Open Notebook：AI 辅助研究笔记本 自托管

#构想：一个提供辅助功能的研究笔记本

一个笔记本汇集了多种来源：PDF文件、网页页面、YouTube视频、音频文件、Office文档。该工具对这些内容进行索引，支持自然语言查询，并能生成衍生内容——如摘要、交叉综述、笔记、多语音播客——这些内容仍与原始来源保持关联。该项目本身被定位为一种私有、多模型、100%本地化、完全可用的Notebook LM替代方案。

与普通文档助手的区别在于“笔记本”这一概念：不是向一个语料库提出一个孤立的问题，而是围绕某个主题建立资料档案，并长期在其中开展工作；多个研究项目可并行进行，各自使用一个笔记本，每个笔记本都有独立的来源和历史记录。

#本地版本带来的变化

源数据未加载

机密文档、客户档案、尚未获准公开的材料：如果您选择本地模型服务提供程序（Ollama、LM Studio，或 Apple Silicon 上的 oMLX），处理过程就会留在您的机器上。

模型的选择

通过同一作者开发的 Esperanto 库，原生支持 18 家提供商——OpenAI、Anthropic、Google、Mistral、Groq、xAI、DeepSeek、Ollama、LM Studio、OpenRouter 等。每家提供商是否采用，都由您决定。

没有人为随意设定的限制

笔记本和资料来源的数量取决于您的磁盘空间，而非付费档位；实际成本仅限于您选择接入的 API 的使用费用。

作为交换，其运行效率

这是一个 Docker 服务（后端为 Python/FastAPI，前端为 Next.js/React，数据库为 SurrealDB），需要安装、备份和更新。自托管的常规代价。

#Open Notebook 比 NotebookLM 多出的功能

官方仓库提供了与 Google NotebookLM 的直接对比表。在多个方面，差异不只在于“本地运行”：生成的播客所使用的声音数量、API 访问以及可自定义的内容转换，都超出了 Google 工具所提供的功能。

这一点必须诚实地提及：该项目在其发布的GitHub对比报告中明确承认，目前其引用内容相较于NotebookLM而言仍较为基础。因此，它并非在所有方面都优于对手——它只是一个折中方案，当隐私保护、模型选择、API自动化或播客生成比屏幕显示的引用质量更为重要时，该方案就更具优势。

按集主题的播客

辩论、讲座、访谈、面向初学者或专家的讲解：节目结构可以自行配置，不同于 NotebookLM 单一的“深度解析”格式。

支持推理模型

完整支持 DeepSeek-R1 或 Qwen3 等「思考」模型，有助于完成需要多步思考的综合总结。

内容转换

可自定义操作，用于摘要、提取洞察或改写，而不仅限于自动摘要。

密码保护

除了精细控制向每个模型共享哪些内容之外，这也有助于面向公众开放的部署。

#本地安装，可选Ollama，也可不使用

文档中的部署流程只需三步：获取官方的 docker-compose.yml 文件，在界面中填写所需的 API 密钥（无需手动编辑配置文件），然后启动服务。文档列出的唯一前提条件是 Docker Desktop。

1. 01
   获取服务文件

   curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml, ou copier le contenu manuellement depuis le dépôt.
2. 02
   如果需要，选择100%本地版本

   代码仓库提供了一个单独的文件 examples/docker-compose-ollama.yml，将 Ollama 添加为默认提供方，以便不向互联网发送任何数据。
3. 03
   启动并配置

   docker compose up -d, puis ouvrir l'interface locale et renseigner les clés d'API des fournisseurs distants éventuels ; aucune clé n'est nécessaire pour un usage 100 % Ollama.

官方文档根据用户类型提供两条不同的入门路径：「Quick Start with OpenAI」通过远程服务提供商让您在五分钟内开始使用；「Run It Fully Local」则专门介绍 Ollama 和 LM Studio，让您从安装开始就能以完全私密的方式使用。完整的 REST API 还在本地 5055 端口提供自己的交互式文档，方便将笔记本接入现有脚本或自动化流程，而不必完全通过网页界面操作。

#实际使用中的三种方法

该项目通过多个独立笔记本（“Multi-Notebook Organization”）来组织工作，每个笔记本都有自己的来源、笔记和对话历史。在记录自己从 NotebookLM 迁移经历的用户中，以下三种用途最为常见。

文献综述

每个研究主题建立一个笔记本，随着阅读陆续添加数十份 PDF，再通过自定义内容转换，系统地提取每篇论文的方法、结果和局限。

信息跟踪与会议笔记

定期添加的转录文本、可通过上下文对话查找“三月关于 X 做出了什么决定”，以及可在处理其他任务时收听的总结播客。

产品文档或客户支持

所有内部文档均存于专用笔记本中，由团队以自然语言进行查询，且通过本地供应商处理，以避免将内部文档或敏感流程传输至在其他地方托管的第三方服务。

这些用法与单纯和模型聊天的区别在于，每次回答都以当前笔记本中的来源资料为依据：切换笔记本就会改变可用上下文，无需重新加载任何内容，也无需向模型重新解释。精细控制与模型共享的内容——只共享部分来源资料，而不是整个笔记本——还可以限制发送的上下文量，从而降低大型笔记本的响应延迟和使用成本。

#它到底怎么用

1. 01
   每个主题一个笔记本，不要把所有内容都放进同一个笔记本

   当笔记本混合无关领域的知识时，回答质量会下降：最接近问题的段落开始来自其他领域。
2. 02
   逐步添加来源

   并检查工具实际从每个来源中提取了什么。没有文本层的扫描 PDF 在建立索引时不会产生任何文本内容，无论后端使用哪种搜索引擎。
3. 03
   配置适合的嵌入模型

   决定搜索能找到什么的，主要是嵌入模型，其影响远大于负责撰写回答的模型。对于法语文档，嵌入模型必须支持多语言；在该项目的供应商支持矩阵中，Ollama、Google 和 Mistral 都提供嵌入模型。
4. 04
   要求引用，并始终考虑其局限性

   没有来源的回复无法验证。该项目本身也承认其引用仍属基础水平：在直接复用任何结果前，必须核实所引用的来源。

#局限性，包括项目自身承认的局限

质量源于模型

小型本地模型生成的摘要往往平淡。工具负责组织工作，不能替代归纳综合能力，因此，支持推理模型对复杂任务很有价值。

来源引用功能仍较为基础

该项目的官方对比明确指出：其表现不如 NotebookLM 的版本，虽有宣布的改进但未注明具体时间

音频和视频源需要转录

根据所选供应商（通过API调用Whisper、Deepgram，或使用Faster-Whisper等本地引擎）进行保障，但这会增加额外的计算步骤。

起步不久且活跃的项目

该代码仓库始于2024年底，发展迅速；请通过您所安装版本的CHANGELOG和GitHub发布记录核查所宣称的功能，而不要以文章为准。

并非所有供应商都样样都做

项目发布的能力矩阵按提供商区分四项能力——LLM、嵌入、语音转录和语音合成——很少有提供商能全部覆盖。例如，Anthropic 和 Groq 在 Open Notebook 中不提供嵌入功能，因此往往需要搭配两个提供商：一个用于撰写，另一个用于索引或转录。

#Open Notebook 或常规 RAG

• AnythingLLM：可用于生产环境的本地 RAG
• 嵌入模型决定了检索的内容
• 在索引前妥善准备 PDF 文件
• 将音频来源添加到笔记本之前，先进行转录
• 来源：Open Notebook 官方 GitHub 仓库
• 来源：官方 docker-compose.yml 文件
• 来源：Esperanto 软件库（多提供商层）

#FAQ