Claude Science 开源平替 OpenScience¶

Ch01.852 Claude Science 开源平替 OpenScience¶

📊 Level ⭐⭐ | 7.6KB | entities/claude-science-开源平替-open-science-2026.md

Claude Science 开源平替 OpenScience¶

Anthropic 的 Claude Science 上线不到一周，YC 孵化的 AI 科研团队发布「Claude Science 开源平替版」OpenScience。

OpenScience 覆盖文献检索、假设生成、代码实验到论文撰写的全流程 AI 科研工作台，不绑定任何单一模型厂商，支持 DeepSeek、GLM 等多种模型。与 Claude Science 形成开源替代方案。

核心功能对比¶

Claude Science 的定位与限制¶

Claude Science 是 Anthropic 推出的面向科学家的 AI 工作平台，提供研究人员常用的工具链集成：文献检索、Jupyter 代码执行、R 统计分析、SSH 集群任务提交、论文撰写等。其核心集成包括：

数据库与工具链：内置 60+ 科学数据库连接器和预配置技能包，覆盖基因组学、单细胞分析、蛋白质组学、结构生物学、化学信息学等常见科研领域。用户用自然语言提问，专业 Agent 自动跨库查询 UniProt、PDB、Ensembl、ChEMBL、GEO 等数据库
执行架构：多智能体架构——主 Agent 负责整体规划，子 Agent 并行处理不同任务，Reviewer Agent 负责事实核查（检查引用、验证计算结果、标注潜在错误）
算力支持：通过 SSH 连接或 Modal 账户按需调用云端 GPU，从单卡扩展到数百卡，敏感数据不出用户系统

但 Claude Science 存在三个硬限制：仅支持 macOS 和 Linux、仅面向 Pro/Max/Team/Enterprise 付费用户、在平台上只能用 Claude 自家模型

OpenScience 的开源替代方案¶

OpenScience 由 YC 2026 冬季批次毕业的 Synthetic Sciences 团队（2025 年成立于旧金山）打造，核心定位是成为「模型不可知（model-agnostic）」的科学 AI 平台。其根本性区别在于：

多模型支持：Anthropic、OpenAI、Google、DeepSeek、GLM 甚至本地 Ollama 模型——只要有 API Key 都能直接接入。支持按请求切模型，同一工作台内不同步骤可使用不同模型，无需改配置
隐私优先：Key 留在本地，请求直连模型提供商，不经过任何中间服务器。敏感数据一个字节不出用户机器
开源协议：采用 Apache 2.0 协议，仅需一行命令即可安装
更丰富的技能包：内置 250+ 研究技能包（是 Claude Science 的 4 倍多），覆盖 ML、计算生物学、化学信息学等方向，全部可读、可编辑、可扩展

深度分析¶

1. 「模型不可知」策略的竞争意义¶

OpenScience 最核心的设计决策是模型不可知架构。这不仅降低了使用门槛（国内科研团队不需要购买 Claude 订阅），更在战略层面构建了对抗模型供应商锁定的护城河。当科学 AI 平台可以自由切换底层模型时，用户不会被任何单一模型厂商的定价、政策或能力变化所绑架。这与 Backend for Agent 强调的「基础设施抽象」理念一致——AI 科研工具的竞争正在从「模型能力」转向「平台生态」

2. 数据飞轮与「研究品味」¶

Synthetic Sciences 团队的核心判断是：科学基础模型需要具备真正的「研究品味（research taste）」，这种品味靠单纯堆参数堆不出来，必须产品和模型两条腿走路——用产品收集高质量的科研过程数据，再用这些数据训练出有品味的模型。OpenScience 正是这条路线落地的第一个产品

这种「产品→数据→模型→更好的产品」飞轮，与 Claude Code 的遥测数据策略有异曲同工之处，但 OpenScience 是开源产品，其数据收集策略更加透明。

3. 科研 AI 的「研二学生」定位¶

Anthropic 在 Claude Science 技术文档中引用哈佛物理学家 Matthew Schwartz 的评价：当前 AI 的科研能力大约相当于一名研二学生——能干活、不喊累，但每一步都需要导师盯着

这一判断为科研 AI 的能力边界设定了现实预期。Claude Science 的内测用户已在实践中验证了这一能力层级：艾伦研究所的神经科学家 Jérôme Lecoq 用它搭建了多智能体「计算评审模板」，包含约 20 个自定义技能，让子 Agent 读数千篇论文、提取核心观点和定量数据，再逐章生成综述。以前写一篇综述要两年，现在手上已有大约 10 篇超过 100 页的综述，且引用全部经过 Reviewer Agent 核验

4. 开源社区的反应与「先活下来」策略¶

OpenScience 发布后直接冲上 X 热搜，社区反应热烈。但一个耐人寻味的细节是：OpenScience 在 GitHub 页面底部焊死了免责声明——"OpenScience is an independent project. It is not affiliated with, endorsed by, or sponsored by Anthropic." 这是对之前 OpenClaw 几度更名事件的直接回应，反映了开源平替项目在「致敬」与「侵权」边界上的审慎策略

实践启示¶

科研团队的模型选择策略：在选择 AI 科研平台时，优先考虑模型不可知架构——这避免了被单一模型供应商锁定，也能利用不同模型在不同任务上的相对优势（如 DeepSeek 在数学推理、Claude 在代码生成上的特长）。
开源 vs 闭源的科学 AI 路线：Claude Science 和 OpenScience 代表了两种路线——深度集成但封闭 vs 灵活扩展但开放。对于需要定制化研究流程的团队，开源路线提供更大的可编辑性和可扩展性。
隐私与合规考量：对于涉及敏感数据（如患者基因组数据、未公开研究数据）的科研团队，支持本地模型 + 本地 Key 的 OpenScience 路线在合规性上更有优势。
AI 科研能力边界管理：将 AI 定位为「研二学生」而非独立研究者——让 AI 负责信息检索、数据整理、初稿生成等辅助工作，关键判断和方向决策仍需人类主导。这种分工在艾伦研究所和 UCSF 的案例中都被证明是有效的。

→ 原文存档