3.9 万星的 Open Notebook：把 Notebook LM 从 Google 服务器搬回你自己的机器

Google 的 Notebook LM 把「上传一堆资料，然后跟资料对话」这件事做得太顺手，顺手到很多人已经忘了它的代价：你的 PDF、访谈录音、财务表格，全都要先上传到 Google 的服务器，而且只能用它家那一个模型。对于偶尔做点读书笔记的人，这没什么；但对于研究者、律师、做尽调的团队，这就是一条硬界限。

Open Notebook 就是冲着这条界限来的。它目前在 GitHub 上有 39,151 颗星、4,538 个 Fork，MIT 协议，主语言 TypeScript，仓库 2024 年 10 月创建，最近仍在高频提交（pushed_at 显示 2026-09-18 还有推送）。作者是 lfnovo，项目官网 https://www.open-notebook.ai，仓库地址 https://github.com/lfnovo/open-notebook。

它到底是什么，边界在哪

一句话：自托管 + 多模型 + 带完整 REST API 的 Notebook LM 替代品。

• 内容组织：PDF、视频、音频、网页、EPUB，甚至 Reddit 帖子都能作为「source」导入。v1.13.0 起把抽取层重建为 Content Core 2.0，可选接入 Docling（OCR + 版面感知解析）和 Crawl4AI（JS 渲染抓取），PDF 抽取改用 MIT 协议的 pdfplumber。
• 多模型：官方 README 写的是支持 18+ 家 provider，包括 OpenAI、Anthropic、Ollama、LM Studio。这意味着「机密材料用本地 Ollama、日常问答用云模型」这种混搭是原生支持的，而不是打补丁。
• 播客生成：这是它相对 Notebook LM 最明显的差异点——Notebook LM 的播客固定两个说话人，Open Notebook 支持 1 到 4 个自定义说话人，脚本可控性高得多。
• API 与部署：Notebook LM 没有公开 API，Open Notebook 提供完整 REST API，可以 Docker、自建云、纯本地三种方式部署；底层用 SurrealDB 存数据，LangChain 做编排，前端 Next.js。

需要说清楚的边界：它追踪的「引用/citation」能力目前仍标注为 basic references，作者自己在对比表里承认这块弱于 Notebook LM 的 source-grounded 引用。如果你的核心诉求是「每个结论都能点回原文段落」的学术级溯源，现阶段它还没补齐。

真实使用门槛

别被「Quick Start（2 分钟）」骗了——那两分钟只是为了让你把服务跑起来看个界面。

• 第一步是 Docker：官方 Quick Start 就是下载一份 docker-compose.yml 直接起。说明默认凭据是 root:root，在暴露到网络前必须改 SURREAL_USER / SURREAL_PASSWORD，否则等于把数据库敞开。
• 第二步是模型成本：它本身不要订阅费，但你得自带 API Key 或者本地跑 Ollama。所以真实成本 = 你的模型账单 + 一台能长期开机的机器。
• 第三步是运维：你得到的不是一个 app，而是一套需要自己维护的服务栈（SurrealDB + 后端 + 前端）。社区里已经有「聊天回复特别慢/超时怎么排查」这类帖子，说明性能调优是躲不开的功课。

近三个版本也印证了它还在「打磨期」而非「成熟期」：

• v1.14.0（2026-07-21）：安全和管道版本，新增 6 种模型接入方式，重要的一项是把所有对外 provider 请求钉死在 DNS 校验过的 IP 上，堵掉 DNS rebinding 劫持到云元数据端点的窗口——这类修复只有认真做自托管的人才会去补。
• v1.13.0（2026-07-14）：内容处理大版本，即上文提到的 Content Core 2.0 + Docling + Crawl4AI + EPUB/Reddit。
• v1.12.0（2026-07-12）：清理约 3000 行死代码，让 Anthropic 模型列表改为实时查询 API（以后新 Claude 上线就能自动发现），新增 GET /api/providers。

适合谁，不适合谁

适合：处理敏感或机密材料、不能上传第三方云的研究与分析岗位；想用本地模型跑私有知识库的技术团队；需要把「资料问答」嵌进自己产品、要 REST API 的开发者；对播客内容有自定义脚本需求的人。

不适合：只想开箱即用、不愿碰 Docker 和运维的普通用户（Notebook LM 免费版更省事）；需要严谨学术级引用的场景；只想用 Google 一家模型、不在意隐私的用户。

下一步建议

1. 先去官网 https://www.open-notebook.ai 和仓库 README 的对比表确认功能是否对你的场景够用，重点看 citation 那一栏。
2. 本地起一个测试实例：curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml，把 SURREAL_USER/SURREAL_PASSWORD 改掉再 docker compose up。
3. 接一个本地 Ollama 模型先跑通全流程，测一件你真实的材料（比如一份 50 页 PDF），再决定要不要接云模型。
4. 关注 releases 页 https://github.com/lfnovo/open-notebook/releases，它在按周迭代，citation 能力是值得盯的短板。

一句话：如果你对「资料必须留在自己机器上」这件事有刚需，Open Notebook 目前是社区里最完整的一个答案；如果没有这个刚需，它带来的运维成本未必值得。