Open Notebook

// 为什么关注这个项目

每天跑 GitHub 日报快两个月了，说实话，看过的项目多了，能让我真正想用起来的东西不多。大部分开源项目看一眼就过去了——知道它是干什么的，心里默默打上"不错，但不是我的菜"的标签，然后继续刷下一个。

Open Notebook 是少数让我停下来折腾了一下午的项目。

起因很简单：我一直在用 Google Notebook LM。你应该知道那个感觉——把一堆 PDF、网页、YouTube 链接扔进去，它自动帮你整理出要点，还能生成一段两个 AI 主持人对话的播客。听上去很好对吧？问题是，你所有的研究数据都在 Google 云上。对于一个每天都在做 AI 行业深度内容的人来说，这个信任成本是真实存在的。

Open Notebook 做的事情特别直接：把 Notebook LM 的体验搬到你的本地机器上，而且给你更多选择权——你可以用 OpenAI、用 Anthropic、用 Ollama 跑本地模型、甚至用 Perplexity 做联网搜索增强。所有数据留存在你的 Docker 容器里，一把密码都不是 Google 的。

项目作者 Luis Novo 在 README 里写了一段话，大意是：在 AI 主导的世界里，获取知识的能力不应该被一家公司垄断，也不应该以牺牲隐私为代价。这段话不太像公关文案，更像是他做这个项目的真实动机。

// 部署体验：Docker 一把梭，两分钟搞定

打开终端执行三行命令：

等 15 秒，浏览器打开 http://localhost:8502，界面就出来了。

第一次打开看到一个简洁的三栏布局：左边放你的研究材料（Sources），中间写笔记（Notes），右边是聊天窗口（Chat）。这个布局跟 Notebook LM 的思路很像，但更干净——没有 Google 那些花里胡哨的推荐和插页广告。

接下来唯一的配置工作是去 Settings → API Keys 加一个 AI 提供商。我用的是 DeepSeek V3——便宜，效果也不差。如果你不想花 API 费用，项目提供了 Ollama 集成，examples/docker-compose-ollama.yml 一把梭启动，完全离线跑。

部署体验给 9/10。扣一分是因为 SurrealDB——这个数据库在国内知名度偏低，遇到问题调试成本可能比用 PostgreSQL 高一点。

// 功能剖析：不只是"本地版 Notebook LM"

说它是 Notebook LM 的复刻其实是低估了它。Open Notebook 在好几个维度上功能比 Notebook LM 更丰富：

1. 内容摄取能力

支持 PDF、视频（YouTube URL）、音频、网页、Office 文档，基本上你能扔进去的格式它都接。跟 Notebook LM 比，差距主要在 PDF 解析精度上——Notebook LM 背后是 Google 的文档理解引擎，复杂版式表格的处理能力目前还是领先的。但日常使用场景下，Open Notebook 的 PDF 解析已经够用了。

2. 细粒度上下文控制

这是 Open Notebook 比 Notebook LM 做得更好的地方。你可以精确选择哪些源材料对 AI 可见，而不是"要么全开要么全关"。对于需要控制信息范围的研究场景（比如分析竞品时不想让 AI 混入自己的内部文档），这个功能是刚需。

3. 内容转换引擎

内置了一套可配置的内容处理流水线，你可以自定义"把这篇 PDF 转成 3 段摘要"或"从这组网页中提取所有提到 X 的数据点"这类操作。相当于内置了一个轻量级的文档处理 Workflow。

4. 完整 REST API

所有功能都可以通过 API 调用（文档地址 http://localhost:5055/docs）。这意味着你可以把 Open Notebook 嵌入到自动化工作流里——比如每天自动抓取指定 RSS 的文章，塞进笔记本生成摘要，再用 API 导出到你的知识库。这个扩展性 Notebook LM 完全不具备。

// 播客功能：这个是真有点东西

Notebook LM 的 AI 播客功能是它的标志性卖点——两个 AI 主持人讨论你上传的文档，听起来自然到让人以为是在听真人播客。

Open Notebook 也做了这个功能，而且做得比 Notebook LM 更灵活：

1-4 位发言人这个设计很聪明。两个人的对话适合讨论类内容，三个人的话可以模拟圆桌讨论，单人旁白适合纯知识讲解。我试了一下用 DeepSeek V3 生成了一段 3 人讨论的 AI Agent 发展史播客，效果比预期的好——虽然不如 Notebook LM 那么"自然"，但信息密度明显更高。这可能是因为底层 LLM 可以换成你喜欢的任何一个。

不过也有一个需要注意的点：Open Notebook 的播客目前不是流式生成的，生成时间取决于你的内容和 LLM 速度。如果你用本地 Ollama 跑模型，一段 10 分钟的播客可能要等一阵子。

// 技术架构

Open Notebook 的架构清晰到让人舒服——Python 后端（FastAPI）+ Next.js 前端 + SurrealDB 做数据和向量存储。核心 AI 调用通过一个叫 Esperanto 的自研库统一适配，屏蔽了 18 个不同 AI 提供商的 API 差异。

架构上最值得说的亮点是 Esperanto 这个层。它不只是简单的 API 翻译——而是把 LLM、Embedding、STT、TTS 四个维度都做了统一抽象。这意味着你在 UI 里切换模型供应商时，不需要改任何代码或配置。一个项目里可以同时用 OpenAI 做 Embedding、DeepSeek 做 LLM 推理、ElevenLabs 做 TTS——无缝组合。

SurrealDB 的选择有点"非主流"，但仔细想想有道理。一个数据库同时处理关系型数据（笔记本结构、用户权限）和向量检索（语义搜索），比 PostgreSQL + pgvector 的组合更轻量。不过这也意味着如果你之前没接触过 SurrealDB，遇到问题时的社区资源比 PostgreSQL 少很多。

// 竞品对比

关键判断：AnythingLLM 和 PrivateGPT 的 Star 数确实比 Open Notebook 高出一大截，但它们的定位有本质区别。AnythingLLM 是"万能瑞士军刀"——想做所有事情（Agent、多模态、RAG、本地优先），但恰恰因为功能太杂，在研究工作流这个细分场景里不如 Open Notebook 专注。PrivateGPT 的核心是"文档问答"，没有笔记本管理、没有播客、没有内容转换流水线。

Open Notebook 的护城河在于：它目前是唯一一个在"研究笔记管理 + 多模型 AI + 播客生成"这个组合上做到一体化的开源方案。如果你只是想做文档问答，Kotaemon 够用了；如果你想什么都玩，AnythingLLM 更合适；但如果你想要一个开源的、能替代 Notebook LM 日常使用的东西，Open Notebook 是当前最接近的答案。

// 生态数据对比

Star 数在同类项目中属于中等偏上，但增长速度相当可观——19 个月内从 0 到 26K。v1.8.4 修复安全漏洞（CERT-EU 报告）后社区信心明显回升，v1.9.0 又新增了 Mistral、Deepgram、xAI 三家音频提供商，功能迭代节奏保持得很好。

// 博主观点

// 适合谁用

// links

GitHub: lfnovo/open-notebook
官方网站: open-notebook.ai
Discord 社区
Esperanto 多模型适配库（项目核心技术依赖）
SurrealDB 官方文档