open-notebook

name: open-notebook description: Google NotebookLM 的自托管开源替代方案，用于 AI 驱动的研究和文档分析。适用于将研究资料组织到笔记本中、摄取多样化内容源（PDFs、视频、音频、网页、Office 文档）、生成 AI 驱动的笔记和摘要、基于研究创建多说话人播客、使用上下文感知 AI 与文档聊天、通过全文和向量搜索跨资料检索，或运行自定义内容转换。通过自托管实现完整数据隐私，支持 16+ 个 AI 提供商，包括 OpenAI、Anthropic、Google、Ollama、Groq 和 Mistral。 license: MIT metadata: skill-author: K-Dense Inc.

Open Notebook

概述

Open Notebook 是 Google NotebookLM 的开源自托管替代方案，使研究人员能够组织资料、生成 AI 驱动的洞察、创建播客，并与自己的文档进行上下文感知对话，同时保持完整数据隐私。

与 Google 的 Notebook LM 不同，后者在 Enterprise 版本之外没有公开可用的 API；Open Notebook 提供完整的 REST API，支持 16+ 个 AI 提供商，并完全运行在你自己的基础设施上。

相较 NotebookLM 的主要优势：

• 用于编程访问和自动化的完整 REST API
• 可选择 16+ 个 AI 提供商（不锁定到 Google 模型）
• 可自定义 1-4 位说话人的多说话人播客生成（相比 2 位说话人限制）
• 通过自托管实现完整数据主权
• 开源且完全可扩展（MIT license）

仓库： https://github.com/lfnovo/open-notebook

快速开始

前置条件

• 已安装 Docker Desktop
• 至少一个 AI 提供商的 API key（或使用本地 Ollama 进行免费的本地推理）

安装

使用 Docker Compose 部署 Open Notebook：

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

# Set the required encryption key
export OPEN_NOTEBOOK_ENCRYPTION_KEY="your-secret-key-here"

# Launch the services
docker-compose up -d

访问应用：

• 前端 UI： http://localhost:8502
• REST API： http://localhost:5055
• API 文档： http://localhost:5055/docs

配置 AI 提供商

启动后，配置至少一个 AI 提供商：

1. 在 UI 中导航到 Settings > API Keys
2. 为首选提供商（OpenAI、Anthropic 等）添加凭据
3. 测试连接并发现可用模型
4. 注册模型以供整个平台使用

或通过 REST API 配置：

import requests

BASE_URL = "http://localhost:5055/api"

# Add a credential for an AI provider
response = requests.post(f"{BASE_URL}/credentials", json={
    "provider": "openai",
    "name": "My OpenAI Key",
    "api_key": "sk-..."
})
credential = response.json()

# Discover available models
response = requests.post(
    f"{BASE_URL}/credentials/{credential['id']}/discover"
)
discovered = response.json()

# Register discovered models
requests.post(
    f"{BASE_URL}/credentials/{credential['id']}/register-models",
    json={"model_ids": [m["id"] for m in discovered["models"]]}
)

核心功能

笔记本

将研究组织到独立笔记本中，每个笔记本包含来源、笔记和聊天会话。

import requests

BASE_URL = "http://localhost:5055/api"

# Create a notebook
response = requests.post(f"{BASE_URL}/notebooks", json={
    "name": "Cancer Genomics Research",
    "description": "Literature review on tumor mutational burden"
})
notebook = response.json()
notebook_id = notebook["id"]

来源

摄取多种内容类型，包括 PDFs、视频、音频文件、网页和 Office 文档。来源会经过处理以支持全文和向量搜索。

# Add a web URL source
response = requests.post(f"{BASE_URL}/sources", data={
    "url": "https://arxiv.org/abs/2301.00001",
    "notebook_id": notebook_id,
    "process_async": "true"
})
source = response.json()

# Upload a PDF file
with open("paper.pdf", "rb") as f:
    response = requests.post(
        f"{BASE_URL}/sources",
        data={"notebook_id": notebook_id},
        files={"file": ("paper.pdf", f, "application/pdf")}
    )

笔记

创建并管理与笔记本关联的笔记（人工或 AI 生成）。

# Create a human note
response = requests.post(f"{BASE_URL}/notes", json={
    "title": "Key Findings",
    "content": "TMB correlates with immunotherapy response in NSCLC...",
    "note_type": "human",
    "notebook_id": notebook_id
})

上下文感知聊天

使用会引用来源的 AI 与你的研究资料聊天。

# Create a chat session
session = requests.post(f"{BASE_URL}/chat/sessions", json={
    "notebook_id": notebook_id,
    "title": "TMB Discussion"
}).json()

# Send a message with context from sources
response = requests.post(f"{BASE_URL}/chat/execute", json={
    "session_id": session["id"],
    "message": "What are the key biomarkers for immunotherapy response?",
    "context": {"include_sources": True, "include_notes": True}
})

搜索

使用全文或向量（语义）搜索跨所有资料检索。

# Vector search across the knowledge base
results = requests.post(f"{BASE_URL}/search", json={
    "query": "tumor mutational burden immunotherapy",
    "search_type": "vector",
    "limit": 10
}).json()

# Ask a question with AI-powered answer
answer = requests.post(f"{BASE_URL}/search/ask/simple", json={
    "query": "How does TMB predict checkpoint inhibitor response?"
}).json()

播客生成

从研究资料生成专业的多说话人播客，支持 1-4 位可自定义说话人。

# Generate a podcast episode
job = requests.post(f"{BASE_URL}/podcasts/generate", json={
    "notebook_id": notebook_id,
    "episode_profile_id": episode_profile_id,
    "speaker_profile_ids": [speaker1_id, speaker2_id]
}).json()

# Check generation status
status = requests.get(f"{BASE_URL}/podcasts/jobs/{job['job_id']}").json()

# Download audio when ready
audio = requests.get(
    f"{BASE_URL}/podcasts/episodes/{status['episode_id']}/audio"
)

内容转换

对内容应用自定义 AI 驱动转换，用于摘要、提取和分析。

# Create a custom transformation
transform = requests.post(f"{BASE_URL}/transformations", json={
    "name": "extract_methods",
    "title": "Extract Methods",
    "description": "Extract methodology details from papers",
    "prompt": "Extract and summarize the methodology section...",
    "apply_default": False
}).json()

# Execute transformation on text
result = requests.post(f"{BASE_URL}/transformations/execute", json={
    "transformation_id": transform["id"],
    "input_text": "...",
    "model_id": "model_id_here"
}).json()

支持的 AI 提供商

Open Notebook 通过 Esperanto library 支持 16+ 个 AI 提供商：

环境变量

Docker 部署的关键配置变量：

API 参考

REST API 可在 http://localhost:5055/api 使用，交互式文档位于 /docs。

核心 endpoint 分组：

• /api/notebooks - Notebook CRUD 和来源关联
• /api/sources - 来源摄取、处理和检索
• /api/notes - 笔记管理
• /api/chat/sessions - 聊天会话管理
• /api/chat/execute - 聊天消息执行
• /api/search - 全文和向量搜索
• /api/podcasts - 播客生成和管理
• /api/transformations - 内容转换流水线
• /api/models - AI 模型配置和发现
• /api/credentials - 提供商凭据管理

完整 API 参考（包含所有 endpoints 以及 request/response formats）见 references/api_reference.md。

架构

Open Notebook 使用现代技术栈：

• 后端： Python 与 FastAPI
• 数据库： SurrealDB（文档 + 关系型）
• AI 集成： LangChain 与 Esperanto multi-provider library
• 前端： Next.js 与 React
• 部署： Docker Compose 与持久化卷

重要注意事项

• Open Notebook 需要 Docker 才能部署
• 必须配置至少一个 AI 提供商，AI 功能才能工作
• 若要无需 API 成本进行免费的本地推理，请使用 Ollama
• OPEN_NOTEBOOK_ENCRYPTION_KEY 必须在首次启动前设置，并在重启之间保持一致
• 所有数据都本地存储在 Docker volumes 中，以实现完整数据主权