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 StarMIT 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 NotebookNotebookLM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✅❌✅❌DeepSeekR1 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_KEYchange-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 MCPModel Context Protocol可以直接接入 Claude Desktop 或 VS Code。研究数据沉淀在 Open NotebookAI 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
26K Star！NotebookLM 开源平替来了：本地 AI + 数据自主，5 分钟跑起来。
发布时间：2026/6/8 14:28:36
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 StarMIT 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 NotebookNotebookLM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✅❌✅❌DeepSeekR1 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_KEYchange-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 MCPModel Context Protocol可以直接接入 Claude Desktop 或 VS Code。研究数据沉淀在 Open NotebookAI 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
