier : Biomni en biomédecine, licences vérifiées.
5. Traçabilité : décidez du format dès la première semaine ; chaque figure porte script, lockfile et entrées, imposés par CI.

Commencez par un workflow récurrent, pas toute la plateforme. Consultez notre guide pour créer une main-d’œuvre IA entièrement locale.

Si vous hésitez encore entre l’application scientifique et celle de code, lisez d’abord Claude Science vs Claude Code.

Questions fréquentes

Existe-t-il un vrai équivalent open source ? Pas en un seul projet : les cinq couches doivent être assemblées.

Lequel est le plus proche ? Biomni pour la biomédecine.

Puis-je tout exécuter hors ligne ? Orchestration et noyaux, oui, avec un modèle local ; littérature et bases demandent un réseau ou un miroir local.

L’usage commercial est-il gratuit ? Apache 2.0 et MIT le permettent, mais vérifiez les dépendances, particulièrement Biomni.

Que manquerai-je le plus ? Le rendu natif et la traçabilité automatique.

Faut-il un GPU ? Seulement pour l’inférence locale, pas pour des agents utilisant une API hébergée.

Construisez la couche que vous contrôlez

Sous Apache 2.0, Eigent apporte aux équipes de recherche coordination multi-agents, intégration MCP et déploiement local avec le modèle de leur choix, afin que les données d’analyse ne quittent jamais leur infrastructure. Transformez le pipeline répété en workflow d’agents en enregistrant le workflow comme skill, partez du hub data engineering, ou téléchargez Eigent.