Mittelstufe 11 Min.Werkzeuge

Open Notebook: das KI-Forschungsnotizbuch selbst gehostet

Direkte Antwort

Open Notebook (lfnovo/open-notebook, MIT-Lizenz) ist ein selbst gehostetes, KI-gestütztes Forschungsnotizbuch: Sie sammeln PDFs, Webseiten oder Audiodateien, das Tool indexiert sie und beantwortet anschließend Fragen unter Angabe seiner Quellen. Es lässt sich mit 18 Anbietern Ihrer Wahl verbinden, darunter Ollama für den lokalen Betrieb, und erzeugt über anpassbare Episodenprofile Podcasts mit mehreren Stimmen (1 bis 4), während NotebookLM die Audioausgabe auf zwei feste Stimmen beschränkt.

Open Notebook greift die Idee des KI-gestützten Forschungsnotizbuchs Google NotebookLM auf – Quellen sammeln, Fragen dazu stellen und daraus Notizen und Podcasts erstellen – und setzt sie in einem Open-Source-Projekt um (Repository lfnovo/open-notebook, MIT-Lizenz), das man selbst hostet und mit einem Modell seiner Wahl verbindet. Für alle, die das Online-Pendant ausprobiert haben und bei der Frage „Wohin werden meine Dokumente übertragen?“ nicht weitergegangen sind, bietet es dasselbe Versprechen ohne die Datenübertragung – und nebenbei Funktionen, die Googles Version nicht hat.

Von Mohamed Meguedmi·Aktualisierung 2026-09-29·Unter Windows, macOS und Linux getestet

#Die Idee: ein Forschungsnotizbuch mit Assistenzfunktion

Ein Notizbuch bündelt Quellen: PDF-Dateien, Webseiten, YouTube-Videos, Audiodateien und Office-Dokumente. Das Tool indexiert sie, ermöglicht es, sie in natürlicher Sprache zu befragen, und vor allem, daraus weitere Inhalte zu erstellen – Zusammenfassungen, quellenübergreifende Synthesen, Notizen und Podcasts mit mehreren Stimmen –, die mit ihren Quellen verknüpft bleiben. Das Projekt bezeichnet sich selbst als private, vollständig funktionsfähige Alternative zu Notebook LM, die mehrere Modelle unterstützt und zu 100 % lokal läuft.

Der Unterschied zu einem einfachen Dokumentenassistenten liegt in diesem Notizbuchkonzept: Sie stellen keine isolierte Frage zu einem Korpus, sondern legen eine Sammlung zu einem Thema an und arbeiten über längere Zeit darin. Für mehrere parallele Forschungsprojekte nutzen Sie mehrere Notizbücher, jedes mit eigenen Quellen und einem eigenen Verlauf.

#Was die lokale Version verändert

Das RAG-Local-Kit

Ihre Dokumente, Ihre KI: ein zuverlässiges lokales RAG für Ihre PDFs, Notizen und E-Mails – ohne Daten in die Cloud zu senden.

  • Lebenslanger Online-Zugang
  • PDF + Dateien
  • Erstattung binnen 30 Tagen
Das RAG-Local-Kit →oder alle Pakete lebenslang — 49 € →
Quellen starten nicht
Vertrauliche Dokumente, Kundenakten, Materialien unter Embargo: Die Verarbeitung bleibt auf Ihrem Rechner, wenn Sie lokale Anbieter wählen (Ollama, LM Studio oder oMLX auf Apple Silicon).
Die Auswahl des Modells
18 Anbieter werden nativ unterstützt — OpenAI, Anthropic, Google, Mistral, Groq, xAI, DeepSeek, Ollama, LM Studio, OpenRouter und andere — über die Bibliothek Esperanto des gleichen Autors. Es liegt an Ihnen, Anbieter für Anbieter zu entscheiden.
Keine willkürlichen Grenzen
Die Anzahl der Notizbücher und Quellen hängt von Ihrem Festplattenspeicher ab, nicht von einer Tarifstufe; die tatsächlichen Kosten beschränken sich auf die Nutzung der APIs, die Sie anbinden möchten.
Im Austausch für die Ausnutzung
Das ist ein Docker-Dienst (Python/FastAPI-Backend, Next.js/React-Oberfläche, SurrealDB-Datenbank), den Sie installieren, sichern und aktualisieren müssen. Der übliche Aufwand beim Selbsthosting.

#Was Open Notebook zusätzlich zu NotebookLM bietet

Das offizielle Repository veröffentlicht eine Tabelle zum direkten Vergleich mit Google NotebookLM. In mehreren Punkten besteht der Unterschied nicht nur darin, dass das Tool lokal läuft: Die Anzahl der Stimmen in den generierten Podcasts, der API-Zugriff und die anpassbaren Inhaltstransformationen gehen über das Angebot des Google-Tools hinaus.

Vom Projekt veröffentlichter Vergleich (GitHub-Repository, Tabelle „Open Notebook vs Google Notebook LM“)
KriteriumOpen NotebookGoogle NotebookLM
KI-AnbieterÜber 18 zur Auswahl (darunter Ollama und LM Studio)Ausschließlich Google-Modelle
Stimme des generierten Podcasts1 bis 4, anpassbare Episodenprofile2 feste Stimmen, festes Format
API-ZugriffVollständige REST-APIKeine API
DeploymentDocker, Cloud oder lokalAusschließlich von Google gehostet
QuellenangabenEinfache Quellenverweise (das Projekt kündigt an, sie verbessern zu wollen)Vollständige Zitate, präziser formuliert

Dieser letzte Punkt sollte offen angesprochen werden: Das Projekt räumt selbst in seinem eigenen, auf GitHub veröffentlichten Vergleich ein, dass seine Quellenangaben derzeit einfacher gehalten sind als die von NotebookLM. Es ist also kein Ersatz, der in jeder Hinsicht überlegen ist – sondern ein Kompromiss, der sich lohnt, sobald Vertraulichkeit, Modellwahl, Automatisierung per API oder Podcast-Erstellung stärker ins Gewicht fallen als die Feinheiten der Qualität der auf dem Bildschirm angezeigten Quellenangaben.

Podcasts mit Episodenprofilen
Debatte, Vorlesung, Interview, Erklärung für Anfänger oder Experten: Die Struktur der Episode lässt sich konfigurieren, anders als bei NotebookLM mit seinem einzigen Format „deep dive“.
Unterstützung von Reasoning-Modellen
Vollständige Unterstützung von „Thinking“-Modellen wie DeepSeek-R1 oder Qwen3, nützlich für zusammenfassende Darstellungen, die mehrere Denkschritte erfordern.
Umwandlung von Inhalten
Anpassbare Aktionen zum Zusammenfassen, Extrahieren von Erkenntnissen oder Umformulieren, über das einfache automatische Zusammenfassen hinaus.
Passwortschutz
Nützlich für eine öffentlich zugängliche Bereitstellung, zusätzlich zur präzisen Kontrolle darüber, was mit jedem Modell geteilt wird.

#Lokal installieren, mit oder ohne Ollama

Die dokumentierte Bereitstellung erfolgt in drei Schritten: die offizielle Datei docker-compose.yml herunterladen, die gewünschten API-Schlüssel in der Benutzeroberfläche eintragen (keine Konfigurationsdatei muss von Hand bearbeitet werden) und anschließend die Dienste starten. Als einzige Voraussetzung wird Docker Desktop genannt.

  1. 01
    Die Dienstdatei abrufen
    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
    Die lokale Variante 100 % lokal wählen, falls erforderlich
    Das Repository stellt eine separate Datei bereit, examples/docker-compose-ollama.yml, die Ollama als Standardanbieter hinzufügt, damit nichts über das Internet gesendet wird.
  3. 03
    Starten und konfigurieren
    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.
i
Datenbank und technischer Stack
Open Notebook setzt auf SurrealDB für die relationale und vektorielle Speicherung, ein Python/FastAPI-Backend und eine Next.js/React-Benutzeroberfläche. Auf Apple Silicon ist der native oMLX-Anbieter aus Leistungsgründen einem einfachen OpenAI-kompatiblen Endpunkt vorzuziehen.

Die offizielle Dokumentation bietet je nach Nutzerprofil zwei unterschiedliche Einstiegswege: einen „Quick Start with OpenAI“, mit dem Sie in fünf Minuten über einen entfernten Anbieter loslegen können, und einen Leitfaden „Run It Fully Local“ für Ollama und LM Studio, der eine vollständig private Nutzung ab der Installation ermöglicht. Die vollständige REST-API stellt wiederum ihre eigene interaktive Dokumentation auf dem lokalen Port 5055 bereit. Diese hilft dabei, das Notizbuch an ein bestehendes Skript oder eine bestehende Automatisierung anzubinden, statt alles über die Weboberfläche zu erledigen.

#Drei praktische Wege, es zu nutzen

Das Projekt organisiert die Arbeit in mehreren unabhängigen Notizbüchern („Multi-Notebook Organization“), jeweils mit eigenen Quellen, eigenen Notizen und einem eigenen Gesprächsverlauf. Drei Anwendungsfälle kommen bei Nutzern, die ihre Migration von NotebookLM dokumentieren, am häufigsten vor.

Literaturübersicht
Ein Notizbuch pro Forschungsthema, Dutzende PDF-Dateien, die nach und nach beim Lesen hinzugefügt werden, und eine individuell angepasste Inhaltsverarbeitung, um aus jedem Artikel systematisch Methode, Ergebnisse und Grenzen zu extrahieren.
Informationsmonitoring und Besprechungsnotizen
Regelmäßig hinzugefügte Transkriptionen, ein kontextbezogener Dialog, um herauszufinden, „was im März zu X beschlossen wurde“, und ein zusammenfassender Podcast, den Sie neben anderen Aufgaben anhören können.
Produkt-Dokumentation oder Kundendienst
Die gesamte interne Dokumentation in einem eigenen Notizbuch, das das Team in natürlicher Sprache abfragt, mit einem lokalen Anbieter, damit interne Dokumente oder sensible Verfahren nicht an einen andernorts gehosteten Dienst eines Drittanbieters übermittelt werden.

Was diese Anwendungen von einem einfachen Chat mit einem Modell unterscheidet, ist, dass jede Antwort auf den Quellen des aktiven Notizbuchs basiert: Ein Wechsel des Notizbuchs verändert den verfügbaren Kontext, ohne dass Sie dem Modell etwas erneut laden oder erklären müssen. Die genaue Kontrolle darüber, was mit dem Modell geteilt wird – eine Teilmenge der Quellen statt des gesamten Notizbuchs –, ermöglicht es bei einem umfangreichen Notizbuch außerdem, den übermittelten Kontext und damit die Latenz und die Kosten zu begrenzen.

#Wie man es tatsächlich verwendet

  1. 01
    Ein Notizbuch pro Thema, kein Notizbuch für alles
    Die Qualität der Antworten sinkt, wenn ein Notebook Themen vermischt, die nichts miteinander zu tun haben: Die Passagen, die einer Frage am nächsten kommen, stammen dann zunehmend aus anderen Themenbereichen.
  2. 02
    Quellen schrittweise hinzufügen
    Und überprüfen, was das Tool tatsächlich aus jeder Quelle extrahiert hat. Eine gescannte PDF-Datei ohne Textebene wird ohne Inhalt indexiert, unabhängig davon, welche Suchmaschine im Hintergrund verwendet wird.
  3. 03
    Ein geeignetes Embedding-Modell konfigurieren
    Dieses Modell bestimmt, was die Suche findet, weit stärker als das Modell, das den Text verfasst. Für französischsprachige Dokumente muss es mehrsprachig sein; in der Anbietermatrix des Projekts sind Embeddings von Ollama, Google und Mistral aufgeführt.
  4. 04
    Quellenangaben verlangen und dabei ihre Grenzen im Blick behalten
    Eine Antwort ohne Quelle ist nicht überprüfbar. Das Projekt weist selbst darauf hin, dass seine Quellenangaben noch rudimentär sind: Die zitierte Quelle zu prüfen, bleibt unerlässlich, bevor ein Ergebnis unverändert übernommen wird.
!
Zwei Modelle, nicht eines
Wie bei jedem Tool dieser Art braucht man ein Konversationsmodell zum Verfassen von Texten und ein Embedding-Modell zum Indexieren. Das zweite Modell zu vergessen, ist die häufigste Ursache dafür, dass ein Notizbuch an der Frage vorbeigeht, obwohl die Quelle die Antwort enthält.

#Die Grenzen, einschließlich jener, die das Projekt selbst anerkennt

Die Qualität kommt vom Modell
Ein kleines lokales Modell liefert oberflächliche Zusammenfassungen. Das Tool organisiert die Arbeit, ersetzt aber nicht die Fähigkeit, Inhalte zusammenzuführen – daher der Nutzen der Unterstützung von Reasoning-Modellen für komplexe Aufgaben.
Die Quellenangaben sind noch rudimentär
Der Vergleich des Projekts selbst sagt es: weniger ausgereift als die von NotebookLM, mit einer angekündigten Verbesserung, für die noch kein Termin genannt wurde.
Audio- und Videoquellen erfordern eine Transkription
Je nach gewähltem Anbieter gewährleistet (Whisper über APIs, Deepgram oder eine vorgeschaltete lokale Engine wie Faster-Whisper), allerdings ist dafür ein zusätzlicher Rechenschritt nötig.
Junges und aktives Projekt
Das Repository wurde Ende 2024 gestartet und entwickelt sich schnell weiter; überprüfen Sie die angekündigten Funktionen anhand der Version, die Sie installieren (CHANGELOG, GitHub-Releases), statt sich auf einen Artikel zu verlassen.
Nicht alle Anbieter bieten alles an
Die vom Projekt veröffentlichte Matrix unterscheidet vier Fähigkeiten pro Anbieter – LLM, Embedding, Transkription und Sprachsynthese – und nur wenige Anbieter decken alle vier ab. Anthropic und Groq bieten beispielsweise in Open Notebook keine Embeddings an: Oft müssen zwei Anbieter kombiniert werden, einer für die Texterstellung und ein anderer für die Indexierung oder Transkription.

#Open Notebook oder ein klassischer RAG

Zwei Möglichkeiten, Dokumente abzufragen
BedarfTool
Eine Materialsammlung zu einem Thema anlegen und darin arbeiten, mit einem zusammenfassenden PodcastOpen Notebook
Fragen anhand der Dokumentenbasis eines Unternehmens beantwortenEine spezialisierte RAG-Anwendung (z. B. AnythingLLM)
Die Dokumentenrecherche in eine Anwendung integrierenEine RAG-Kette, die Sie selbst schreiben und mit Ihren eigenen Embeddings verwenden
Mit einigen PDF-Dateien diskutieren, ohne zusätzliche Installationen vorzunehmenEine All-in-One-Desktopanwendung

#FAQ

Ist Open Notebook kostenlos?+
Die Software ist ein freies Projekt unter der MIT-Lizenz, das Sie ohne Lizenzgebühren selbst hosten können. Etwaige Kosten entstehen ausschließlich durch entfernte KI-Anbieter, die Sie anbinden möchten (sie werden von diesen Anbietern berechnet, nicht vom Projekt). Mit lokalem Ollama für die Unterhaltung und die Embeddings bleibt die gesamte Nutzung kostenlos, abgesehen vom Strom.
Funktioniert es vollständig offline?+
Ja, mit der vom Projekt bereitgestellten Datei docker-compose-ollama.yml, die Ollama als Standardanbieter für Konversationen und Embeddings konfiguriert, und mit Quellen, die bereits auf dem Rechner vorhanden sind. In dieser Konfiguration werden keine Daten ins Internet gesendet, auch nicht bei der Erstellung von Podcasts, sofern das gewählte Sprachsynthesemodell lokal ist.
Wie viele Stimmen hat ein generierter Podcast?+
Eine bis vier Stimmen, mit anpassbaren Episodenprofilen: Debatte, Vorlesung, Interview, Erklärung für Anfänger oder für Experten. Das ist flexibler als das Format mit zwei festen Stimmen von Google NotebookLM, laut dem Vergleich, den das Projekt selbst in seinem eigenen GitHub-Repository veröffentlicht hat.
Zitieren die Antworten tatsächlich ihre Quellen?+
Ja, jede Antwort stützt sich auf die Quellen des aktiven Notizbuchs. Das Projekt selbst bezeichnet seine Quellenangaben jedoch im Vergleich zu denen von NotebookLM als „einfach“ und hat eine Verbesserung ohne konkreten Termin angekündigt. Die zitierte Quelle muss weiterhin überprüft werden, bevor Sie ein Ergebnis ohne weitere Durchsicht übernehmen, insbesondere bei beruflicher Nutzung.
Warum ignorieren meine Antworten den Inhalt einer Quelle?+
Meist liegt es an einem gescannten PDF ohne Textebene, das ohne Inhalt indexiert wurde, oder an einem Embedding-Modell, das für die Sprache des Dokuments ungeeignet ist. Prüfen Sie die Anbietermatrix des Projekts: Nicht alle Anbieter unterstützen Embeddings, manche nur Chat; Anthropic beispielsweise bietet in Open Notebook keine Embeddings an.
Braucht man eine Grafikkarte?+
Für die Anwendung selbst nicht: Sie ist ein schlanker Docker-Dienst (Python/FastAPI, Next.js, SurrealDB). Bei den Modellen, die sie lokal über Ollama oder LM Studio nutzt, hängt es von deren Größe ab — das Modell bestimmt die benötigte Hardware, nicht das Notizbuch selbst oder seine Benutzeroberfläche.
Welche Unterschiede gibt es zu einem RAG, das ich selbst entwickeln würde?+
Open Notebook bietet die Benutzeroberfläche, die Indexierung mehrerer Formate, die Auswahl aus 18 Anbietern und die Erstellung direkt nutzbarer Podcasts sowie eine REST-API zur Automatisierung. Eine selbst entwickelte RAG-Pipeline bietet detailliertere Kontrolle, erfordert aber, alles selbst aufzubauen: Indexierung, Suche, Benutzeroberfläche und Quellenverfolgung.
Hat Ihnen dieser Guide geholfen?

Haben Sie Feedback, einen Fehler entdeckt oder möchten Sie etwas präzisieren? Geben Sie uns Bescheid – so wird der Guide für alle besser.