Open Notebook：把 NotebookLM 请回自己电脑的开源平替，4 万 star 的私人研究助手
开头：资料越攒越多，问题却越来越不敢问
很多人都有同一个困境：电脑里存了几十篇论文、几十个网页链接、一堆会议录音和课程视频，想让 AI 帮自己梳理，却又不敢把这些东西全交出去。论文还没发表、客户资料涉密、内部会议纪要不能外泄——把它们上传到某个云端笔记本，省事是省事，心里总不踏实。谷歌的 NotebookLM 很好用，但它只跑在谷歌的云上、只用谷歌的模型，数据去向和模型选择都没有商量余地。
Open Notebook 就是冲着这个缺口来的：一个开源的、可以自己部署的 NotebookLM 平替，核心理念是“资料留在自己手里，模型由自己来选”。2026 年 10 月 31 日核实，仓库 lfnovo/open-notebook 已有 41,008 个 star、4,711 个 fork，采用 MIT 许可证，创建于 2024 年 10 月 21 日，10 月 30 日仍出现在 GitHub Trending 榜上。一个跑了两年的项目能保持这个热度，说明它不是一时跟风，而是一直有人在用、在维护。
值得看的理由很直接：它解决的不是“有没有 AI 笔记本”，而是“AI 笔记本能不能既好用又归自己管”。如果你手头有大量需要长期消化、又不方便上传云端的资料，这个项目值得认真看一次。
它是什么：一个可以自己装的 AI 研究笔记本
Open Notebook 的用法和 NotebookLM 的心智模型基本一致：新建一个笔记本，往里丢资料，然后围绕这些资料聊天、做笔记、生成摘要。但它在几个关键点上把选择权还给了用户，亮点可以归纳为下面几点：
- 资料类型很全，不只限于 PDF。按 README 的说法，支持 PDF、视频、音频、网页、Office 文档等多种来源。研究场景里资料形态本来就杂，能把论文、讲座录音、网页报道放进同一个笔记本里一起问，是它比很多“聊天机器人套壳”实在的地方。
- 模型可以自己选，而且不止一家。README 明确列出 20 多个模型供应商，包括 OpenAI、Anthropic、谷歌、Mistral、DeepSeek，以及 Ollama、LM Studio 这类本地模型服务。不同任务可以配不同模型，这是 NotebookLM 给不了的自由：贵模型做深度分析，便宜或本地模型做日常摘要，成本和隐私可以自己权衡。
- 回答带引用，来源可追溯。它的问答会标注答案来自哪些资料、笔记和洞察。做研究最怕的就是 AI 一本正经地编出处，有引用链，至少能回头核对一句话到底出自哪份材料。
- 播客生成不止两个人对谈。NotebookLM 的播客是两个人聊，Open Notebook 的播客支持 1 到 4 位发言人，还可以自定义发言人配置。想把一篇长论文变成通勤路上能听的节目，这个功能比看起来实用。
- 内容转换可以自定义。它有一套叫 Transformations 的机制：对资料一键做摘要、提炼关键洞察、写论文评述等，而且提示词可以自己改。官方给的预设不够贴合时，可以按自己的研究习惯改提示词，而不是被锁死在几个固定按钮里。
另外值得一提的是它的部署形态：官方推荐用 Docker Compose 起两个服务，一个是数据库 SurrealDB，一个是应用本身。也就是说它不是一个要你从零编译的半成品，而是有标准部署路径的完整应用；同时它还提供完整的 REST API，想把它接进自己的工作流也有口子。
截图导览：先看样子，再决定要不要装
判断一个研究工具值不值得装，最快的办法是看它长什么样、信息密度合不合理。下面几张图均来自项目官方渠道：
图注：Open Notebook 的 GitHub 仓库官方分享图，项目名、简介与 star 规模一目了然，适合先建立第一印象。
图注：Open Notebook 官网首页，核心理念一句话说清——把学习的主动权拿回自己手里，而不是把资料交给单一平台。
图注：仓库 README 中的官方演示界面，新建笔记本是整个工作流的起点，资料、对话、笔记都围绕笔记本组织。
看图时建议重点看三处：笔记本里资料的组织方式是不是你习惯的样子；对话回答有没有给出可核对的来源；以及界面信息密度会不会让长资料的梳理变成负担。这三处恰好也是长期用下来最影响体验的地方。
快速上手：按 README 的四步走，别跳过加密密钥那一步
安装本身不复杂，但有一步不能省：设置加密密钥。下面按 README 的关键步骤来：
- 准备 Docker。需要 Docker Desktop（macOS、Windows）或带 Compose 插件的 Docker Engine（Linux）。另外要准备一个模型供应商的 API key，或者一台本地模型服务（比如 Ollama），API key 是在界面里填，不是写进配置文件。
- 下载官方 docker-compose.yml。新建一个空文件夹，执行下面这条命令：
curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml - 设置加密密钥。编辑 docker-compose.yml，把 OPEN_NOTEBOOK_ENCRYPTION_KEY 的默认值改成自己生成的长随机字符串（比如用 openssl rand -hex 32 生成）。这个密钥用来加密你存在里面的 API key，README 特别提醒要妥善保管。另外注意：默认没有密码保护，如果这台机器能被局域网内其他设备访问，README 建议把端口绑定到 127.0.0.1，或者设置 OPEN_NOTEBOOK_PASSWORD，部署在共享网络上时这一步不要跳过。
- 启动并连接模型。执行 docker compose up -d，等待约 30 秒后打开 http://localhost:8502。在侧边栏的 Models 里添加供应商配置、填入 API key（本地供应商填 Base URL），点 Test 测试连通，至少添加一个语言模型和一个向量模型，再点 Auto-assign Defaults 自动分配默认模型，就可以新建笔记本、添加资料、开始聊天了。
门槛方面，总体中等：不需要 GPU 才能跑起来——用云端模型时只要 API key 就行；想完全离线，就要本地跑 Ollama 之类的模型服务，那时硬件才成为门槛。真正花时间的地方不在安装，而在第一次配模型：语言模型、向量模型、语音模型各司其职，README 的供应商支持矩阵里写明了每家供应商提供哪些模型类型，配之前先对照看一眼，能少走很多弯路。
我的建议：适合谁、不适合谁、值不值得试
适合谁：第一类是学生、研究者和写作者，手头有大量论文、讲座、采访资料要长期消化，又希望回答能追溯到原文的人，Open Notebook 的引用和笔记本组织方式很对症。第二类是对数据去向敏感的人，比如处理未发表成果、客户资料、内部文档的从业者，自己部署加本地模型是一条说得通的隐私路线。第三类是已经有模型使用习惯的人：手里有多个供应商的 key、想按任务分流模型的人，在这里能把选择权真正握在自己手里。
不适合谁：如果你只是偶尔想把一两篇文章丢进去问几个问题，不想碰 Docker、不想管部署和密钥，那直接用现成的云端笔记本产品更快，没必要为了开源而开源。另外，如果你完全不想为模型付费、又没有能跑本地模型的机器，那“免费软件”不等于“零成本使用”，云端模型的调用费用和本地硬件门槛都要算进去。
值不值得试：值得，而且建议先拿一个真实的小项目试一周再下结论。理由有三点：一是它解决的是真实痛点，资料隐私和模型选择权不是伪需求；二是部署路径是标准的 Docker Compose，不是需要折腾源码的半成品；三是社区规模和持续更新摆在那里，4 万 star、两年维护，遇到问题能找到文档和讨论。需要注意的边界也很明确：它能帮你把资料管起来、问得有据可查，但不会替你读懂论文、替你做判断；资料质量、提问质量、模型选择，仍然决定输出上限。一句话结论：如果你受够了“资料只能交给一家云、模型只能用它给的那一个”，Open Notebook 是目前值得优先试的一个开源选择。
附：仓库链接
GitHub 仓库：https://github.com/lfnovo/open-notebook
官网：https://www.open-notebook.ai
