如果你用过 Google Notebook LM，你一定记得那种爽感：把一堆 PDF、网页、视频链接往里一丢，它能自动总结、交叉引用，甚至给你生成一段双人播客。听起来像是研究工作的作弊码。
但你也知道另一件事。你的数据存在 Google 的云上。你只能用 Google 的模型。播客只能两个人说话。
Open Notebook 做的事很简单直接：把 Notebook LM 的核心体验搬到你的机器上，然后加码。不是阉割版，不是”自托管就是少点功能”那套。它是 18+ AI 供应商、14 种语言界面、1 到 4 个说话人的播客生成、完整 REST API 的全功能实现。MIT 协议，Docker 一行命令跑起来。
说实话，2025 年 6 月它刚出来的时候我没太在意。NotebookLM 的开源替代？这类项目通常坚持不了三个月。但一年后 23k Stars、790 次提交、36 个贡献者，v1.10.0 在三天前刚发布。这个节奏在开源项目里不算惊天动地，但足够让人认真看一眼。
打动我的几个地方
Notebook LM 好用，但它的产品边界是 Google 划定的。Open Notebook 真正有区分度的，是把这些边界全部拆掉了。
模型锁是第一个被拆的墙。Notebook LM 只跑 Gemini，Open Notebook 通过自研的 Esperanto 抽象层接入了 Ollama、OpenAI、Anthropic、DeepSeek、Groq、Mistral、xAI 等 18 个供应商。你能在同一个笔记本里用 Claude 做深度分析、用 Ollama 跑本地免费模型做摘要、用 DeepSeek-R1 做推理。切换供应商不需要换工具，调个设置就行。
播客生成被重新定义了。Notebook LM 的播客只有两个 AI 说话人，一个男声一个女声，你控制不了。Open Notebook 支持 1 到 4 个说话人，每个说话人的声音、语速、角色都可以自定义。它还把 ElevenLabs、OpenAI TTS、Deepgram 等语音引擎都接进来了，你想用哪个用哪个。
数据主权这件事被做得很彻底。不是口号式的”隐私优先”，是实打实的自托管设计。Docker 一键部署，SurrealDB 本地存储，加密密钥你自己设，密码保护可选。你的研究资料不会离开你的服务器。哪怕你把服务暴露到公网上，也有应用级密码挡一层。
别忘了 API。Notebook LM 没有 API，你没法把它嵌入自己的工具链。Open Notebook 有完整的 REST API，可以把笔记本的聊天、搜索、内容转换能力编入你自己的应用。这对于想构建自动化研究流程的人来说，价值比多几个 AI 供应商大得多。
这些亮点的共同点不是”比 Notebook LM 多几个功能”。是它把 AI 辅助研究的控制粒度从”Google 说了算”变成了”你说了算”。模型、语音、数据、接口，每个环节你都可以换掉默认选项。
不过话说回来，功能多是多是多了，但到底跑起来什么感觉？
这张图把几层关系拉开了。前端 Next.js 负责界面，后端 FastAPI 处理请求，SurrealDB 存数据和向量，Esperanto 在中间做多供应商翻译。最妙的是它把 AI 供应商抽象成了一个可插拔层，换模型就像换插件。
跑起来看看
安装够简单。有 Docker 的话，两行命令：
curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml
docker compose up -d
浏览器打开 http://localhost:8502，设置页面选 AI 供应商，填 API Key，就能用了。想完全免费本地跑，用 examples/docker-compose-ollama.yml 这套配置，Ollama 自带模型，零 API 费用。
但真实体验没有 README 里那么丝滑。翻 Issue 区能看到几个高频卡点。
- 第一个是 Python 版本。项目要求 Python 3.12，因为依赖链里 pydub 在 3.13 上有兼容问题。如果你系统默认装了 3.13，Docker 不用担心，源码安装就得注意了。
- 第二个是 SurrealDB 的初始化。有些用户在首次启动时遇到数据库连接超时，解决方案通常是给 SurrealDB 容器多等 30 秒让它完成 bootstrap。Issue 区有人提了 healthcheck 改进的 PR，目前还在讨论中。
- 第三个和播客生成有关。如果你用的供应商不支持语音合成，播客功能会沉默。配置 ElevenLabs 或 OpenAI TTS 的密钥后需要重启服务才能生效，文档里提了但不显眼。
跑起来之后的体验，说实话，分人。如果你追求开箱即用的精致感，Notebook LM 的 UI 仍有优势。Open Notebook 的界面更像一个实用工具，不丑，但也不惊艳。它把精力花在了功能深度上，而不是像素级打磨。
对比图很诚实。Open Notebook 在灵活性、隐私、成本控制上全面碾压，但 Notebook LM 在开箱体验和界面打磨上仍然领先。这不是”谁更好”的问题，是你更在乎什么的问题。
体验聊完了。但功能多不代表适合所有人，到底谁该装、谁该绕道？
什么时候用，什么时候别用
搞清楚自己的需求再决定装不装。这东西不是银弹。
| 场景 | 典型用户 | 优势 | 局限 |
|---|---|---|---|
| 个人知识管理 | 学生、研究员、写作者 | 数据自主可控，多模型自由切换 | 需要自己维护服务器 |
| 企业内部分析 | 中小团队分析师 | 隐私合规，API 可集成内部工具 | 初期部署需要 DevOps 基础 |
| 播客内容生产 | 内容创作者、播客主 | 多说话人自定义，多语音引擎 | 高质量播客需要调参经验 |
| 本地免费 AI 研究 | 预算有限的独立研究者 | Ollama 全本地，零 API 费用 | 本地模型能力有限 |
不适用的情况也很明确：
-
偶尔丢个 PDF 让 AI 总结一下，Google Notebook LM 免费版够用，犯不着维护 Docker 服务 -
团队没一个人愿意管服务器运维，SaaS 方案更省心 -
工作流重度依赖 Google 生态协作，Notebook LM 的共享体验更流畅
另外，Open Notebook 目前不支持协作编辑。一个笔记本是一个人的，没有多人实时协作。如果你需要团队共同编辑笔记和标注，这不是你的工具。Issue 区有人提过这个需求，但路线图里还没有明确的时间表。
场景说清楚了。但还有一个比功能更重要的维度，功能再强维护跟不上也是白搭。
维护靠不靠谱
社区数据不差，但也有隐忧。
| 指标 | 数据 | 说明 |
|---|---|---|
| Stars | 23,015（截至 2026.6） | 一年内从零冲到 23k，增速亮眼 |
| 核心维护者 | ~3 人 | Bus factor 偏低 |
| Open Issues | 138 | 量不少，但 v1.10.0 刚发 |
| 协议 | MIT | 商业友好，无使用限制 |
| 贡献者 | 36 | 社区参与度中等偏上 |
Star 增长曲线说实话挺好看的。从 2025 年 10 月的 1k 到 12 月的 5k，再到 2026 年 3 月的 10k，最后推到现在约 23k，基本是一条持续加速的曲线。没有爆发式跳涨，是慢慢攒起来的。这种增长模式比一夜爆火更可信。
但健康评分 59/100 是红灯。维护评分只有 38，意味着 138 个开放 Issue 对 3 个核心维护者来说压力不小。Discord 社区倒是活跃，安装问题基本有人回，但深度技术问题的响应就没那么快了。
社区声音方面，Reddit 和 HackerNews 上目前没有找到集中的讨论串。Discord 里的反馈偏实用向，主要集中在部署配置和多供应商切换上。有用户提到”用 Ollama 本地跑 qwen 做中文资料分析比预想的好用”，也有反馈说”播客生成的语音质量取决于你接的 TTS 引擎，ElevenLabs 效果好但贵”。
整体来看，社区正在从”尝鲜安装”阶段向”长期使用”阶段过渡，但维护人力是最大的瓶颈。3 个维护者撑 23k 用户的期待，长期来看不现实。需要更多核心贡献者加入。
数据看完了。接下来是更主观的部分，我对这个项目的真实判断，不保证对，但保证诚实。
我的真实看法
花了两小时翻 Issue 和 commit 历史之后，我对这个项目的判断比打开仓库前收窄了不少。
先说好的。Open Notebook 的设计决策整体是清醒的。Esperanto 这个多供应商抽象层不是简单的 API 封装，它把 LLM、Embedding、STT、TTS 四个维度都做了统一接口，这意味着它天然不容易被单一供应商锁定。MIT 协议、Docker 优先部署、模块化架构，这些选择说明维护者知道自己在做什么——他们不是在新手村写 demo。
但你得知道它处在什么阶段。v1.10.0 的发布说明里还有”修复播客功能在特定供应商组合下的崩溃”这类问题。这意味着它还处在”功能可用但边缘情况不稳定”的成熟度。把它当成日常主力的研究工具，你要准备好偶尔踩坑和翻 Issue。
我比较担心的是维护可持续性。23k Stars 对应 3 个核心维护者的比例，在开源项目里属于危险区。目前活跃度评分 100，commit 频率没降，但如果核心维护者中有人退出或精力下降，项目节奏会受到明显影响。这不是唱衰，是 138 个开放 Issue 正在排队的事实。
不过换个角度看，这个项目的天花板比 Notebook LM 高。Google 不可能给你 API、不可能让你换模型、不可能把播客说话人加到 4 个。Open Notebook 把这些”不可能”都做出来了，而且做法不是抄功能，是重新定义边界。这件事在开源圈子里不多见。
我对它的总体定位是这样的：它不是 Notebook LM 的替代品，它是 AI 辅助研究工具的一个新物种。Notebook LM 走的是”易用封闭”路线，Open Notebook 走的是”灵活开放”路线。哪个更好？取决于你更在乎降低上手成本还是拿回控制权。
判断说完了，聊点实际的。看完这篇文章你该做什么。
资源地址
最后的最后
如果你已经在做重度 AI 辅助研究，而且对”数据上云”这件事有本能的抗拒，装一个试试。两行 Docker 命令的事。从单笔记本+Ollama 免费模型入手，成本为零。等你确认了工作流顺手了，再考虑接商业模型。
如果你还在观望，关注两个指标。第一是维护者数量有没有从 3 变成 5 以上，这决定了项目能不能从个人激情变成社区驱动。第二是 Issue 关闭速度，这比 Star 数更能说明真实健康度。
研究这件事太私人了。你的笔记、你的资料来源、你的思考路径，这些东西放在别人的服务器上总归不踏实。Open Notebook 做的事情本质上就是这个：让你在 AI 的帮助下做研究，但研究的主权还是你的。不复杂，但很对。