Open Notebook：可自托管的 NotebookLM 替代品，2 分钟本地跑起来

目标读者：把 PDF / 网页 / 视频 / 音频丢进一个笔记本就让 AI 整理、提问、生成播客的研究者和团队；尤其在意数据不出本机、不想被单一模型绑定的人。

核心问题：Google 的 NotebookLM 体验惊艳，但资料只能放在 Google 云、只能用 Google 模型、没有 API、播客被锁死在 2 说话人——如果想自己托管、能换模型、能编程调用，2026 年有什么能直接 docker compose up 的选择？

事实边界：本文基于 lfnovo/open-notebook 仓库 README、Provider Support Matrix 与 Quick Start 整理；未在仓库中明确列出的内部实现细节、未验证的性能数字、未出现的功能不写成事实。

阅读导航

• 快速跑起来：§3 快速开始
• 与 NotebookLM 差异对照：§4 vs NotebookLM 对照表
• AI 提供商支持情况：§5 Provider 支持矩阵
• 6 个核心能力拆解：§6 核心能力拆解
• 适用与不适用场景：§8 谁该用它，谁该跳过

§1 核心判断

lfnovo/open-notebook 是一个完全自托管、模型无关、API 完整的研究型 Notebook 工具，它做的事和 Google NotebookLM 几乎一样：把多模态资料收进一个 Notebook，让 AI 摘要、问答、生成播客——但它把"在哪里跑、用什么模型、怎么集成"这三件事全部交回给你。

如果你满足下面任一条件，Open Notebook 是当前最直接的开源选项：

• 研究资料不能上云（合规、内部文档、客户合同）
• 想在 OpenAI / Anthropic / Ollama / DeepSeek / Gemini 之间随时换模型
• 需要 REST API 把 Notebook 接入自己的工作流（Agent、知识库、播客流水线）
• 希望播客不只是 2 个 AI 主持人，想要 1-4 个说话人并能调人设
• 愿意为"可控"多付一点部署和调参的精力

仓库当前已经 29.4k stars、739 commits，Next.js 前端、FastAPI 后端、SurrealDB 存储，是 2026 年这份赛道里事实上的主流选择。

§2 项目基本信息

技术栈亮点：后端用 Python + FastAPI + LangChain，前端是 Next.js 14 + React，数据库选 SurrealDB（多模型数据库，原生支持文档+图+向量检索，恰好契合 Notebook 的"素材 + 笔记 + 关系"模型）。docs/ 目录下还有独立的安装、用户指南、Core Concepts、AI Provider、API Reference、Troubleshooting、Development 文档体系，是少有的"文档比代码更新还勤"的中型开源项目。

§3 快速开始

官方声称 2 分钟跑起来，对应 curl 一份 docker-compose.yml、改一个加密密钥、docker compose up -d 三步。下面以官方 docker-compose.yml 为准。

3.1 前置条件

• 安装了 Docker Desktop
• 端口 8000（SurrealDB）、8502（Streamlit 风格的旧版 Web UI）、5055（REST API + 新版 Next.js UI）不被占用
• 准备好至少一个 AI Provider 的 API Key（OpenAI / Anthropic / Google / Groq / Ollama 等）

3.2 拉起 docker-compose.yml

curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml

docker-compose.yml 默认包含两个服务：

services:
  surrealdb:
    image: surrealdb/surrealdb:v2
    command: start --log info --user root --pass root rocksdb:/mydata/mydatabase.db
    user: root
    ports:
      - "8000:8000"
    volumes:
      - ./surreal_data:/mydata
    restart: always

  open_notebook:
    image: lfnovo/open_notebook:v1-latest
    ports:
      - "8502:8502"
      - "5055:5055"
    environment:
      - OPEN_NOTEBOOK_ENCRYPTION_KEY=change-me-to-a-secret-string
      - SURREAL_URL=ws://surrealdb:8000/rpc
      - SURREAL_USER=root
      - SURREAL_PASSWORD=root
      - SURREAL_NAMESPACE=open_notebook
      - SURREAL_DATABASE=open_notebook
    volumes:
      - ./notebook_data:/app/data
    depends_on:
      - surrealdb
    restart: always

3.3 改加密密钥

OPEN_NOTEBOOK_ENCRYPTION_KEY 是用于加密 API Key、Provider 配置等敏感字段的密钥。必须改成自己的强随机字符串，否则你重启容器后会读不回旧 Key。建议一次性写好并备份：

# 改 docker-compose.yml 里这一行
- OPEN_NOTEBOOK_ENCRYPTION_KEY=change-me-to-a-secret-string
# 替换成例如
- OPEN_NOTEBOOK_ENCRYPTION_KEY=my-super-secret-key-123

3.4 启动

docker compose up -d

等 15-20 秒后访问：

• Web UI（新版 Next.js）：<�PROTECTED_63�>
• Web UI（Streamlit 风格）：<�PROTECTED_64�>
• REST API 文档：<�PROTECTED_65�>

3.5 配置第一个 AI Provider

UI 里 Settings → API Keys → Add Credential，选一个 Provider（OpenAI / Anthropic / Google / Groq / Ollama / DeepSeek / Mistral / OpenRouter 等）粘进 Key，Save → Test Connection → Discover Models → Register Models。完成这一步之后，才可以开始新建 Notebook 并上传素材。

3.6 用 Ollama 跑完全本地（可选）

不想付 API 费用，可以参考 examples/docker-compose-ollama.yml，在 services 里加一个 ollama 服务，让 open_notebook 通过本地 http://ollama:11434 调用。这样所有数据、所有模型推理都在你自己的机器上完成。

§4 vs NotebookLM 对照表

下面这张表直接来自 README，所有"Open Notebook 优势"列都是仓库自身的宣称，不是中立基准，引用时建议交叉验证。

怎么读这张表：Open Notebook 的强项在"控制、灵活、API"；NotebookLM 的强项在"开箱即用、引用质量、Google 模型集成"。这两者并不直接竞争——NotebookLM 更像"开箱即用的产品"，Open Notebook 更像"你可以拿来自托管的底座"。

§5 Provider 支持矩阵

这张表是 Open Notebook 的"多模型"主张的硬证据。同一份 Provider 在不同能力上的支持情况不同——选择 Provider 时先看你要用它做哪件事。

*含 LM Studio 和任意 OpenAI 兼容端点。所有这些 Provider 由作者开源的 esperanto 库统一接入，Open Notebook 自己只做调用层和上层工作流。

选型提示：

• 一套 Provider 全包：Google（GenAI）、Azure OpenAI、Mistral、OpenAI 兼容端点是唯一同时支持 LLM + Embedding + STT + TTS 的选项
• 完全本地、零 API 费用：Ollama（LLM + Embedding）+ Deepgram / ElevenLabs（TTS，可选）
• 中文模型便宜：DashScope（Qwen）已支持 LLM；Embedding 暂时需要 OpenAI / Google / Ollama
• Anthropic 只支持 LLM，不支持 Embedding/STT/TTS——做 RAG 时还要再配一个 Embedding Provider

§6 核心能力拆解

Open Notebook 把 NotebookLM 的能力拆成了 6 个可独立使用的功能模块，每个模块背后都是一条独立的"素材 → 处理 → 存储"链路。

6.1 Sources（多模态素材库）

支持 PDF、视频、音频、网页、Office 文档等多种内容类型。添加 Source 后系统会自动：

1. 解析内容（PDF 抽文本、视频抽转写、网页抽正文）
2. Embedding + 分块进向量库
3. 生成摘要和关键洞察
4. 进入搜索和 Chat 的可引用范围

这是后面所有功能（Chat、Podcast、Search、Transformations）的内容池。

6.2 Notes（笔记）

两种用法并存：

• 手动笔记：自己写的 Markdown 笔记，可以挂到任意 Notebook
• AI 辅助笔记：对一份或一组 Source 用 Transformation 生成笔记

笔记在 Chat 和 Podcast 中可以像 Source 一样被引用，等价于"用户整理好的上下文"。

6.3 Chat（多会话问答）

Chat 不是单条对话，而是"在一个 Notebook 内开多个独立会话"。会话可以指定：

• 上下文范围（哪些 Source、哪些 Note）
• 引用的粒度（按段、按页、按整篇）
• LLM 模型（包括 Reasoning Model：DeepSeek-R1、Qwen3 等已验证可用）
• 是否返回引用（citations）

把 Notebook 理解成"主题包"、Chat 理解成"主题包内的多次独立研究"，这套模型比 NotebookLM 单一对话流更接近真实研究工作。

6.4 Search（全文 + 向量混合）

同时支持全文搜索和向量搜索，跨所有 Notebook 跨所有 Source。Open Notebook 没有做 RAG-as-a-service，Search 仍然把"命中段"喂给 LLM 重新生成答案——这一点和 NotebookLM 的"只基于来源"原则一致。

6.5 Transformations（自定义处理）

这是 Open Notebook 比 NotebookLM 多出来的一个能力。Transformation 是一段"对素材做什么"的定义，可以是：

• 内置模板：摘要、提纲、要点、问答对
• 自定义 Prompt：自由定义输入/输出

典型用途：把 5 篇 PDF 一次性转成结构化笔记、按客户模板生成提案草稿、把英文素材翻译并改写为中文播客脚本。

6.6 Podcast（多说话人播客生成）

这是 Open Notebook 最有差异化的能力，对照 NotebookLM 唯一的 2 说话人：

• 支持 1-4 个说话人
• 每个说话人有独立的 Episode Profile（角色、性格、语速、表达风格）
• 选 18+ Provider 中支持 TTS 的那些合成语音
• 生成结果存为音频文件，可下载可嵌入

官方提供了一段 4 说话人的 Podcast Demo on YouTube，可以先听后决定要不要为这个能力迁移过来。

§7 常见坑点

把仓库里反复出现、容易卡住人的点集中到这里。

7.1 加密密钥忘了改 / 换了机器

OPEN_NOTEBOOK_ENCRYPTION_KEY 是加密 Provider 凭证的密钥。换一台机器或重装时如果用了不同密钥，旧的 API Key 全读不出来。 一定要把密钥记在密码管理器里。

7.2 Anthropic 没有 Embedding

Anthropic 不提供 Embedding API。选 Anthropic 作为 LLM 之后，必须再选一个 Embedding Provider（OpenAI / Google / Voyage / Ollama）。来源已经在 Provider 矩阵里标出，部署时按表选。

7.3 Ollama 跑 LLM 还行，跑 Embedding 看模型

本地 Ollama 跑 LLM 没问题，但 Embedding 效果高度依赖选的具体模型。仓库推荐用 nomic-embed-text 或 mxbai-embed-large，默认 all-minilm 偏弱。

7.4 端口冲突

8000（SurrealDB）、8502（Streamlit 风格 UI）、5055（API + 新版 UI）三个端口都要空。如果已经部署了别的服务（比如 SurrealDB 自己的实例、MosaicML Model Server 等），改 docker-compose.yml 里的 ports 映射。

7.5 Dockerfile.single

仓库里除了 docker-compose.yml 还提供一个 Dockerfile.single，把 SurrealDB 和 Open Notebook 装到同一个容器里，部署更省事但失去隔离——生产环境一般不推荐，开发试用可以。

7.6 MCP 集成边界

docs/5-CONFIGURATION/mcp-integration.md 描述了怎么把 Open Notebook 作为 MCP Server 接入 Claude Desktop / VS Code。但 MCP 暴露的是有限动作集（主要是查 Source / 写 Note），不要把它当成完整 RAG 后端来用。

§8 谁该用它，谁该跳过

8.1 适合先用 Open Notebook 试一把的场景

• 内部研究、合规要求文档不能出本机的团队
• 想把 NotebookLM 的工作流接到自己 Agent / 工作流里、但 NotebookLM 没有 API
• 想自己掌控"用哪个模型"和"模型能访问哪些上下文"
• 喜欢自定义 Transformation 的工作流（生成固定模板的客户提案、周报等）
• 需要 1-4 个说话人的播客来覆盖多视角讨论

8.2 不建议立刻迁移的场景

• 团队已经在用 NotebookLM 协作，且对"引用质量"非常敏感——Open Notebook 官方承认它的 Citations 还在改进
• 想要完全 SaaS、不愿意维护 Docker / 数据库 / 备份的——NotebookLM 是更省心的选择
• 只用 NotebookLM 最基础的"上传 PDF → 听播客"——Open Notebook 第一次配置需要 30 分钟左右
• 生产级多用户 / 多租户——Open Notebook 的权限模型还在 Roadmap 里（“Live Front-End Updates”、“Async Processing”、“Cross-Notebook Sources” 等是 Recently Completed 之外仍在 Upcoming 的项）

§9 稳妥的采用顺序

1. 先在单机 docker compose up 跑起来，确认 UI 能访问、Provider 联通、第一个 Notebook 跑通
2. 把 Ollama 接入，做一份"完全本地"的备份方案，避免 API 厂商出问题时整个工作流瘫痪
3. 整理 1-2 个真实工作的 Source 集合（比如本季度的研究主题、本周客户资料），走一遍"上传 → Chat 问答 → Podcast 生成"完整闭环，验证它真的能替代你现在的 NotebookLM 工作流
4. 再考虑接入 MCP / REST API，把 Open Notebook 嵌入更大的 Agent / 工作流
5. 最后再做数据备份和恢复演练——./notebook_data 和 ./surreal_data 是核心，把它们加入你的常规备份流程

这个顺序把"先验证个人体验 → 再自动化 → 最后才考虑生产化"拆开，每一步都能独立 rollback。

§10 风险与未覆盖项

Open Notebook 当前的边界：

• API 兼容性：仓库还未承诺 OpenAI 兼容端点之外的兼容矩阵，自定义 LLM 接入前先在 UI 里 Test Connection
• Citation 质量：官方承认 Citations 是"基础引用（will improve）"，如果你的工作流对引用质量非常敏感，先做小规模测试
• 多用户/权限：仓库 Upcoming Features 里有"Live Front-End Updates"“Async Processing"“Cross-Notebook Sources"“Bookmark Integration”——这些都没说多用户模型怎么设计，团队用之前先在 UI 里看权限设置
• MCP 边界：MCP 暴露的动作是只读为主的笔记查询，不是完整 CRUD，做"在 Agent 里写笔记到 Open Notebook"前先看 API Reference
• MCP 之外的自动化：自动化走 REST API（http://localhost:5055/docs），但官方不保证所有 UI 操作都对应一个公开 API endpoint

§11 一句话总结

Open Notebook 不是 NotebookLM 的"功能复制版”，而是"把 NotebookLM 的能力放回你自己机器上、换上你自己的模型、接上你自己的工作流"的底座。愿意为可控多花 30 分钟部署和调参的人，2026 年很难再找到比它更完整的选择。

本文基于 lfnovo/open-notebook 仓库 README 与 Provider Support Matrix 整理。 抓取时间：2026-06-12，版本对应 lfnovo/open_notebook:v1-latest 镜像与 surrealdb/surrealdb:v2。 详细安装、Provider 配置、API Reference、Troubleshooting 见仓库 docs/ 目录。