Open Notebook：自己部署一个比 NotebookLM 更猛的 AI 研报工作台

发表于 2026-06-07 分类于技术教程

开源自托管的 NotebookLM 替代品，支持 18+ 模型、可生成 1-4 人播客、完整 REST API，数据不出本地。

最近翻 GitHub Trending 看到一个项目冲到第一名：lfnovo/open-notebook，一天涨了 794 颗星，标语写着「A private, multi-model, 100% local, full-featured alternative to Notebook LM」。作为一个常年被 NotebookLM 圈粉、又被它锁死在 Google 云里难受的人，我立刻拉下来玩了一圈。

先说结论：这玩意儿是我今年用过的最舒服的研究类工具，没有之一。

它解决的是什么问题

NotebookLM 是个好产品。我拿它读过论文、啃过技术报告、生成过播客，但有三个点一直让我抓狂：

数据必须交给 Google。上传的 PDF、笔记、播客脚本都在 Google 的云上，敏感资料不敢传。
只能用 Google 的模型。Gemini 强是强，但我想用 Claude、想用本地 Ollama、想跑 Qwen，统统不行。
没有 API。想把它接到自己的 workflow 里自动化？没门。

Open Notebook 就是冲着这三点来的：

100% 自托管，Docker Compose 拉起来就跑
18+ 模型供应商，OpenAI、Anthropic、Google、Ollama、DeepSeek、Mistral、Qwen 全支持，甚至可以走 OpenRouter
完整 REST API，什么都能自动化

对我来说，这就把”AI 研报” 这件事从”Google 给我什么我用什么” 变成了” 我想怎么用就怎么用”。

核心能力拆解

1. 资料摄取：什么都能往里塞

支持 PDF、视频、音频、网页链接、Office 文档、Markdown，纯文本直接复制也行。

我自己的用法是建一个 daily-research 笔记本，把每天想看的论文、行业报告、播客转写都丢进去。后台会自动抽取文本、切块、向量化。

2. 多模型 Chat：带着上下文问问题

每个笔记本可以单独配置默认模型。我习惯这么配：

日常问答用 claude-sonnet-4.5（性价比好）
重要决策用 claude-opus-4.5（深度推理）
涉密内容用本地 qwen2.5:32b（数据不出本机）

切换的时候不用动代码，直接在 UI 里改。

3. Transformations：可编程的” 研报流水线”

这是我最喜欢的部分。Transformation 是一组可复用的处理步骤，你可以理解为” 研报工作流的乐高积木”。

内置的就够用：摘要、要点提取、FAQ 生成、人物关系抽取…… 我经常用的是「先抽要点，再生成 FAQ，再翻译成中文」三件套。

进阶玩家可以自己写 prompt 模板，支持 Jinja 语法，能引用当前笔记本的内容。

4. 播客生成：1-4 个 Speaker，比 NotebookLM 灵活

这个功能必须单独拿出来说。

NotebookLM 的 Audio Overview 只能生成两个主持人、只有一种风格。Open Notebook 直接把天花板抬到 4 个 speaker，而且每个 speaker 可以配：

Expertise：这个人的专业背景，比如「对齐研究专家」
Personality：性格，Rigrous、Skeptical、Warm、Sarcastic 都行
Accent：可选口音（British English、Southern US 等）
Voice Model：从模型注册表里挑 TTS，OpenAI、Google、ElevenLabs、本地 TTS 都行

Episode Profile 还可以定义格式：debate（辩论）、interview（采访）、monologue（独白）、educational（教学）。

我试了一个：让”AI 安全派专家” 和”AI 加速派投资人” 对一组论文做 debate，生成 20 分钟播客。听起来就像两个人真的在吵，还挺有意思。

生成是异步的，一集 20 分钟的播客大概要跑 10-15 分钟。后台跑就行，跑完会有通知。

5. 完整 REST API：把它接到任何地方

这是和 NotebookLM 的最大区别。Open Notebook 暴露了完整的 FastAPI，可以做：

# 创建一个笔记本
curl -X POST http://localhost:8502/api/notebooks \
  -H "Content-Type: application/json" \
  -d '{"name": "agent-frameworks-2026"}'

# 上传一个 PDF 源
curl -X POST http://localhost:8502/api/sources \
  -F "file=@paper.pdf" \
  -F "notebook_id=xxx"

# 触发一次 transformation
curl -X POST http://localhost:8502/api/transformations \
  -d '{"notebook_id": "xxx", "type": "summary"}'

我的用法是每天早上跑一个 cron，用它把 RSS 抓回来的文章自动入库、自动摘要、自动塞进 Obsidian。比之前手动操作省了 20 分钟。

十分钟跑起来

Docker Compose 是官方推荐的方式：

git clone https://github.com/lfnovo/open-notebook.git
cd open-notebook
# 编辑 docker-compose.yml，把 ENCRYPTION_KEY 换成你自己的随机字符串
docker compose up -d

等 15-20 秒，浏览器开 http://localhost:8502，第一次进 UI 去 Settings 配 API key。我配的是 Anthropic 和 OpenAI，播客用的 TTS 选了 OpenAI（速度快、便宜）。

完全本地、不想连外网的，可以用 examples/docker-compose-ollama.yml 那个配置，跑 Ollama + 本地嵌入模型，全离线。

我自己的几个使用场景

我的工作流是「读得多、写得少、决策快」，Open Notebook 完美对上：

场景一：行业研究晨会

每天早上 7 点跑一个 cron，把 Hacker News、TechCrunch、arXiv 的当日 top 抓下来，丢进 morning-briefing 笔记本，跑一遍「要点提取 + 中文摘要 + 风险提示」三个 transformation，10 点之前看完，决定今天重点关注什么。

场景二：客户资料的本地化分析

做咨询的时候经常要处理客户的内部资料（合同、调研报告、技术文档）。这种数据绝对不能传 Google。Open Notebook + 本地 Ollama 跑通之后，整套研报流程都在我自己的 MacBook 上完成，客户的数据从未离开过本机。

场景三：把读过的论文做成播客

跑步和通勤是我一天里仅有的” 被动学习” 时间。Open Notebook 让我把平时读不进去的长论文丢进去，让两个 AI 主持人给我辩论一遍，听着听着就把要点抓住了。

它和 NotebookLM 怎么选

写个直白的对比：

场景	推荐
临时玩玩、不在乎数据出境	NotebookLM
个人使用、追求省事、模型用 Gemini 就够	NotebookLM
团队协作、需要把研报接进工作流	Open Notebook
数据敏感、必须本地化	Open Notebook
想用 Claude / 本地模型 / 多模型混搭	Open Notebook
想要 API 做自动化	Open Notebook
想要 3-4 人播客、辩论格式	Open Notebook

说白了，NotebookLM 是给” 消费者” 的工具，Open Notebook 是给” 构建者” 的工具。两者不冲突。

几个小坑提醒

我自己踩过的，列出来省你时间：

SurrealDB 第一次启动慢。别看到日志没动就急着 docker compose restart，等 1-2 分钟。
本地 Ollama 模型要够大。低于 14B 的模型做 transformation 容易抽风，建议 32B 起步。
TTS 选 Google 最划算。OpenAI 0.015 美元 / 分钟，Google 才 0.004，差距 4 倍。ElevenLabs 音质最好但贵（土豪随意）。
加密密钥一定要改。默认那个 my-super-secret-key-123 是 demo 值，不改等于没加密。

收个尾

NotebookLM 让我意识到「AI 研报」是未来，但 Open Notebook 让我意识到「自己的 AI 研报」才是未来。

数据主权、模型选择权、API 可编程性，这三件事 Google 给不了，开源给得了。26k 的 star 还在涨，社区活跃，作者 lfnovo 在 Discord 上响应很快，遇到问题去问基本当天就有答案。

如果你也在找一个” 可以本地化、可编程、可换模型” 的研究工作台，从今天开始用 Open Notebook 吧。