Open Notebook - локальная альтернатива NotebookLM, без Google в облаке NotebookLM от Google удобен: закинул документы, спросил - получил ответ с цитатами. Но всё, что загружаешь, уезжает на серверы Google и привязано к Gemini. Для клиентских документов, договоров, финансовых данных это неприятный компромисс. Open Notebook решает ту же задачу локально. Код открыт по MIT-лицензии, у проекта больше 30000 звёзд на GitHub. Запускается через Ollama - без API-ключа и без счёта за токены, файлы не покидают твою машину. Поддерживает 18+ провайдеров моделей, так что ты не привязан ни к одной компании - сегодня гоняешь локальную модель, завтра подключаешь любую другую без переписывания логики. Внутрь можно загружать PDF, веб-страницы, YouTube-ссылки, аудио. По всей базе работает векторный поиск, то есть инструмент находит нужный кусок текста по смыслу, а не по точному совпадению слов. Отдельная фишка - генерация подкастов с до 4 спикерами, у NotebookLM их только два. Есть REST API, через который можно встроить «чат с документами» прямо в свой продукт или пайплайн автоматизации, а не держать его отдельной вкладкой в браузере. Поднимается одной командой: docker compose up -d, дальше подключаешь модель по вкусу. Это не кнопка в браузере: нужна своя машина и терпение настроить модель под задачу - инструмент для тех, кто готов повозиться ради контроля над данными. Имеет смысл смотреть, если работаешь с чувствительными документами клиентов или хочешь зашить работу с документами в собственный сервис через API, а не отдавать это на сторону. Open Notebook

Дошёл до точки, где автономные процессы и AI-сотрудники работают круглосуточно. Параллельная разработка: → Контент: более 300 млн охватов в проектах → Продажи: 30+ тысяч AI-обработанных лидов в Instagram, WhatsApp и Telegram → Sales office: коммерческие предложения, презентации, отчёты и ведение проектов → Разработка: мобильные приложения, ERP-системы, CRM-системы, AI-голосовые системы, сайты, агентные системы управления бизнесом и многое другое Системы круглосуточно работают над увеличением ключевых показателей с помощью таких моделей, как JEV, классифицируя данные в реальном времени. Сейчас расходую примерно 90–120 млн токенов в месяц. Цель: 300+ млн. Отдача на вложения превышает 12,7×, что соответствует ROAS более 1270%. Продолжаю работать над ростом показателей.