Claude Code + NotebookLM + Obsidian: El monstruo de investigación que se vuelve más inteligente cada vez que lo usas

La mayoría de la gente trata la investigación como una tarea manual.

Abres 10 pestañas. Ves videos. Lees artículos. Tomas notas en algún lado. Una hora después tienes un montón de información de la que no sabes qué hacer.

Hay una mejor manera.

Esta es una guía paso a paso para construir un flujo de trabajo de investigación usando Claude Code, NotebookLM y Obsidian que puede investigar cualquier tema: dinámicas de mercado, tecnologías emergentes, ecosistemas cripto, nichos de contenido, cualquier cosa—y se vuelve más preciso cada vez que lo usas.

Tiempo de configuración: menos de 30 minutos

El Stack y Por Qué Funciona

Cuatro herramientas. Cada una maneja una capa diferente del problema.

• Claude Code - el motor de ejecución. Ejecuta comandos, llama habilidades, gestiona archivos y orquesta todo el pipeline. Le hablas en lenguaje natural, él hace el trabajo.
• Skill Creator - la capa de personalización. Un plugin de Claude Code que te permite construir habilidades reutilizables en lenguaje natural. Describes lo que quieres, genera el código e instala la habilidad. Sin necesidad de programación.
• NotebookLM - el motor de análisis. La herramienta de investigación de IA de Google que lee tus fuentes y genera análisis profundos, resúmenes, infografías, tarjetas de estudio, guiones de podcast y más. Cuando Claude Code descarga el procesamiento a NotebookLM, está usando los recursos de Google, no tus tokens de Claude.
• Obsidian - la capa de memoria. Un sistema de conocimiento local basado en Markdown que almacena todo lo que produce el flujo de trabajo. Con el tiempo, Claude Code lee estos archivos y aprende cómo piensas, qué te importa y cómo quieres que se entregue tu análisis.

Combinados: un sistema de investigación que se ejecuta bajo comando, analiza a escala y mejora con el uso.

Paso 1: Instala el Skill Creator

Abre Claude Code. Asegúrate de estar dentro de la carpeta de tu bóveda de Obsidian—esto es importante para que Obsidian pueda recoger los archivos que genera Claude Code.

Ejecuta este comando:

1/plugin

Busca skill-creator. Instálalo. Sal de Claude Code. Reinicia Claude Code.

Ahora tienes la capacidad de crear cualquier habilidad describiéndola en lenguaje natural.

Paso 2: Crea la Habilidad de Búsqueda en YouTube

Esta habilidad es la que permite a Claude Code buscar en YouTube y obtener datos estructurados de videos: títulos, canales, número de suscriptores, número de vistas, fechas de subida, URLs y ratios de interacción.

Ejecuta este comando dentro de Claude Code:

1/skill-creator Quiero crear una habilidad que busque
2en YouTube y devuelva resultados estructurados de videos.
3Debe usar yt-dlp para buscar videos por consulta,
4devolver los 20 mejores resultados por defecto e incluir
5metadatos de cada video: título, nombre del canal, número
6de suscriptores, número de vistas, duración, fecha de subida y URL.
7Debe filtrar a los últimos 6 meses por defecto pero admitir
8un flag --months para cambiar eso.
9También debe calcular un ratio vistas-suscriptores
10como métrica de interacción.
11El resultado debe tener un formato agradable con
12divisores entre cada resultado y números legibles para humanos.

Claude Code generará la habilidad, la instalará y lo confirmará. Ahora tienes /yt-search disponible como comando.

Nota: yt-dlp debe estar instalado en tu máquina. Si no lo tienes...

Paso 3: Instala NotebookLM-py

NotebookLM no tiene una API pública. Para conectar Claude Code a NotebookLM, usamos un proyecto de código abierto llamado notebooklm-py.

Repositorio: github. com/teng-lin/notebooklm-py

Ejecuta estos comandos en tu terminal (no dentro de Claude Code—abre una ventana de terminal aparte):

1pip install notebooklm-py

Luego autentícate:

1notebooklm login

Se abrirá una ventana del navegador. Inicia sesión en tu cuenta de Google. Listo. La conexión está establecida.

Paso 4: Crea la Habilidad de NotebookLM

Ahora necesitas enseñarle a Claude Code cómo usar notebooklm-py. Ejecuta esto dentro de Claude Code:

1/skill-creator crea una habilidad para que podamos usar mejor la
2herramienta notebooklm-py. Haz referencia al repositorio de GitHub en
3github. com/teng-lin/notebooklm-py y construye
4una habilidad que pueda: crear nuevos notebooks, agregar fuentes
5(URLs de YouTube, texto, archivos), ejecutar análisis en esas fuentes
6y generar entregables que incluyan resumen de audio,
7mapa mental, tarjetas de estudio e infografía.

Esto le da a Claude Code una habilidad completa de NotebookLM con comandos para cada acción que NotebookLM admite—hasta 50 fuentes por notebook, todos los tipos de entregables.

Paso 5: Combina Todo en una Sola Habilidad de Pipeline

Aquí es donde el flujo de trabajo se vuelve realmente poderoso.

En lugar de ejecutar manualmente la búsqueda en YouTube, luego enviar los resultados a NotebookLM y luego solicitar el análisis—construyes una habilidad que hace todo en secuencia con un solo comando.

Ejecuta esto dentro de Claude Code:

1/skill-creator Quiero crear una habilidad de pipeline de investigación
2en YouTube que combine la habilidad yt-search y la
3habilidad de NotebookLM. Cuando use esta habilidad de pipeline quiero
4que: tome lo que le dije que investigara, vaya a YouTube y
5encuentre 10 videos relevantes usando la habilidad yt-search, use
6la habilidad de NotebookLM para crear un nuevo notebook,
7agregue esas fuentes de video al notebook, luego haga
8un análisis del tema basado en lo que dije cuando
9invoqué la habilidad. Además, pregúntame si quiero
10un entregable—NotebookLM puede crear tarjetas de estudio,
11infografías, mapas mentales, resúmenes de audio.
12Si no especifico un entregable, asume que ninguno.
13Después del análisis, tráeme todo de vuelta en un
14archivo Markdown guardado en la bóveda, y también muéstralo
15en el chat. Incluye todos los metadatos de búsqueda de YouTube
16en el resultado: fuentes utilizadas, número de vistas,
17nombres de canales, ratios de interacción.

Ejecutando el Flujo de Trabajo

1/yt-pipeline Quiero investigar los frameworks de agentes de IA en 2026.
2¿Qué frameworks están adoptando realmente los desarrolladores?
3—LangGraph, CrewAI, AutoGen, Agno, ¿o algo más?
4Quiero entender qué está impulsando las vistas en este tema,
5dónde hay desacuerdo en la comunidad,
6cuáles son los valores atípicos y qué ángulos no se han
7cubierto bien todavía. Encuentra 10 fuentes relevantes,
8pásalas a un nuevo notebook de NotebookLM,
9ejecuta un análisis completo y genera una infografía
10que muestre el panorama.

Con la habilidad de pipeline instalada, así es como se ve una sesión de investigación real.

El tema: frameworks de agentes de IA. Qué está ganando tracción realmente en 2026, qué está sobrevalorado y dónde están los vacíos en la cobertura existente.

Claude Code inicia el pipeline. Llama a la habilidad de búsqueda en YouTube, encuentra 10 videos entre tutoriales de frameworks, comparaciones y opiniones de desarrolladores—pasa las URLs a NotebookLM, crea un notebook, ejecuta el análisis y solicita una infografía.

Tiempo total de procesamiento: alrededor de 6 minutos.

La mayor parte de ese tiempo es el procesamiento de NotebookLM en los servidores de Google—no tus tokens de Claude.

El resultado vuelve como:

1. Un análisis completo que cubre qué frameworks están en ascenso vs. estancados, de qué se quejan realmente los desarrolladores, valores atípicos de interacción y vacíos de contenido que nadie ha cubierto todavía.
2. Una infografía que mapea el panorama de los frameworks de agentes de IA.
3. Un archivo Markdown guardado directamente en tu bóveda de Obsidian con todo estructurado y enlazado—listo para consultar en futuras sesiones de investigación.

Donde Obsidian lo Convierte en una Herramienta Completamente Diferente

Todo lo anterior funciona como una tarea de investigación única.

Obsidian es lo que lo convierte en algo que se acumula.

Cada archivo Markdown que produce el flujo de trabajo aterriza en tu bóveda de Obsidian. Con el tiempo, tu bóveda se convierte en un corpus estructurado de todo lo que has investigado: temas, fuentes, análisis, patrones, conclusiones.

Claude Code puede leer todos estos archivos. Ve cómo están enlazados. Entiende a qué temas vuelves, qué análisis encontraste útil, qué formato prefieres.

El archivo claude.md dentro de tu bóveda es donde esto se vuelve explícito. Es un archivo de configuración que le dice a Claude Code cómo trabajar contigo: tus convenciones, tus preferencias de salida, cómo quieres que se estructuren las cosas.

Lo actualizas diciendo:

1¿Podemos actualizar claude.md para que refleje mejor
2mi estilo de trabajo, mi enfoque de análisis y mis
3preferencias de salida basadas en nuestras últimas conversaciones?

Claude Code lee la sesión reciente, identifica tus patrones y actualiza el archivo.

Haz esto una vez a la semana. Después de un mes, el flujo de trabajo te conoce lo suficientemente bien como para que los resultados comiencen a coincidir con lo que realmente quieres sin necesidad de indicaciones extensas.

Después de un año—si haces esto de manera consistente—tienes un sistema de investigación que ha absorbido cientos de sesiones, entiende tu estilo de pensamiento y opera como un asistente entrenado en lugar de una herramienta en blanco.

El Punto Modular Que Nadie Menciona

La fuente de YouTube no es el punto.

La estructura del pipeline es el punto.

Puedes reemplazar YouTube con cualquier fuente de datos a la que Claude Code pueda acceder:

• PDFs - artículos académicos, informes de la industria, documentos técnicos
• Páginas web públicas - artículos de noticias, documentación, publicaciones de blog
• Archivos locales - tus propias notas, datos exportados, transcripciones
• Google Drive - documentos y hojas de cálculo que ya tienes

La plantilla del flujo de trabajo sigue siendo la misma. Cambia la fuente, mantén la estructura.

Investiga un ecosistema cripto usando documentos técnicos y documentación pública. Analiza una tecnología emergente usando charlas de conferencias en YouTube. Mapea un nicho de contenido analizando lo que funciona. Estudia dinámicas de mercado usando informes públicos.

Cualquiera que sea el caso de uso—el pipeline, la capa de análisis y el sistema de memoria permanecen idénticos.

Con Lo Que Terminas

Un sistema de investigación que:

• Ejecuta pipelines de investigación completos con un solo comando
• Descarga el análisis pesado a la infraestructura de Google a través de NotebookLM
• Produce entregables estructurados—infografías, mapas mentales, audio, tarjetas de estudio—automáticamente
• Guarda cada resultado en una base de conocimiento local
• Aprende tus preferencias con el tiempo y mejora sus resultados en consecuencia

La configuración de 30 minutos se paga por sí sola la primera vez que la usas.