Intermedio 11 minHerramientas

Open Notebook: cuaderno de investigación IA autohospedado

Respuesta directa

Open Notebook (lfnovo/open-notebook, licencia MIT) es un cuaderno de investigación autoalojado y asistido por IA: se reúnen archivos PDF, páginas web o audios, la herramienta los indexa y después responde citando sus fuentes. Se conecta a 18 proveedores entre los que puedes elegir, incluido Ollama en local, y genera podcasts con varias voces (de 1 a 4) mediante perfiles de episodio personalizables, mientras que NotebookLM limita el audio a dos voces fijas.

Open Notebook retoma la idea del cuaderno de investigación asistido por IA de Google NotebookLM —reunir fuentes, consultarlas, extraer notas y podcasts— en un proyecto de código abierto (repositorio lfnovo/open-notebook, licencia MIT) que alojas tú mismo y conectas al modelo que elijas. Para quien haya probado el equivalente en línea y se haya detenido ante la pregunta «¿adónde van mis documentos?», ofrece la misma promesa sin la transferencia, además de funciones que la versión de Google no tiene.

Por Mohamed Meguedmi·Actualización 2026-09-29·Probado en Windows, macOS y Linux

#La idea: un cuaderno de investigación asistido

Un cuaderno agrupa fuentes: archivos PDF, páginas web, vídeos de YouTube, archivos de audio y documentos de Office. La herramienta las indexa, permite consultarlas en lenguaje natural y, sobre todo, generar contenidos derivados —resúmenes, síntesis cruzadas, notas, podcasts con varias voces— que permanecen vinculados a sus fuentes. El propio proyecto se presenta como una alternativa privada, multimodelo, 100 % local y completamente funcional a Notebook LM.

La diferencia con un simple asistente documental radica en esta noción de cuaderno: no se plantea una pregunta aislada a un corpus, sino que se crea un dossier sobre un tema y se trabaja en él a lo largo del tiempo, con varios cuadernos para varios proyectos de investigación en paralelo, cada uno con sus propias fuentes y su propio historial.

#Lo que cambia la versión local

El kit RAG Local

Tus documentos, tu IA: un RAG local fiable sobre tus PDF, notas y correos — sin enviar nada a la nube.

  • Espacio en línea de por vida
  • PDF + archivos
  • Reembolsado 30 j
El kit RAG Local →o todos los kits de por vida — 49 € →
Las fuentes no salen
Documentos confidenciales, expedientes de clientes, materiales bajo embargo: el procesamiento permanece en tu máquina si eliges proveedores locales (Ollama, LM Studio u oMLX en Apple Silicon).
La elección del modelo
18 proveedores compatibles de forma nativa —OpenAI, Anthropic, Google, Mistral, Groq, xAI, DeepSeek, Ollama, LM Studio, OpenRouter y otros— a través de la biblioteca Esperanto del mismo autor. Tú decides, proveedor por proveedor.
Sin límites arbitrarios
El número de cuadernos y fuentes depende de tu disco, no de un plan tarifario; el costo real se limita al uso de las API que elijas conectar.
A cambio, la explotación
Es un servicio Docker (backend en Python/FastAPI, interfaz en Next.js/React, base de datos SurrealDB) que debes instalar, respaldar y actualizar. La contrapartida habitual del autoalojamiento.

#Lo que Open Notebook hace de más respecto a NotebookLM

El repositorio oficial publica una tabla comparativa directa con Google NotebookLM. En varios aspectos, la diferencia no se limita a «es local»: el número de voces de los podcasts generados, el acceso a la API y las transformaciones de contenido personalizables van más allá de lo que ofrece la herramienta de Google.

Comparativa publicada por el proyecto (repositorio de GitHub, tabla «Open Notebook vs Google Notebook LM»)
CriterioOpen NotebookGoogle NotebookLM
Proveedores de IA18+ a elegir (incluyendo Ollama, LM Studio)Modelos de Google únicamente
Voz del podcast generado1 a 4, perfiles de episodio personalizables2 voces fijas, formato fijo
Acceso a APIAPI REST completaSin API
DespliegueDocker, nube o localSolo alojado por Google
Citas de fuentesReferencias básicas (el proyecto anuncia que quiere mejorarlas)Citas completas, más refinadas

Este último punto merece mencionarse con honestidad: el propio proyecto reconoce, en su comparativa publicada en GitHub, que sus citas son por ahora más básicas que las de NotebookLM. Por tanto, no es una alternativa superior en todos los aspectos: supone un compromiso que resulta favorable cuando la confidencialidad, la elección del modelo, la automatización mediante API o la generación de podcasts importan más que el nivel de detalle y precisión de las citas mostradas en pantalla.

Podcasts con perfiles de episodio
Debate, clase magistral, entrevista, explicación para principiantes o para expertos: la estructura del episodio se configura, en contraste con el formato único «deep dive» de NotebookLM.
Soporte para modelos de razonamiento
Soporte completo para modelos « thinking » como DeepSeek-R1 o Qwen3, útil para síntesis que requieren varias etapas de reflexión.
Transformación de contenido
Acciones personalizables para resumir, extraer insights o reformular, más allá del simple resumen automático.
Protección con contraseña
Útil para un despliegue expuesto públicamente, además del control fino de lo que se comparte con cada modelo.

#Instalar localmente, con o sin Ollama

El despliegue documentado se divide en tres pasos: recuperar el docker-compose.yml oficial, rellenar las claves de API deseadas en la interfaz (sin necesidad de editar manualmente un archivo de configuración), y luego iniciar los servicios. El único requisito anunciado es Docker Desktop.

  1. 01
    Obtener el archivo de servicio
    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
    Elegir la variante 100 % local si es necesario
    El repositorio proporciona un archivo separado, examples/docker-compose-ollama.yml, que agrega Ollama como proveedor predeterminado para no enviar nada a internet.
  3. 03
    Iniciar y 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.
i
Base de datos y pila técnica
Open Notebook se basa en SurrealDB para el almacenamiento relacional y vectorial, un backend Python/FastAPI y una interfaz Next.js/React. En Apple Silicon, el proveedor nativo oMLX es preferible a un simple punto de acceso compatible con OpenAI en cuanto a rendimiento

La documentación oficial propone dos itinerarios distintos según el perfil: un «Quick Start with OpenAI» para estar operativo en cinco minutos con un proveedor remoto, y una guía «Run It Fully Local» dedicada a Ollama y LM Studio para un uso totalmente privado desde la instalación. La API REST completa, por su parte, ofrece su propia documentación interactiva en el puerto local 5055, útil para conectar el cuaderno a un script o a una automatización existente en lugar de hacerlo todo desde la interfaz web.

#Tres formas de usarlo en la práctica

El proyecto organiza el trabajo alrededor de varios cuadernos independientes (« Multi-Notebook Organization »), cada uno con sus propias fuentes, sus propias notas y su propio historial de conversaciones. Tres usos son los más frecuentes entre los usuarios que documentan su migración desde NotebookLM.

Revisión de literatura
Un cuaderno por tema de investigación, decenas de PDF añadidos a lo largo de las lecturas, una transformación de contenido personalizada para extraer sistemáticamente método, resultados y límites de cada artículo.
Seguimiento y notas de reunión
Transcripciones añadidas periódicamente, una conversación contextual para encontrar «qué se decidió sobre X en marzo» y un podcast de síntesis para escuchar mientras se realizan otras tareas.
Documentación del producto o soporte al cliente
Toda la documentación interna en un cuaderno dedicado, consultada en lenguaje natural por el equipo, con un proveedor local para no enviar documentos internos ni procedimientos sensibles a un servicio de terceros alojado en otro lugar.

Lo que distingue estos usos de un simple chat con un modelo es que cada respuesta permanece anclada en las fuentes del cuaderno activo: cambiar de cuaderno cambia el contexto disponible, sin necesidad de recargar ni reexplicar nada al modelo. El control fino de lo que se comparte con el modelo —un subconjunto de fuentes en lugar del cuaderno completo— también permite limitar el contexto enviado, por lo tanto la latencia y el costo, en un cuaderno voluminoso.

#¿Cómo se usa realmente?

  1. 01
    Un cuaderno por tema, no un cuaderno para todo
    La calidad de las respuestas disminuye cuando un cuaderno mezcla materias sin relación: los pasajes más cercanos a una pregunta comienzan a provenir de otras áreas.
  2. 02
    Añadir fuentes progresivamente
    Y verificar qué ha extraído realmente la herramienta de cada fuente. Un PDF escaneado sin capa de texto se indexa sin contenido, independientemente del motor de búsqueda que se utilice detrás.
  3. 03
    Configurar un modelo de embedding adecuado
    Es él quien determina qué encuentra la búsqueda, mucho más que el modelo que redacta. Para documentos en francés, debe ser multilingüe; Ollama, Google y Mistral ofrecen embeddings en la matriz de proveedores del proyecto.
  4. 04
    Exigir citas, teniendo presentes sus limitaciones
    Una respuesta sin fuente no es verificable. El proyecto mismo anuncia citas aún básicas: verificar la fuente citada sigue siendo indispensable antes de reproducir un resultado tal como está.
!
Dos modelos, no uno
Como con cualquier herramienta de esta familia, hace falta un modelo de conversación para redactar y un modelo de embedding para indexar. Olvidar el segundo es la causa más frecuente de que un cuaderno no responda a lo que se le pregunta aunque la fuente contenga la respuesta.

#Las limitaciones, incluidas las que reconoce el proyecto mismo

La calidad viene del modelo
Un modelo local pequeño produce resúmenes planos. La herramienta organiza el trabajo, no sustituye la capacidad de síntesis; de ahí el interés de que admita modelos de razonamiento para las tareas complejas.
Las citas aún son básicas
El comparativo propio del proyecto lo dice: menos maduros que los de NotebookLM, con una mejora anunciada pero sin fecha.
Las fuentes de audio y vídeo requieren una transcripción
Se realiza según el proveedor elegido (Whisper a través de API, Deepgram o un motor local como Faster-Whisper en una etapa previa), pero supone una etapa de cálculo adicional.
Proyecto joven y activo
El repositorio se inició a finales de 2024 y evoluciona rápidamente; comprueba las funcionalidades anunciadas para la versión que instales en el CHANGELOG y en las releases de GitHub, en lugar de basarte en un artículo.
No todos los proveedores hacen todo
La matriz publicada por el proyecto distingue cuatro capacidades por proveedor —LLM, embedding, transcripción y síntesis de voz—, y pocos proveedores las cubren todas. Anthropic y Groq, por ejemplo, no ofrecen embedding en Open Notebook: a menudo hay que combinar dos proveedores, uno para redactar y otro para indexar o transcribir.

#Open Notebook o un RAG clásico

Dos formas de consultar documentos
NecesidadHerramienta
Crear un dosier sobre un tema y trabajar en él, con un pódcast de síntesisOpen Notebook
Responder preguntas sobre una base documental empresarialUna aplicación RAG dedicada (por ejemplo, AnythingLLM)
Integrar la investigación documental en una aplicaciónUna cadena RAG que escribas tú mismo, con tus propios embeddings
Hablar con algunos PDF sin instalar nada másUna aplicación de escritorio todo en uno

#FAQ

¿Es Open Notebook gratuito?+
El software es un proyecto libre (licencia MIT) que puedes alojar por tu cuenta sin costo de licencia. Los posibles costos provienen únicamente de los proveedores de IA remotos que elijas conectar (los facturan ellos, no el proyecto); con Ollama en local para la conversación y el embedding, el uso completo sigue siendo gratuito, salvo el costo de la electricidad.
¿Funciona completamente sin conexión?+
Sí, con el archivo docker-compose-ollama.yml proporcionado por el proyecto, que configura Ollama como proveedor predeterminado de conversación y de embeddings, y con fuentes ya presentes en la máquina. En esta configuración, ningún dato se envía a internet, ni siquiera al generar podcasts, siempre que el modelo de síntesis de voz elegido sea local.
¿Cuántas voces tiene un podcast generado?+
De una a cuatro, con perfiles de episodio personalizables: debate, clase magistral, entrevista, explicación para principiantes o para expertos. Es más flexible que el formato de dos voces fijas de Google NotebookLM, según la comparativa publicada por el propio proyecto en su repositorio de GitHub.
¿Las respuestas citan realmente sus fuentes?+
Sí, cada respuesta se basa en las fuentes del cuaderno activo, pero el propio proyecto califica sus citas de «básicas» en comparación con las de NotebookLM, con una mejora anunciada sin fecha precisa. Sigue siendo necesario verificar la fuente citada antes de reutilizar un resultado sin revisarlo, especialmente para un uso profesional.
¿Por qué mis respuestas ignoran el contenido de una fuente?+
Lo más habitual es que se trate de un PDF escaneado sin capa de texto, indexado sin contenido, o de un modelo de embeddings inadecuado para el idioma del documento. Revisa la matriz de proveedores del proyecto: no todos ofrecen embeddings; algunos solo ofrecen conversación, y Anthropic, por ejemplo, no ofrece embeddings en Open Notebook.
¿Se necesita una tarjeta gráfica?+
Para la aplicación en sí, no: es un servicio Docker ligero (Python/FastAPI, Next.js, SurrealDB). Para los modelos que utiliza localmente a través de Ollama o LM Studio, depende de su tamaño — es el modelo el que determina el hardware, no el cuaderno ni su interfaz.
¿Qué diferencia hay con un RAG que desarrollaría yo mismo?+
Open Notebook proporciona la interfaz, la indexación de múltiples formatos, la elección entre 18 proveedores y la generación de podcasts listos para usar, con una API REST para automatizar. Una cadena RAG desarrollada por ti ofrece un control más preciso, pero exige que lo construyas todo por tu cuenta: indexación, búsqueda, interfaz y seguimiento de las fuentes.
¿Esta guía te ha ayudado?

¿Un comentario, un error, una precisión? Avísanos, eso mejora la guía para todos.