研究團隊最佳開源 Claude Science 替代方案

**沒有開源專案能一對一取代 Claude Science，聲稱可以的人並不誠實。**Anthropic 的測試版研究應用程式把代理編排、領域資料、科學呈現與溯源整合在封閉桌面軟體中；開源方案可分別覆蓋這些層，但需要自行組裝。

許多研究團隊不論產品多好都無法安裝封閉版本。病患資料駐留義務、未發表結果與產業 IP 都表示分析必須留在你控制的基礎設施。

你實際要替換什麼

先將 Claude Science 拆解：

1. 代理與編排層 — 規劃任務、寫程式、執行並迭代。
2. 執行環境 — 持久的 Python/R 核心，以及從筆電到透過 SSH 的 HPC 運算管理。
3. 領域資料存取 — 60 多個預先接線的科學資料庫與文獻整合。
4. 科學呈現 — 原生顯示蛋白質、比對、基因組軌跡、化學結構與 PDF。
5. 溯源 — 每項產物附有生成它的程式碼、環境與對話。

前兩層已有成熟開源選項，第三層部分具備；第四與第五層仍是開源生態真正落後之處，應及早規劃。

評估標準

下列工具按寬鬆授權、可完全在自有基礎設施執行、可選擇模型（包括本地推論）、能執行真實程式碼，以及具備足夠社群支持來判斷。

1. Eigent — 通用編排層

**授權：**Apache 2.0 · **執行：**桌面、本地後端、雲端或企業部署

Eigent 是用於多代理工作流程的開源桌面應用程式，撰寫時有 15.2k stars。它不是科學專用，這既是限制也是重點：它提供領域技術棧可接入的編排與工具使用層。

實驗室需要的是模型無關執行、MCP 整合、內建瀏覽器與終端工具，以及透過 vLLM、Ollama、LM Studio 的本地部署與推論。多代理協作可讓一個代理取回文獻、另一個執行分析。

**適合使用：**你要端到端可控的通用代理團隊，並願意透過 MCP 接上領域工具。**不適合使用：**你要開箱即用的科學呈現器。

2. Biomni — 最接近領域原生等價物

**授權：**Apache 2.0；部分隨附工具與資料庫有更嚴格的商業條款

史丹佛的 Biomni 是通用生物醫學 AI 代理，也是生命科學中最接近 Claude Science 的開源類比。它結合 LLM 推理、檢索增強規劃與程式碼執行，提供 11GB 資料湖、外部工具的 MCP 支援與執行軌跡 PDF 報告。

文件列出 CRISPR 篩檢、scRNA-seq 註釋、ADMET 預測、GWAS 與罕見疾病診斷。以 pip install biomni 安裝，可接 Anthropic、OpenAI 或其他供應商 API；其 Biomni-Eval1 基準含十項生物推理任務的 433 個實例。

**商用前請閱讀授權。**Apache 2.0 的標題不會延伸至每個隨附資料庫，這類細節常在法務審查才浮現。

3. PaperQA2 — 文獻層

**授權：**Apache 2.0 · 安裝：pip install paper-qa>=5，Python 3.11+

FutureHouse 的 PaperQA2 專注於一件事：對科學文件進行帶文內引註的高準確度檢索增強生成。它處理 PDF、文字、Office 文件與原始碼，取得包括引註數與撤稿檢查的中繼資料，並透過 LiteLLM 支援多個 LLM。

撤稿檢查尤其值得一提：自信引用已撤回論文的代理，比不引用更糟。它可替代 Claude Science 的文獻整合，但無法替代另四層。

4. OpenHands — 自行託管控制平面

**授權：**MIT · 85.8k stars

OpenHands 是程式代理與自動化的自行託管控制中心。它可用 npm、Docker 或原始碼在本地執行，支援 Claude Code、Codex、Gemini 或任何使用 Agent-Client Protocol 的代理，並支援自帶模型設定檔。

需清楚看待其適配性：文件針對軟體開發而非科學；沒有科學呈現、資料庫接線或為分析設計的核心模型。它提供的是成熟、廣泛採用、MIT 授權的本機代理執行框架，加上排程與 webhooks。

**適合使用：**你的科學工作實際是維護管線與套件的軟體工程，而且需要自行託管。

5. Jupyter 加 MCP — 不該重建的一層

讓 Claude Science 適合分析的持久核心模型，本來就是 Jupyter 的模型。組裝技術棧時，這層已久經考驗且可在任何地方運作。透過 MCP 將代理接入，比重寫狀態管理小得多，也讓研究人員保留熟悉介面。

這是最不花俏、也可能最有槓桿的建議。

比較

開源技術棧仍不能提供什麼

三個誠實的缺口。

**原生科學呈現。**Claude Science 將蛋白質、比對、基因組軌跡與化學結構作為一等物件顯示。開源技術棧可在 notebook 內以函式庫實現，但不等於代理能看著結構推理。

**預設溯源。**自動把程式碼、環境與對話附到每件產物，是必須早期做出的架構決定；事後補上雖可行，卻很少發生。

**六十多個預先接線資料庫。**每個自己建立的連接器都是一週無法做科學的時間。若資料位於常見來源，封閉產品的整合工作確有價值。

請將這些缺口與資料駐留、模型選擇、成本可預測性，以及不想在未公開定價的測試版軟體上建立研究計畫等理由一併衡量。

如何組裝

對不能把資料送出的團隊，可行技術棧如下：

1. **核心：**在自有硬體上執行 JupyterLab，並以 MCP 包裝。
2. **編排：**Eigent 或 OpenHands；敏感工作經 vLLM 或 Ollama 指向本地模型，其餘指向前沿 API。
3. **文獻：**PaperQA2 用於本地語料庫，並開啟撤稿檢查。
4. **領域推理：**生物醫學可使用 Biomni，但先審查授權。
5. **溯源：**第一週決定產物格式；每張圖都附指令碼、環境 lockfile 與輸入，透過慣例與 CI 落實。

從一個工作流程開始，不是整個平台。選擇最常重複的分析，並閱讀完全本地 AI 團隊建置指南來建立本地執行部分。

若你還在決定需要科學應用程式還是編程應用程式，再挑選替代方案前先讀Claude Science vs Claude Code。

常見問題

**有真正的開源等價物嗎？**沒有單一專案；封閉應用程式整合五層，開源工具分別覆蓋，需自行組合。

**哪個最接近？**生物醫學工作選 Biomni；它是唯一結合領域原生推理、程式碼執行與隨附資料湖的開源專案。

**可完全離線執行嗎？**編排與核心層可以，只要透過 vLLM 或 Ollama 使用本地模型。文獻與資料庫存取按定義需要網路或本地鏡像。

**可免費商用嗎？**Apache 2.0 與 MIT 允許，但應分別檢查隨附依賴；Biomni 特別需要注意。

**最會缺少什麼？**原生科學呈現與自動溯源；兩者都是架構議題，應一開始就規劃。

**需要 GPU 嗎？**只有本地模型推論需要；針對託管 API 執行代理則不需要。

建立你能控制的那一層

Eigent 以 Apache 2.0 為研究團隊提供開源編排：多代理協調、MCP 工具整合，以及以自選模型進行本地部署，使分析資料不必離開你的基礎設施。把最常重複的管線變成代理可執行的流程，可把工作流程儲存為 skill；若瓶頸在分析上游，從資料工程中心開始。要在自己的硬體執行，請下載 Eigent。