연구팀을 위한 최고의 오픈 소스 Claude Science 대안

Claude Science를 일대일로 대체하는 오픈 소스 프로젝트는 없습니다. Anthropic의 베타 앱은 에이전트 오케스트레이션, 도메인 데이터, 과학 렌더링, 프로비넌스를 하나로 묶습니다. 오픈 도구는 각 계층을 따로 제공하므로 직접 조합해야 합니다.

환자 데이터, 미발표 결과, 산업 IP 때문에 많은 연구 그룹은 분석을 자신이 통제하는 인프라에 유지해야 합니다.

실제로 대체하는 것

1. 에이전트와 오케스트레이션 — 작업 계획, 코드 작성, 실행, 반복.
2. 실행 환경 — 영속 Python/R 커널과 SSH 기반 HPC까지의 컴퓨팅 관리.
3. 도메인 데이터 접근 — 과학 데이터베이스와 문헌 연동.
4. 과학 렌더링 — 단백질, 정렬, 유전체 트랙, 화학 구조, PDF.
5. 프로비넌스 — 산출물마다 연결된 코드, 환경, 대화.

1·2계층은 잘 갖춰졌고 3계층은 부분적으로 지원됩니다. 렌더링과 프로비넌스는 여전히 오픈 생태계의 격차입니다.

기준

관대한 라이선스, 자체 인프라에서의 완전 실행, 로컬 추론을 포함한 모델 선택, 실제 코드 실행, 지속 가능한 커뮤니티를 봅니다.

1. Eigent — 범용 오케스트레이션 계층

라이선스: Apache 2.0 · 실행: 데스크톱, 로컬 백엔드, 클라우드 또는 엔터프라이즈

Eigent는 멀티 에이전트 워크플로용 오픈 소스 데스크톱 앱이며 작성 시점에 15.2k stars를 보유했습니다. 과학 전용은 아니지만, 도메인 스택을 연결할 오케스트레이션과 도구 사용 계층을 제공합니다.

모델 독립 실행, MCP, 브라우저와 터미널, vLLM·Ollama·LM Studio를 통한 로컬 배포로 한 에이전트가 문헌을 찾고 다른 에이전트가 분석을 실행할 수 있습니다.

적합한 경우: 통제 가능한 범용 에이전트 팀이 필요한 경우. 부적합한 경우: 즉시 사용할 과학 렌더러가 필요한 경우.

2. Biomni — 도메인 네이티브에 가장 가까운 대안

라이선스: Apache 2.0. 단, 포함 도구와 데이터베이스 일부에는 더 제한적인 상용 조건이 있습니다

Stanford의 Biomni는 생의학을 위해 LLM 추론, 검색 증강 계획, 코드 실행을 결합합니다. 11GB 데이터 레이크, MCP, 실행 추적 PDF 보고서를 포함합니다.

CRISPR, scRNA-seq, ADMET, GWAS, 희귀질환 사례를 문서화하며 pip install biomni로 설치합니다. Biomni-Eval1에는 열 가지 생물학 과제의 433개 사례가 있습니다.

상용 사용 전에 라이선스를 읽으세요. Apache 2.0 표기가 모든 포함 데이터베이스에 적용되는 것은 아닙니다.

3. PaperQA2 — 문헌 계층

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

PaperQA2는 과학 문서용 인용 포함 고정확도 RAG를 제공합니다. PDF, 텍스트, Office, 소스 코드를 처리하고 LiteLLM으로 메타데이터와 철회 논문을 확인합니다.

철회된 논문을 확신 있게 인용하는 에이전트는 인용하지 않는 에이전트보다 나쁩니다. 이는 문헌 계층의 대안이지 나머지 네 계층의 대안은 아닙니다.

4. OpenHands — 자체 호스팅 제어 평면

라이선스: MIT · 85.8k stars

OpenHands는 npm, Docker 또는 소스로 코딩 에이전트와 자동화를 로컬 실행하며 Claude Code, Codex, Gemini, 자체 모델 프로필을 지원합니다.

과학 렌더링, 데이터베이스 연결, 분석 커널은 없습니다. 대신 성숙한 MIT 하니스, 스케줄링, webhooks를 제공합니다.

적합한 경우: 연구 작업이 주로 자체 호스팅 파이프라인과 패키지의 소프트웨어 엔지니어링인 경우.

5. Jupyter와 MCP — 다시 만들지 말아야 할 계층

Claude Science의 영속 커널 모델은 이미 Jupyter의 모델입니다. MCP로 에이전트를 연결하는 편이 상태 관리를 재구현하는 것보다 작고 연구자가 익숙한 인터페이스를 유지합니다.

가장 화려하지 않지만 가장 큰 효과를 낼 권고일 수 있습니다.

비교

오픈 스택이 아직 제공하지 않는 것

네이티브 과학 렌더링. Notebook 라이브러리는 작동하지만 에이전트가 구조를 보고 추론하는 것과는 다릅니다.

기본 프로비넌스. 코드, 환경, 대화를 모든 산출물에 자동으로 붙이는 것은 초기 아키텍처 결정입니다.

60개 이상의 사전 연결 데이터베이스. 직접 만든 커넥터 하나는 과학을 하지 못하는 일주일입니다.

이를 데이터 레지던시, 모델 선택, 예측 가능한 비용, 가격 미공개 베타에 연구 프로그램을 두지 않으려는 이유와 비교하세요.

조립 방법

1. 커널: 자체 하드웨어의 JupyterLab을 MCP로 래핑합니다.
2. 오케스트레이션: Eigent 또는 OpenHands; 민감 작업은 vLLM/Ollama 로컬 모델, 나머지는 프런티어 API를 씁니다.
3. 문헌: 로컬 코퍼스의 PaperQA2와 철회 확인을 사용합니다.
4. 도메인 추론: 생의학에서는 라이선스 검토 후 Biomni를 씁니다.
5. 프로비넌스: 첫 주에 포맷을 정하고, 각 그림에 스크립트·lockfile·입력을 CI로 강제합니다.

전체 플랫폼이 아니라 반복 작업 하나에서 시작하세요. 완전 로컬 AI 워크포스 구축 가이드와 Claude Science vs Claude Code를 참고하세요.

자주 묻는 질문

진정한 단일 오픈 소스 동등품이 있나요? 없습니다. 다섯 계층을 조합해야 합니다.

가장 가까운 것은 무엇인가요? 생의학에서는 Biomni입니다.

완전 오프라인 실행이 가능한가요? 로컬 모델을 쓰는 오케스트레이션과 커널은 가능합니다. 문헌과 데이터베이스는 네트워크나 로컬 미러가 필요합니다.

상용 사용은 무료인가요? Apache 2.0과 MIT는 허용하지만, 특히 Biomni의 의존성을 확인해야 합니다.

무엇이 가장 부족한가요? 네이티브 렌더링과 자동 프로비넌스입니다.

GPU가 필요한가요? 로컬 추론에만 필요합니다.

통제할 수 있는 계층을 구축하세요

Eigent는 Apache 2.0으로 멀티 에이전트 조정, MCP 통합, 선택 모델을 이용한 로컬 배포를 제공하여 분석 데이터가 인프라 밖으로 나가지 않게 합니다. workflow를 skill로 저장하거나 데이터 엔지니어링 허브에서 시작하고, Eigent를 다운로드하세요.