Intermedio 11 minStrumenti

Open Notebook: il diario di ricerca IA self-hosted

Risposta diretta

Open Notebook (lfnovo/open-notebook, licenza MIT) è un quaderno di ricerca assistito dall'IA e ospitato su un proprio server: si raccolgono PDF, pagine web o file audio, lo strumento li indicizza e poi risponde citando le proprie fonti. Si collega a 18 fornitori tra cui scegliere, compreso Ollama in locale, e genera podcast a più voci (da 1 a 4) tramite profili di episodio personalizzabili, mentre NotebookLM limita l'audio a due voci fisse.

Open Notebook riprende l'idea del quaderno di ricerca assistito dall'IA di Google NotebookLM — raccogliere fonti, interrogarle, ricavarne note e podcast — in un progetto open source (repository lfnovo/open-notebook, licenza MIT) che puoi ospitare autonomamente e collegare al modello di tua scelta. Per chi ha provato l'equivalente online e si è fermato alla domanda «dove finiscono i miei documenti», è la stessa promessa senza il trasferimento, con in più funzionalità che la versione di Google non ha.

Di Mohamed Meguedmi·Agg. 2026-09-29·Testato su Windows, macOS e Linux

#L'idea: un diario di ricerca assistito

Un notebook riunisce fonti: PDF, pagine web, video YouTube, file audio, documenti Office. Lo strumento le indicizza, permette di interrogarle in linguaggio naturale e soprattutto di produrre contenuti derivati — riassunti, sintesi incrociate, note, podcast a più voci — che rimangono collegati alle loro fonti. Il progetto stesso si presenta come un'alternativa privata, multi-modello e locale al 100%, pienamente funzionale, a Notebook LM.

La differenza rispetto a un semplice assistente documentale sta in questa idea di quaderno: non si pone una domanda isolata a un corpus, ma si costruisce un dossier su un argomento e ci si lavora nel tempo, con più quaderni per più progetti di ricerca in parallelo, ciascuno con le proprie fonti e la propria cronologia.

#Cosa cambia con la versione locale

Il kit RAG Locale

I tuoi documenti, la tua IA: un RAG locale affidabile sui tuoi PDF, sulle tue note e sulle tue email — senza inviare nulla nel cloud.

  • Spazio online a vita
  • PDF + file
  • Aggiornamenti a vita
Il kit RAG Locale →o tutti i kit a vita — 49 € →
Le fonti non partono
Documenti confidenziali, dossier clienti, materiali sottoposti a embargo: il trattamento rimane sulla tua macchina se scegli fornitori locali (Ollama, LM Studio, o oMLX su Apple Silicon).
La scelta del modello
18 fornitori supportati nativamente — OpenAI, Anthropic, Google, Mistral, Groq, xAI, DeepSeek, Ollama, LM Studio, OpenRouter e altri — tramite la libreria Esperanto dello stesso autore. Sei tu a decidere, fornitore per fornitore.
Nessun limite arbitrario
Il numero di quaderni e di fonti dipende dal tuo disco, non da una fascia tariffaria; il costo reale si limita all'uso delle API che scegli di collegare.
In cambio, l'exploitation
È un servizio Docker (backend Python/FastAPI, interfaccia Next.js/React, database SurrealDB) da installare, sottoporre a backup e aggiornare. È il consueto onere dell’auto-hosting.

#Cosa fa Open Notebook di più rispetto a NotebookLM

Il repository ufficiale pubblica una tabella di confronto diretto con Google NotebookLM. Su diversi punti, la differenza non si limita a «è locale»: il numero di voci dei podcast generati, l'accesso API e le trasformazioni di contenuto personalizzabili vanno oltre ciò che offre lo strumento di Google.

Confronto pubblicato dal progetto (repository GitHub, tabella « Open Notebook vs Google Notebook LM »)
CriterioOpen NotebookGoogle NotebookLM
Fornitori IA18+ a scelta (tra cui Ollama, LM Studio)Solo modelli Google
Voci del podcast generatoDa 1 a 4, profili di episodio personalizzabili2 voci fisse, formato fisso
Accesso APIAPI REST completaNessuna API
DeploymentDocker, cloud o localeSolo ospitato da Google
Citazioni delle fontiRiferimenti base (il progetto annuncia di volerli migliorare)Citazioni complete, più curate

Quest'ultimo punto merita di essere citato con onestà: il progetto stesso riconosce, nel proprio confronto pubblicato su GitHub, che le sue citazioni sono per ora più rudimentali di quelle di NotebookLM. Non è quindi un sostituto superiore sotto ogni aspetto — è un compromesso, favorevole quando la riservatezza, la scelta del modello, l'automazione tramite API o la generazione di podcast contano più della qualità delle citazioni visualizzate sullo schermo nei loro dettagli.

Podcast con profili di episodio
Discussione, lezione, intervista, spiegazione per principianti o per esperti: la struttura dell'episodio si configura, diversamente dal formato «deep dive» unico di NotebookLM.
Supporto per modelli di ragionamento
Supporto completo per modelli « thinking » come DeepSeek-R1 o Qwen3, utile per sintesi che richiedono più fasi di riflessione.
Trasformazioni del contenuto
Azioni personalizzabili per riassumere, estrarre insight o riformulare, oltre al semplice riassunto automatico.
Protezione con password
Utile per un deployment esposto al pubblico, oltre al controllo dettagliato di ciò che viene condiviso con ogni modello.

#Installare in locale, con o senza Ollama

L'installazione documentata si divide in tre passaggi: recuperare il file docker-compose.yml ufficiale, inserire le chiavi API desiderate nell'interfaccia (nessun file di configurazione da modificare manualmente), poi avviare i servizi. L'unico prerequisito annunciato è Docker Desktop.

  1. 01
    Recuperare il file di servizio
    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
    Scegliere la variante locale al 100% se necessario
    Il repository fornisce un file separato, examples/docker-compose-ollama.yml, che aggiunge Ollama come fornitore predefinito per non inviare nulla su internet.
  3. 03
    Avviare e configurare
    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
Database e stack tecnico
Open Notebook si basa su SurrealDB per l'archiviazione relazionale e vettoriale, su un backend Python/FastAPI e su un'interfaccia Next.js/React. Su Apple Silicon, il provider nativo oMLX è preferibile a un semplice endpoint compatibile con OpenAI in termini di prestazioni.

La documentazione ufficiale propone due percorsi distinti in base al profilo: un « Quick Start with OpenAI » per essere operativo in cinque minuti con un fornitore remoto e una guida « Run It Fully Local » dedicata a Ollama e LM Studio per un uso interamente privato fin dall'installazione. L'API REST completa, invece, espone la propria documentazione interattiva sulla porta locale 5055, utile per collegare il notebook a uno script o a un'automazione esistente anziché fare tutto dall'interfaccia web.

#Tre modi per usarlo nella pratica

Il progetto organizza il lavoro intorno a diversi notebook indipendenti (« Multi-Notebook Organization »), ciascuno con le proprie fonti, le proprie note e la propria cronologia delle discussioni. Tre utilizzi ricorrono più spesso tra gli utenti che documentano la propria migrazione da NotebookLM.

Rassegna bibliografica
Un notebook per ogni tema di ricerca, decine di PDF aggiunti durante le letture, una trasformazione del contenuto personalizzata per estrarre sistematicamente metodi, risultati e limiti di ogni articolo.
Monitoraggio informativo e note di riunione
Trascrizioni aggiunte regolarmente, una conversazione contestuale per ritrovare «che cosa è stato deciso su X a marzo» e un podcast di sintesi da ascoltare mentre si svolgono altre attività.
Documentazione del prodotto o assistenza clienti
Tutta la documentazione interna in un quaderno dedicato, interrogata in linguaggio naturale dal team, con un provider locale per non far transitare documenti interni o procedure sensibili verso un servizio di terze parti ospitato altrove.

Ciò che distingue questi usi da una semplice chat con un modello è che ogni risposta rimane ancorata alle fonti del notebook attivo: cambiare notebook cambia il contesto disponibile, senza dover ricaricare o rispiegare nulla al modello. Il controllo preciso su ciò che viene condiviso con il modello — un sottoinsieme di fonti anziché l'intero notebook — permette anche di limitare il contesto inviato, quindi la latenza e il costo, quando il notebook è voluminoso.

#Come si usa davvero

  1. 01
    Un notebook per argomento, non uno per tutto
    La qualità delle risposte cala quando un notebook mescola argomenti non correlati: i passaggi più pertinenti a una domanda iniziano a provenire da altri ambiti.
  2. 02
    Aggiungere le fonti progressivamente
    E verificare che cosa lo strumento abbia effettivamente estratto da ciascuna fonte. Un PDF scansionato senza un livello di testo viene indicizzato senza contenuto, qualunque sia il motore di ricerca utilizzato a valle.
  3. 03
    Configurare un modello di embedding adatto
    È questo modello a determinare ciò che la ricerca recupera, molto più del modello che scrive. Per i documenti in francese, deve essere multilingue; Ollama, Google e Mistral offrono embedding nella matrice dei fornitori del progetto.
  4. 04
    Esigere le citazioni, tenendo presenti i loro limiti
    Una risposta senza fonte non è verificabile. Il progetto stesso dichiara che le citazioni sono ancora basilari: verificare la fonte citata resta indispensabile prima di riprendere un risultato così com'è.
!
Due modelli, non uno
Come per ogni strumento di questa famiglia, serve un modello di conversazione per scrivere e un modello di embedding per indicizzare. Dimenticare il secondo è la causa più frequente di un notebook che dà risposte fuori tema anche se la fonte contiene la risposta.

#I limiti, inclusi quelli che il progetto stesso riconosce

La qualità deriva dal modello
Un piccolo modello locale produce riassunti piatti. Lo strumento organizza il lavoro, non sostituisce la capacità di sintesi — da qui l'interesse del supporto ai modelli di ragionamento per i compiti complessi.
Le citazioni sono ancora rudimentali
Il comparativo del progetto lo dice chiaramente: meno maturi di quelli di NotebookLM, con un'aggiornamento annunciato ma senza data.
Le fonti audio e video richiedono una trascrizione
Garantita in base al fornitore scelto (Whisper tramite API, Deepgram o un motore locale come Faster-Whisper a monte), ma richiede un'ulteriore fase di calcolo.
Progetto giovane e attivo
Il repository è nato alla fine del 2024 e si evolve rapidamente; verifica le funzionalità annunciate per la versione che installi (CHANGELOG, release su GitHub), invece di basarti su un articolo.
Non tutti i fornitori fanno tutto
La matrice pubblicata dal progetto distingue quattro capacità per fornitore — LLM, embedding, trascrizione e sintesi vocale — e pochi fornitori le coprono tutte. Anthropic e Groq, ad esempio, non offrono embedding in Open Notebook: spesso bisogna combinare due fornitori, uno per scrivere e un altro per indicizzare o trascrivere.

#Open Notebook o un RAG classico

Due modi per interrogare documenti
EsigenzaStrumento
Creare un dossier su un argomento e lavorarci, con un podcast di sintesiOpen Notebook
Rispondere a domande su una base documentale aziendaleUn'applicazione RAG dedicata (ad esempio AnythingLLM)
Integrare la ricerca documentale in un'applicazioneUna catena RAG che scrivi tu, con i tuoi embedding
Parlare con alcuni PDF, senza installare nulla di aggiuntivoUn'applicazione desktop tutto in uno

#FAQ

È gratis Open Notebook?+
Il software è un progetto open source (licenza MIT) che puoi ospitare autonomamente senza costi di licenza. Gli eventuali costi derivano esclusivamente dai fornitori di IA remoti che scegli di collegare (sono loro a fatturarli, non il progetto); con Ollama in locale per la conversazione e l'embedding, l'uso completo rimane gratuito, a parte l'elettricità.
Funziona completamente offline?+
Sì, con il file docker-compose-ollama.yml fornito dal progetto, che configura Ollama come fornitore predefinito per la conversazione e gli embedding, e con fonti già presenti sul computer. In questa configurazione, nessun dato viene inviato su Internet, nemmeno per la generazione di podcast se il modello di sintesi vocale scelto è locale.
Quante voci per un podcast generato?+
Da una a quattro, con profili di episodio personalizzabili: dibattito, lezione frontale, intervista, spiegazione per principianti o per esperti. È più flessibile del formato a due voci fisse di Google NotebookLM, secondo il confronto pubblicato dal progetto stesso nel suo repository GitHub.
Le risposte citano veramente le loro fonti?+
Sì, ogni risposta si basa sulle fonti del notebook attivo, ma il progetto stesso definisce le proprie citazioni «di base» rispetto a quelle di NotebookLM, con un miglioramento annunciato senza una data precisa. Verificare la fonte citata resta necessario prima di riutilizzare un risultato senza rileggerlo, soprattutto per un uso professionale.
Perché le mie risposte ignorano il contenuto di una fonte?+
Nella maggior parte dei casi, si tratta di un PDF scansionato senza livello di testo, indicizzato senza contenuto, oppure di un modello di embedding non adatto alla lingua del documento. Controlla la matrice dei fornitori del progetto: non tutti offrono gli embedding, alcuni offrono solo la conversazione, e Anthropic, per esempio, non offre embedding in Open Notebook.
Serve una scheda grafica?+
Per l'applicazione stessa, no: è un servizio Docker leggero (Python/FastAPI, Next.js, SurrealDB). Per i modelli che utilizza in locale tramite Ollama o LM Studio, dipende dalle loro dimensioni: è il modello che determina l'hardware, non il quaderno stesso né la sua interfaccia.
Qual è la differenza rispetto a un RAG che svilupperei da solo?+
Open Notebook fornisce l'interfaccia, l'indicizzazione di più formati, la scelta tra 18 fornitori e la generazione di podcast pronti all'uso, con un'API REST per automatizzare. Una pipeline RAG sviluppata in proprio offre un controllo più preciso, ma richiede di costruire tutto da soli: indicizzazione, ricerca, interfaccia e tracciamento delle fonti.
Questa guida ti è stata utile?

Un feedback, un errore, una precisazione? Facci sapere, così la guida migliora per tutti.