Open Notebook: o caderno de pesquisa com IA auto-hospedado

#A ideia: um caderno de pesquisa assistido

Um caderno reúne fontes: PDFs, páginas web, vídeos do YouTube, arquivos de áudio, documentos do Office. A ferramenta indexa essas fontes, permite consultá-las em linguagem natural e, principalmente, produzir objetos derivados — resumos, sínteses cruzadas, anotações, podcasts com múltiplas vozes — que permanecem vinculados às suas fontes. O projeto se apresenta como uma alternativa privada, com suporte a múltiplos modelos e 100% local, totalmente funcional, ao Notebook LM.

A diferença em relação a um simples assistente de documentos está na ideia de caderno: você não faz uma pergunta isolada a um corpus, mas cria um dossiê sobre um tema e trabalha nele ao longo do tempo, com vários cadernos para diferentes projetos de pesquisa em paralelo, cada um com suas próprias fontes e seu próprio histórico.

#O que muda na versão local

As fontes não iniciam

Documentos confidenciais, arquivos de clientes, materiais sob embargo: o processamento permanece na sua máquina se você escolher fornecedores locais (Ollama, LM Studio, ou oMLX no Apple Silicon).

Escolha do modelo

18 fornecedores suportados nativamente — OpenAI, Anthropic, Google, Mistral, Groq, xAI, DeepSeek, Ollama, LM Studio, OpenRouter e outros — via a biblioteca Esperanto do mesmo autor. É você quem decide, fornecedor a fornecedor.

Sem limites arbitrários

O número de cadernos e fontes depende do seu disco, não de um plano tarifário; o custo real se limita ao uso das APIs que você escolher conectar.

Em troca, a exploração

É um serviço Docker (backend Python/FastAPI, interface Next.js/React, banco de dados SurrealDB) que você precisa instalar, manter com backups e atualizar. É a contrapartida habitual da auto-hospedagem.

#O que o Open Notebook faz a mais que o NotebookLM

O repositório oficial publica uma tabela comparativa direta com o Google NotebookLM. Em vários pontos, a diferença não é apenas “é local”: o número de vozes dos podcasts gerados, o acesso à API e as transformações de conteúdo personalizáveis vão além do que a ferramenta do Google oferece.

Esse último ponto merece ser mencionado com honestidade: o próprio projeto reconhece, em seu comparativo publicado no GitHub, que suas citações são, por enquanto, mais básicas do que as do NotebookLM. Portanto, não é um substituto superior em todos os aspectos — é uma escolha que envolve concessões e se torna favorável quando a confidencialidade, a escolha do modelo, a automação por API ou a geração de podcasts importam mais do que o refinamento das citações exibidas na tela.

Podcasts com perfis de episódio

Debate, aula expositiva, entrevista, explicação para iniciantes ou para especialistas: a estrutura do episódio é configurável, ao contrário do formato único "deep dive" do NotebookLM.

Suporte a modelos de raciocínio

Suporte completo a modelos "thinking" como DeepSeek-R1 ou Qwen3, útil para sínteses que exigem várias etapas de reflexão.

Transformações de conteúdo

Ações personalizáveis para resumir, extrair insights ou reformular, indo além do simples resumo automático.

Proteção por senha

Útil para uma implantação exposta publicamente, além do controle detalhado sobre o que é compartilhado com cada modelo.

#Instalar localmente, com ou sem Ollama

A implantação documentada consiste em três etapas: obter o docker-compose.yml oficial, inserir as chaves de API desejadas na interface (sem necessidade de editar um arquivo de configuração manualmente) e, em seguida, iniciar os serviços. O único pré-requisito anunciado é o Docker Desktop.

1. 01
   Obter o arquivo de serviço

   curl -o docker-compose.yml https://raw.githubusercontent.com/lfnovo/open-notebook/main/docker-compose.yml, ou copier le contenu manuellement depuis le dépôt.
2. 02
   Escolher a variante 100% local se necessário

   O repositório fornece um arquivo separado, examples/docker-compose-ollama.yml, que adiciona Ollama como provedor padrão para não enviar nada para a internet.
3. 03
   Iniciar e configurar

   docker compose up -d, puis ouvrir l'interface locale et renseigner les clés d'API des fournisseurs distants éventuels ; aucune clé n'est nécessaire pour un usage 100 % Ollama.

A documentação oficial oferece dois caminhos distintos de acordo com o perfil: um « Quick Start with OpenAI » para estar operacional em cinco minutos com um provedor remoto, e um guia « Run It Fully Local » dedicado ao Ollama e ao LM Studio para uso inteiramente privado desde a instalação. A API REST completa, por sua vez, disponibiliza sua própria documentação interativa na porta local 5055, útil para conectar o caderno a um script ou a uma automação existente, em vez de fazer tudo pela interface web.

#Três formas de usá-lo na prática

O projeto organiza o trabalho em vários cadernos independentes (« Multi-Notebook Organization »), cada um com suas próprias fontes, anotações e histórico de discussão. Três usos são os mais comuns entre os usuários que documentam sua migração do NotebookLM.

Revisão de literatura

Um caderno por tema de pesquisa, dezenas de PDFs adicionados ao longo das leituras, uma transformação de conteúdo personalizada para extrair sistematicamente métodos, resultados e limitações de cada artigo.

Acompanhamento e anotações de reuniões

Transcrições adicionadas regularmente, uma conversa contextual para localizar « o que foi decidido sobre X em março » e um podcast de síntese para ouvir enquanto você realiza outras tarefas.

Documentação do produto ou suporte ao cliente

Toda a documentação interna em um caderno dedicado, consultada em linguagem natural pela equipe, com um provedor local para não transmitir documentos internos ou procedimentos sensíveis para um serviço de terceiros hospedado em outro local.

O que diferencia esses usos de um simples bate-papo com um modelo é que cada resposta permanece ancorada nas fontes do caderno ativo: mudar de caderno altera o contexto disponível, sem precisar recarregar ou reexplicar nada para o modelo. O controle fino do que é compartilhado com o modelo — um subconjunto de fontes em vez do caderno inteiro — também permite limitar o contexto enviado, reduzindo assim a latência e o custo, em um caderno voluminoso.

#Como usar na prática

1. 01
   Um caderno por tema, não um caderno para tudo

   A qualidade das respostas cai quando um caderno mistura assuntos sem relação: os trechos mais próximos de uma pergunta começam a vir de outros assuntos.
2. 02
   Adicionar as fontes progressivamente

   E verificar o que a ferramenta realmente extraiu de cada uma. Um PDF escaneado sem camada de texto é indexado sem conteúdo, independentemente do mecanismo de busca usado por trás.
3. 03
   Configurar um modelo de embedding adequado

   É ele quem decide o que a pesquisa encontra, muito mais do que o modelo que redige. Para documentos em francês, ele deve ser multilíngue; Ollama, Google e Mistral oferecem embeddings na matriz de fornecedores do projeto.
4. 04
   Exigir citações, com suas limitações em mente

   Uma resposta sem fonte não é verificável. O projeto mesmo anuncia citações ainda básicas: verificar a fonte citada continua indispensável antes de reproduzir um resultado tal qual.

#As limitações, incluindo aquelas que o próprio projeto reconhece

A qualidade vem do modelo

Um pequeno modelo local produz resumos pouco elaborados. A ferramenta organiza o trabalho, mas não substitui a capacidade de síntese — daí a importância do suporte a modelos de raciocínio para tarefas complexas.

As citações ainda são básicas

O próprio comparativo do projeto afirma: menos completos do que os da NotebookLM, com melhoria anunciada mas sem data definida.

As fontes de áudio e vídeo exigem transcrição

Assegurada conforme o fornecedor escolhido (Whisper via APIs, Deepgram ou um mecanismo local como o Faster-Whisper em uma etapa anterior), mas é uma etapa adicional de processamento.

Projeto jovem e ativo

O repositório foi criado no final de 2024 e evolui rapidamente; confira as funcionalidades anunciadas para a versão que você está instalando no CHANGELOG e nas releases do GitHub, em vez de se basear em um artigo.

Nem todos os fornecedores fazem tudo

A matriz publicada pelo projeto distingue quatro capacidades por fornecedor — LLM, embedding, transcrição e síntese de voz — e poucos fornecedores oferecem todas elas. Anthropic e Groq, por exemplo, não oferecem embedding no Open Notebook: muitas vezes é necessário combinar dois fornecedores, um para redigir e outro para indexar ou transcrever.

#Open Notebook ou um RAG clássico

• AnythingLLM: RAG local pronto para produção
• O modelo de embedding decide o que será encontrado
• Preparar adequadamente PDFs antes da indexação
• Transcrever fontes de áudio antes de adicioná-las ao caderno
• Fonte: repositório oficial do GitHub do Open Notebook
• Fonte: arquivo oficial docker-compose.yml
• Fonte: biblioteca Esperanto (camada com vários provedores)

#FAQ