Open Notebook 详解：开源版 NotebookLM
Google 的 NotebookLM 把"喂一堆资料、跟 AI 对话、生成播客"这个学习工作流带火了，但它有三个硬伤：数据在 Google 云上、模型只能用 Google 家、闭源不可改。lfnovo/open-notebook（Open Notebook）就是冲着这三点来的开源替代：自托管、22 家 AI 提供商任选（含 Ollama 完全本地跑）、全功能 REST API，播客还支持 1～4 个说话人自定义档案——比原版的双人限定更自由。约 38.9k Star、MIT 协议，官网口号"隐私优先的 NotebookLM 替代品"。本文从核心能力、对比原版、部署到选型，完整拆解。
1、项目概述
Open Notebook 定位为 Google NotebookLM 的开源实现——更灵活、更多功能。项目由个人开发者 lfnovo 维护（2024 年 10 月创建），技术栈 Python / FastAPI 后端 + Next.js / React 前端 + SurrealDB 数据库 + LangChain 编排，约 38.9k Star、4.5k Fork、MIT 协议，112 个 open issue 说明社区活跃且迭代持续。官网 open-notebook.ai，Discord 社区、GitHub Discussions、X 账号齐全，README 提供八种语言的社区翻译链接。多模型接入靠作者自己的 Esperanto 库统一抽象。
基本盘：
- 部署：Docker Compose 两分钟起服务，唯一前置是 Docker Desktop；API Key 在 UI 里后配
- 提供商：22 家——OpenAI、Anthropic、Google、Ollama、LM Studio、OpenRouter、DeepSeek、DashScope（Qwen）、MiniMax、xAI 等，任意 OpenAI 兼容端点亦通
- 内容面：PDF、视频、音频、网页、Office 文档等多模态源；全文 + 向量双搜索
- 界面：英语、葡萄牙语、中文简繁、日语、俄语、孟加拉语多语言 UI
- 生态：REST API 全量开放、MCP 集成（接 Claude Desktop / VS Code）、可选密码保护
2、对原版 NotebookLM 的九项对比
README 直接摆出与 Google 原版的对照表，差异点就是卖点。
九项对比（官方表格归纳）：
- 隐私与控制：自托管数据自持 vs 仅 Google 云——完整数据主权
- AI 提供商：22 家任选 vs 仅 Google 模型——灵活与成本优化
- 播客说话人：1～4 人自定义档案 vs 固定 2 人——极端灵活
- 内容变换：自定义 + 内置 vs 有限选项——处理能力无上限
- API：完整 REST vs 无 API——完全自动化
- 部署：Docker / 云 / 本地 vs 仅 Google 托管——随处可跑
- 引用：基础引用（将改进）vs 全面的源引用——原版胜出一项
- 定制：开源全可改 vs 闭源——无限扩展
- 成本：只付 AI 用量 vs 免费档 + 月订阅——透明可控
对比要点：
1. 官方对照表诚实标注了劣势项：引用系统暂不如原版全面——这种坦诚反而增加可信度
2. 隐私、模型选择、API 三项是结构性优势：只要自托管就成立，不依赖功能追赶
3. 成本模型不同：原版订阅制，Open Notebook 只花模型调用的钱，Ollama 本地跑则零 API 成本
4. 播客是亮点差异化：Episode Profiles 控制说话人档案，剧本全控，不只是"双人深潜"一种格式
3、核心功能与播客生成
研究工作流的四大件：资料、搜索、对话、产出。
核心能力：
- 多笔记本组织：多研究项目并行管理，笔记本 / 来源 / 笔记三层结构
- 智能搜索：全文 + 向量双引擎覆盖全部内容
- 上下文感知对话：AI 对话以研究资料为底，多会话管理，引用带源
- 内容变换（Transformations）：可自定义的总结、洞察提取等加工动作，内置 + 自建
- AI 辅助笔记：自动生成洞见或手写，细粒度控制分享给模型的内容
播客生成：
- 1～4 个说话人，各自自定义档案（Episode Profiles），剧本全程可控
- 语音链路按提供商分工：STT 用 Deepgram / ElevenLabs / OpenAI 等，TTS 用 ElevenLabs / OpenAI / Mistral 等
- 官方 YouTube 有成品播客样例可听
功能要点：
1. 推理模型全支持：DeepSeek-R1、Qwen3 等思考模型可用，做深度分析不受限
2. 提供商能力矩阵有讲究：LLM / 嵌入 / STT / TTS 四列独立打勾——一个项目可混搭多家（如 Anthropic 出文本、ElevenLabs 出语音）
3. MCP 集成让 Claude Desktop / VS Code 直接调用笔记本内容，研究资产变 Agent 上下文
4. Roadmap 已完成 Next.js 前端重写、REST API、多模型、播客器、变换系统；进行中是实时前端更新与异步处理
4、两分钟部署与本地化运行
Docker Compose 是主路径，全本地零成本路径亦有官方示例。
# 步骤 1：获取 docker-compose.yml
curl -o docker-compose.yml \
https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml
# 步骤 2：改加密密钥（用于加密数据库中的 API Key）
# 编辑 OPEN_NOTEBOOK_ENCRYPTION_KEY=change-me-to-a-secret-string
# 改成自己的随机密钥串
# 步骤 3：起服务（SurrealDB + Open Notebook 两容器）
docker compose up -d
# 等 15~20 秒，打开 http://localhost:8502
# 步骤 4：UI 里配模型
# Models → 选提供商 → + Add Configuration → 粘 API Key → Test
# → Sync Models → 勾选 → Default Model Assignments 自动分配
# 完全本地方案（零 API 成本）：
# examples/docker-compose-ollama.yml 提供 Ollama 编排示例
# LM Studio 等 OpenAI 兼容端点亦可直连部署要点：
1. 默认配置零门槛但别直接暴露公网：SurrealDB 默认 root:root、端口仅绑 127.0.0.1，公网部署前须按 .env.example 改凭据
2. 加密密钥必改：OPEN_NOTEBOOK_ENCRYPTION_KEY 负责加密库里存的各提供商 API Key
3. 端口分工：8502 Web UI、5055 REST API（自带 /docs 文档页）、8000 SurrealDB（本地调试用）
4. 免费密钥渠道官方已列：Groq 免费档、Google AI Studio 等；装不上还有 CustomGPT 安装助手与 5 分钟排障指南
5、定位对比：知识库工具三选一
把 Open Notebook 与 NotebookLM、RAG 知识库平台放在一张桌上，定位清晰起来。
三者对比：
- Open Notebook：自托管多模型研究工作台，播客 + 变换 + API，隐私与灵活优先（38.9k Star，MIT）
- Google NotebookLM： hosted 体验最顺滑，引用与 Gemini 集成最深，但数据与模型双锁定
- RAG 平台（WeKnora / RAGFlow / AnythingLLM 等）：面向团队知识库问答，检索管线与权限体系更重
选型建议：
1. 个人研究、资料敏感、要播客产出 → Open Notebook
2. 追求开箱即用、不在乎数据出域 → NotebookLM
3. 团队级知识问答、要权限与审计 → RAG 平台
4. 组合玩法：Open Notebook 做个人研究中枢，MCP 把笔记本挂成 Claude / VS Code 的知识源
6、总结
Open Notebook 是 lfnovo 个人维护的开源 NotebookLM 替代（约 38.9k Star、4.5k Fork、MIT 协议）：Python / FastAPI + Next.js + SurrealDB + LangChain 技术栈，自托管保数据主权；22 家 AI 提供商经 Esperanto 统一接入，LLM / 嵌入 / STT / TTS 四类能力可跨家混搭，Ollama 支持完全本地零 API 成本；核心功能覆盖多笔记本组织、多模态源摄入、全文 + 向量搜索、上下文对话、可自定义的内容变换与 1～4 说话人的播客生成；REST API 全量开放，MCP 集成可挂给 Claude Desktop 与 VS Code。Docker Compose 两分钟部署，推理模型（DeepSeek-R1 / Qwen3）全支持。
适用与边界：它适合隐私敏感的个人研究者与学习者——自托管 + 多模型 + 可编程 API 的组合在同类里最完整，播客与变换系统是超出原版的差异化能力；引用体系官方自认暂不如 NotebookLM 全面，重度引用核对场景需留意；默认 Docker 配置面向本地易用（默认凭据、本地绑定），公网部署须先按文档收紧凭据与密码保护；个人项目 + 社区贡献的节奏意味着企业级支持需自行评估，但对个人与小组研究场景，38.9k Star 的社区规模已足够可靠。
