先问你一个问题：你用过 Google NotebookLM 吗？

如果用过，你大概知道那种感觉——把一堆 PDF、网页链接丢进去，AI 帮你梳理脉络、生成播客对话，有时候真有点魔法的感觉。

但你有没有想过，那份竞品调研报告、那篇还没发表的论文草稿、那堆精心整理的行业资料……全都悄悄躺在谷歌的服务器上了？

谷歌怎么用这些数据？会不会用来训练模型？我不知道，你也不知道。

这就是 Open Notebook 存在的理由。

---

26K Star 的 NotebookLM 平替

Open Notebook 是 NotebookLM 的完全开源平替，GitHub 目前 26.6K Star，MIT 协议，官网在 open-notebook.ai。

一句话定位：自托管、隐私优先、支持 18+ AI 提供商的 AI 研究助手。

不是"差不多能用"的平替，而是在某些功能上真的比 NotebookLM 更强的那种。

技术栈是 Python + FastAPI + Next.js + React + SurrealDB + LangChain。支持多语言界面，中文简繁体都有。

---

数据主权不是口号

"数据主权"这词听起来很宏大，但落地很具体。

你有没有遇到过这些情况：

• 公司内部的竞品分析，想用 AI 帮忙整理，但不敢传到云端

• 还没发表的研究成果，不确定传给第三方服务是否合适

• 客户合同、内部会议纪要，想让 AI 提炼要点，但规定不允许上传外部服务

Open Notebook 的方案是：全部跑在你自己的机器或服务器上，数据不离本地。

搭配 Ollama，连 AI 模型都不用联网——真正做到 100% 本地运行。

---

核心设计：三层知识架构

Open Notebook 有一个设计得相当清晰的数据模型，理解它是用好这个工具的关键。

┌─────────────────────────────────────┐
│  NOTEBOOK（笔记本）                 │
│  "我的 AI 安全研究 2026"            │
├─────────────────────────────────────┤
│                                     │
│  SOURCES（原始来源）                │
│  ├─ safety_paper.pdf               │
│  ├─ alignment_video.mp4            │
│  └─ prompt_injection_article.html  │
│                                     │
│  NOTES（处理后的洞察）              │
│  ├─ AI 生成摘要                    │
│  ├─ 关键概念提取（变换操作）        │
│  ├─ 我自己写的研究笔记              │
│  └─ 对话中保存的洞察               │
└─────────────────────────────────────┘

三层，逻辑清晰：

Notebook（笔记本） 是项目容器，彼此完全隔离。竞品调研和个人学习笔记不会混在一起，可以同时开 10 个项目互不干扰。

Sources（来源） 是原始素材。一旦添加就不再变动，系统自动建立全文索引和向量索引。支持 PDF、视频、音频、网页、Office 文档，基本上你能想到的格式都能处理。

Notes（笔记） 是处理后的产出——AI 生成的摘要、你自己写的笔记、从对话中保存的洞察。这才是知识沉淀的地方，带引用来源，可以追溯每个结论从哪来的。

这个设计有点 Zettelkasten 的味道：素材永久保留，洞察不断积累。

---

和 NotebookLM 到底差在哪？

直接上对比表：

特性	Open Notebook	NotebookLM
数据隐私	完全自托管	谷歌云端
AI 模型	18+ 提供商自由选	仅谷歌模型
播客说话者	1–4 个，可定制声音	固定 2 个
API 访问	完整 REST API	无
部署方式	Docker / 云 / 本地	仅谷歌托管
费用	仅付 AI 调用费	免费 + 月订阅
可定制性	完全开源可修改	封闭系统

播客功能特别值得说一下。NotebookLM 的播客是它的明星特性，两个固定主播，效果确实不错。但 Open Notebook 支持 1–4 个说话者，每个可以自定义声音配置，还支持 ElevenLabs 和 Google TTS 引擎。灵活程度差了不是一点点。

---

18+ AI 提供商，随便选

这个支持列表我看了一遍，主流的都覆盖了：

提供商	LLM	向量嵌入	语音转文字	文字转语音
OpenAI	✅	✅	✅	✅
Anthropic (Claude)	✅	❌	❌	❌
Google (Gemini)	✅	✅	✅	✅
Ollama（本地免费）	✅	✅	❌	❌
Groq（有免费额度）	✅	❌	✅	❌
DeepSeek（R1 推理）	✅	❌	❌	❌
DashScope (Qwen3)	✅	❌	❌	❌
ElevenLabs	❌	❌	✅	✅
Azure OpenAI	✅	✅	✅	✅
Mistral / xAI / OpenRouter…	✅	部分	部分	部分

底层靠作者自研的 Esperanto 库做统一抽象。

值得注意的是：DeepSeek-R1 和 Qwen3 这类推理模型也支持，可以在需要深度思考的任务上用上这些"慢但准"的模型。

想省钱的策略：日常对话用 Groq 的 Llama（有免费额度，速度极快），嵌入用 Ollama，播客 TTS 用 Google，整体成本能压很低。

---

5 分钟把它跑起来

前置条件只有一个：装好 Docker Desktop。

# 第一步：下载配置文件
curl -o docker-compose.yml \
  https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml

# 第二步：编辑文件，把这行改成自己的密钥
# OPEN_NOTEBOOK_ENCRYPTION_KEY=change-me-to-a-secret-string

# 第三步：启动
docker compose up -d

等 15–20 秒，打开 http://localhost:8502。

进去之后：Settings → API Keys → Add Credential → 填入你的 API Key → Discover Models → Register Models，就能开始用了。

想完全本地，连 API 费用都省掉？ 换一个包含 Ollama 的配置文件：

curl -o docker-compose.yml \
  https://raw.githubusercontent.com/lfnovo/open-notebook/main/examples/docker-compose-ollama.yml
docker compose up -d

这样连 AI 调用费都没有，完全零成本运行。

---

几个用起来会喜欢的设计细节

上下文精细控制

每个来源可以独立设置三个档位：不进上下文 / 仅摘要 / 完整内容。你不用把所有资料都砸给 AI，可以精确控制每次对话用哪些信息——对 token 消耗控制友好，对隐私控制也友好。

Chat vs Ask 两种模式

• Chat：你手动选哪些资料进上下文，然后自由对话。适合深度探索，你控制全局。

• Ask：输入问题，系统自动用 RAG 检索相关片段再回答。适合快速查找，适合资料多的大笔记本。

两种模式面向不同场景，设计很务实，不是为了堆功能而堆。

Transformations（内容变换）

对单份资料做结构化提取：主要观点、关键概念、方法论、行动要点……有内置模板，也可以自定义。比让 AI "帮我总结一下"要精准得多，输出结果是真正可以复用的知识片段。

MCP 集成

Open Notebook 支持 MCP（Model Context Protocol），可以直接接入 Claude Desktop 或 VS Code。研究数据沉淀在 Open Notebook，AI 对话在 Claude Desktop，两者通过 MCP 打通——这个组合很香。

---

说说我的保留意见

引用功能目前还比较基础，和 NotebookLM 的精准引用有差距。你问它"这个结论在哪篇文章里？"，它能给出来源，但精确到具体段落的能力还需要打磨。作者在 roadmap 里也承认了这个问题，说会持续改进。

另外，部署本身对普通用户还是有点门槛——虽然有 Docker 一键启动，但配置 AI 提供商、理解三层架构、调试环境变量，对不懂技术的用户还是需要一定学习成本。作者甚至专门做了一个 CustomGPT 安装助手 来帮助用户上手，可见这个问题他们也意识到了。

---

适合谁用？

强烈推荐：

• 有数据隐私顾虑的研究者和从业者

• 想控制 AI 成本、可以自己选模型的用户

• 想深度定制、有开发能力的工程师

• NotebookLM 重度用户，想要更强的播客功能和 API 能力

可以继续用 NotebookLM：

• 只是轻量使用，不在意数据隐私

• 不想折腾任何部署，要开箱即用

• 高度依赖 NotebookLM 的精准引用功能

---

最后

在一个越来越多工具要求你"把数据交给我"的时代，Open Notebook 选择了反其道而行：你的数据，你说了算。

26.6K Star 不是噱头，MIT 协议不是限制——这是真正意义上你可以 fork、可以魔改、可以永久自托管的工具。

感兴趣的话，GitHub 地址：https://github.com/lfnovo/open-notebook

---

你现在用什么工具管理研究资料？用过 NotebookLM 或类似的 AI 知识库工具吗？欢迎评论区聊聊你的工作流，顺便说说有没有什么数据隐私上的顾虑。

我是顾北，关注我，获取更多好玩有趣的开源仓库！

谢谢你阅读我的文章~

我们下期再见！

PS：本文部分内容由AI辅助创作