Open Notebook vs NotebookLM：一个营销人同时用 30 天后的真实对比
目录
我差点用 NotebookLM 给客户交一份竞品拆解报告。47 份 PDF 我已经全部上传，12 份里包含他们合作代理提供的内部销售草稿——交给 Google 服务器之后，Google 自己的模型就能拿去学习，再吐给其他 NotebookLM 用户。研究产物本身没问题，数据卫生是另一回事。
那天晚上我在 Mac 上的 Docker 里装好了 Open Notebook。同样的心智模型：notebook、source、聊天、播客生成按钮。但 AI 跑的是我自己的 Anthropic key，embedding（向量索引）存在我本地硬盘上。30 天之后，我把两个工具放在同一批真实营销研究里对比过一轮——结果跟它们各自的营销页说得不太一样。对营销团队来说，正确的答案几乎永远是：两个都用，各管各的活。
NotebookLM 到底是什么
NotebookLM 是 Google 出的免费、浏览器端的研究 notebook。建一个 notebook，最多塞 50 个 source（PDF、Google Doc、网页、YouTube 链接、复制粘贴的文本、音频），然后跟它们对话。每条回答都会精确引用来源 PDF 的具体页码。点一下"Audio Overview"，两个 AI 主持人会把你上传的资料变成一段 10 分钟的播客，通勤路上听。
它快、免费、UX（用户体验）真的好，源材料溯源功能是所有其他 AI 研究工具都梦寐以求的。我用了一年，口碑是它自己挣来的。
真正的代价，是你跟 Google 签的那笔隐式交易：你的源材料上传到 Google 的服务器、用 Google 的模型处理、音频播客用 Google 的 TTS（语音合成）。你免费得到这一切，代价是把上传的内容托付给 Google。公开的竞品报告没问题；未经脱敏的客户访谈记录、合同草稿、并购简报、受 NDA（保密协议）约束的任何东西——不行。
Open Notebook 到底是什么
Open Notebook 是 Luis Novo（GitHub 上叫 lfnovo）和一帮社区贡献者做的开源、可自托管版本，同样的核心想法。Docker 跑在你的笔记本、家庭实验室或者一台便宜的 VPS（虚拟主机）上。心智模型一致：notebook、source、chat、note、transformation、播客生成。文档粗糙些，UX 打磨也少，但骨架在，而且在某些维度上功能反而更靠前。
AI 你自己带。Open Notebook 官方支持 16+ 家供应商：OpenAI、Anthropic、Google、Groq、Mistral、DeepSeek、Ollama、LM Studio、OpenRouter，等等。embedding、聊天、播客 TTS 全部可以接你自己的。要快用 GPT-4o，要细腻用 Claude Sonnet，要数据不出门用 Ollama 跑 Llama 3.3——每个 notebook 都能自己决定。
存储也是你的。源材料、note、embedding、聊天历史全部存在你自己控制的 Postgres 数据库和文件目录里。不存在一家"Open Notebook 公司"在收你的数据，因为根本没有这家公司。MIT 协议。
真正重要的几个维度，正面比一比
| 维度 | NotebookLM | Open Notebook | 谁赢 |
|---|---|---|---|
| 拿到第一条可用答案的时间 | ~2 分钟（登录、丢文件） | ~30–60 分钟（Docker、provider key、环境变量） | NotebookLM |
| 源材料溯源质量 | 行业最佳——干净的页码内联引用 | 不错，引用在改进但没那么精致 | NotebookLM |
| 音频播客 | 10 分钟"Deep Dive"播客是真能用的成品 | 支持 1–4 个角色、自定义音色；输出稍粗 | NotebookLM 赢打磨，Open Notebook 赢可控 |
| AI 模型选择 | 只能用 Google 的模型 | 16+ 供应商，BYO（自带）key，包括本地 Ollama | Open Notebook |
| 数据隐私 | Google 服务器，Google 的条款 | 自托管，你的服务器，你的数据 | Open Notebook |
| Notebook 组织 | 一个 source 只能属于一个 notebook（可以手动加到多个，但得一个一个加） | 同一个 source 设计上就能属于多个 notebook | Open Notebook |
| Transformation（背后的提示词） | 锁死——看不到、改不了 | 完全可编辑——每条提示词都是你能改的文本文件 | Open Notebook |
| 自定义提示词 / 工作流 | 有限（只能写 custom instructions） | 无限——建 transformation、串起来、存成模板 | Open Notebook |
| REST API | 没有 | 完整 REST API，可以自动化 | Open Notebook |
| 打磨度 / UX | Google 级 | 能用，偶尔有毛刺 | NotebookLM |
| 成本 | 免费（目前） | 软件免费 + 你按 token 付给你的 AI 供应商 | 平手，看用量 |
| 单 notebook source 上限 | 50（免费）/ 300（付费） | 无限（就是个数据库） | Open Notebook |
我 30 天之后分别拿它们干什么
经过 30 天的真实使用，分工就清楚了。
NotebookLM 是我"丢一堆 source 进去，5 分钟拿一条带引用的答案"的工具。客户发来 12 份行业报告问"分析师共识怎么看 X"——开 NotebookLM。Audio Overview 对冷启动研究真的有用：让两个 AI 主持人就某个市场聊 8 分钟，我边听边记笔记，回头再追问。它 50 个 source 的上限我从来没真撞上过；超过 30 的时候问题本身就已经过宽，我应该拆成多个 notebook。
Open Notebook 是我打开来处理任何我不愿意放进 Google Doc 的东西。B2B SaaS 客户的 5 份客户访谈记录？Open Notebook 跑在 VPS 上、Anthropic key、数据永远不进任何第三方的训练管道。一份竞品拆解里包含对方发错的内部销售培训材料？Open Notebook。通过 Make.com 工作流每周抓 80 个竞品定价页、直接推给 Open Notebook 的 API？Open Notebook——API 才是这条管线存在的理由。
Open Notebook 的 transformation 才是更深的故事。NotebookLM 的"Summary"按钮是 Google 替你决定你想要什么。Open Notebook 装了同样的默认功能，但驱动它们的每一条提示词都是源码里可编辑的文本文件。我把默认的摘要 transformation 改写成了结构化 markdown 模板——分三段："需要我亲自核实的事实"、"可以直接用的事实"、"含糊到不能用的"。
5 分钟改完一次之后，每个 notebook 跑出来的研究只需要轻量编辑就能直接发出去。这事在 NotebookLM 上根本做不了。
到底该选谁
选 NotebookLM，如果你：
- 源材料是公开的或者低敏感度（行业报告、公开的竞品 PDF、你自己已发布的内容）
- 想要零安装、零运维（ops）、打磨过的 UX
- 主要想要 Audio Overview 做冷启动研究
- 你是独立营销人或小团队，"免费"比"可配置"重要
选 Open Notebook，如果你：
- 处理客户数据、NDA、或任何受数据处理协议约束的内容
- 想在同一个 notebook 上混用 Claude、GPT-4o 或者本地 Llama
- 有可复用的研究工作流想固化下来（transformation + API 是真正的杀手锏）
- 你是 3 人以上的营销团队，需要跑在自己服务器上的共享基础设施
- 你担心 Google 哪天砍掉一个你已经在上面搭了工作流的产品（历史告诉你该担心——NotebookLM 还在，但 Google 已经送走了 Stadia、Google+，以及一堆有人拿来做生意的东西）
像我一样两个都用。 一次性、快周转、不敏感的研究问题丢给 NotebookLM——5 分钟拿答案、打磨过的 UX 是它的活。任何源材料敏感、工作流可复用、或者要拼进更大管线的场景用 Open Notebook。它们是同一架梯子的不同横档，梯子本身才是真正重要的。
两个工具都还没做好的事
两个工具都不擅长一件很可能定义未来一年 AI 研究工具的事：跨项目、跨时间的结构化、可复用研究。NotebookLM 一个 notebook 一个话题，意味着每个研究问题是一座孤岛；Open Notebook 允许交叉引用，但不会主动跨 notebook 浮现模式——除非你自己搭工作流。
我希望在 2027 年用的那套营销系统，能让我直接问："过去 18 个月我做过的所有竞品拆解里，反复出现的定位模式是什么？"工具要能直接答得上来。两个今天都做不到。 但再加几个功能两个都能做到。这场赛跑已经开始了，而开源的那个是我会押注——定制化会先在那里落地。
资料来源：