Ahorra un 80% en tokens de Claude dominando NotebookLM

El mes pasado, actualicé Claude de Pro a Max por $200 al mes, pensando que finalmente sería suficiente.

Día 5: Límite semanal agotado.

Mirando los registros de uso, vi exactamente adónde fue el dinero. Una sola sesión de tarde investigando 47 documentos consumió el 10% de mi límite semanal de una vez. Al hacer esto dos o tres veces por semana, el límite naturalmente no podía mantenerse.

El problema era que seguía haciendo que Claude hiciera lo que no se le da bien—actuar como un motor de búsqueda de texto completo.

Meter un registro de 50 mil caracteres en una conversación y hacer una pregunta significa que todo el registro se cuenta como tokens de entrada cada vez. Incluso si usas el caché de prompt (donde el precio es 1/10), la sesión principal sigue acumulándose lentamente con cada turno. Peor aún, el caché tiene un TTL de 1 hora; si esperas demasiado, tienes que reescribirlo a precio completo. Es como hacerle una pregunta a un abogado pero obligarlo a leer tu contrato de 50 páginas en voz alta antes de que pueda hablar cada vez.

Claude Code sobresale en razonamiento, orquestación y codificación. Leer material fuente en bruto debería ser manejado por otras herramientas, con Claude viendo solo las conclusiones. Siguiendo esta lógica, pensé en NotebookLM.

Sigue esta guía de configuración, y tu cuenta de $20 puede hacer el trabajo de una de $200.

Guía

Esta es una publicación larga; siéntete libre de saltar a lo que te interese:

• I: ¿Qué es NotebookLM + qué puede hacer?
• II: ¿Por qué añadir una capa de Claude encima?
• III: Instalación de la habilidad (configuración de 10 minutos)
• IV: Factura de tokens real + desglose de principios
• V: Flujo de trabajo para investigadores/estudiantes
• VI: Flujo de trabajo para IPOs / Lectura de prospectos
• VII: Flujo de trabajo para bases de conocimiento personales
• Resumen

Si quieres ver los flujos de trabajo primero, salta directamente a la Parte V.

Tesis en una oración:

La verdadera forma de ahorrar tokens de Claude no es solo habilitar el caché; es asegurarse de que los datos pesados nunca entren en Claude en primer lugar.

Específicamente: Deja que NotebookLM maneje el almacenamiento y la recuperación, mientras que Claude maneja el razonamiento y la orquestación. La división del trabajo es clara, resumida por esta analogía:

NotebookLM es el Maestro

: Los documentos, informes financieros y notas que recopilas forman su base de conocimiento. Le preguntas y responde basándose en la experiencia con citas, manteniéndose dentro de los límites de la fuente sin alucinar.

Claude es el Asistente

: Responsable de escribir código, ejecutar scripts, organizar resultados y orquestar herramientas. Si no sabe algo, le pregunta al Maestro, obtiene la respuesta y continúa trabajando.

Tú eres el Líder del Proyecto

: Solo intervienes en puntos clave de decisión.

Principios clave: Por qué esta división del trabajo ahorra dinero

1. RAG vs. Inserción de contexto son dos modelos de costo diferentes.

Meter 50 mil caracteres en un chat de Claude cuenta como tokens de entrada. Cada pregunta requiere 'volver a mirarlos' y los costos crecen linealmente con el tamaño del material. Con RAG, NotebookLM usa búsqueda vectorial para encontrar fragmentos relevantes internamente, y Claude solo ve una respuesta destilada de unos pocos cientos de palabras, lo que hace que el costo sea casi constante.

2. El caché de prompt tiene un TTL de 1 hora y las tasas de acierto son bajas en escenarios de investigación.

Muchos piensan que habilitar el caché lo soluciona todo. En realidad, el caché de prompt de Anthropic tiene un vencimiento predeterminado de 1 hora. Si piensas unos minutos, cambias de tarea o abres una nueva sesión, la siguiente llamada debe reescribir el caché a precio completo de cache_creation. Las sesiones de investigación siguen un ritmo de 'preguntar, pensar, preguntar de nuevo', donde las tasas de acierto suelen ser pésimas. Esta es la verdadera causa del aumento vertiginoso de las facturas.

3. La salida basada en hechos es más eficiente.

Las respuestas de NotebookLM están limitadas a tus fuentes subidas, con cada oración llevando citas [1][2] que enlazan al texto. No inventa cosas. Cuando Claude usa estas respuestas para decisiones, no tienes que pedirle que 'verifique de nuevo', ahorrando una cantidad incuantificable de tiempo.

Quiénes deberían saltarse esto:

• Material < 5k tokens o solo revisar una o dos veces—pregunta directamente a Claude.
• Necesidades de solo preguntas y respuestas sin integración de flujo de trabajo—solo usa la interfaz web de NotebookLM.
• Quienes valoran la velocidad de respuesta sobre la factura—esto es aproximadamente 3 veces más lento.
• Quienes necesitan entender estructura/definiciones de código—NotebookLM es mejor para RAG de texto.

Quiénes deberían seguir leyendo:

• Quienes quieran pasos de instalación específicos y errores a evitar.
• Quienes quieran ver cómo los escenarios se traducen al nivel de comandos.
• Usuarios de Claude Code que quieran convertir NotebookLM en una habilidad.

Parte I: Conociendo NotebookLM

Abrí NotebookLM por primera vez porque un amigo lo recomendó. Su lista de lectura para una tesis tenía más de 60 documentos. Solía usar Ctrl-F en los PDFs; ahora los mete todos en un cuaderno y pregunta: "¿Quién apoya el punto de vista X, quién se opone y dónde están los desacuerdos?"—la respuesta llega con citas [1][2][3] que saltan al párrafo exacto al hacer clic.

Dijo que le ahorra más de diez horas a la semana.

Lo probé durante una semana con escepticismo y me enganché. Estas son las ventajas de NotebookLM:

1. Soporta 50 fuentes gratis / 300 para Pro.
2. El poder de procesamiento es gratis—subir, indexar, generar y chatear usan los recursos de Google.
3. Más allá de preguntas y respuestas, puede generar automáticamente podcasts de audio (geniales para los viajes), mapas mentales, PPTs, tarjetas de estudio, etc., a partir de un cuaderno.
4. Los podcasts son impresionantes—escuchar a dos "extraños" de IA discutir tu material desde ángulos que no habías considerado a menudo revela nuevas perspectivas.

El formato nunca es un problema: PDFs, URLs, transcripciones de YouTube, Google Docs, texto plano, OCR de imágenes y transcripciones de audio pueden ser fuentes.

Para muchos, NotebookLM ya es una herramienta independiente poderosa. Si tu necesidad es solo 'sentarte y hacer preguntas', puedes dejar de leer aquí.

Pero encontré que se queda estancada en dos lugares:

1. El cambio de contexto arruina el flujo.

Investigando un tema: Hacer pregunta → obtener respuesta → hacer clic en la cita para saltar a la fuente → leer una sección → volver al cuaderno para copiar la respuesta → cambiar a Claude Code para usarla → ejecutar experimento → encontrar una fuente faltante → cambiar a Google Search → descargar → volver al cuaderno para agregar fuente → seguir preguntando... Cambiar de pestañas 200 veces en una tarde.

2. Está aislada de las herramientas locales.

Cuando soluciono incidentes en línea, puedo buscar registros en el cuaderno. Pero también necesito hacer grep de configuraciones locales en la terminal, revisar eventos de k8s y levantar pods—la aplicación web no puede ejecutar comandos locales. Siempre es 'leer en la web → escribir manualmente → volver a cambiar'.

La aplicación web de NotebookLM se posiciona como el destino final. Tú preguntas, ella responde, fin de la historia. Pero quiero que sea un eslabón en la línea de ensamblaje—programado, procesado por lotes, con la salida fluyendo al siguiente paso.

Aquí es donde entra Claude.

Parte II: Poniendo a Claude Encima

Convierte NotebookLM en una herramienta para Claude. Una cosa es suficiente: Cuando Claude necesita conocimiento del dominio, le pregunta al Maestro.

El Flujo

El Maestro (NotebookLM) es un servicio de asistencia de solo lectura: Metes 47 documentos de una vez y los dejas allí. Se quedan allí esperando preguntas. No es necesario devolver notas o código—los puntos de vista en los documentos son suficientes para respaldar todas las consultas.

El siguiente prompt codifica los seis pasos, la disciplina y el ID específico del cuaderno en un formato que Claude Code puede ejecutar (recuerda reemplazar el ID):

1# Rol
2Eres mi asistente de investigación. Mi maestro de materia es un cuaderno fijo de NotebookLM 
3(id: 6634ad4d-0594-4700-bddf-4a400ad46fa2) que contiene 47 documentos relevantes.
4Hablas con el maestro a través de la habilidad notebooklm instalada (comandos `/notecraft chat`).
5
6# Reglas de Hierro
71. Para cualquier pregunta que involucre puntos de vista de documentos, fórmulas, métodos o errores conocidos, **pregúntale al maestro primero vía /notecraft chat**. 
8   No respondas de memoria, y no me pidas que pegue el texto del documento en el chat.
92. El maestro es un **servicio de asistencia de solo lectura**: No devuelvas notas, código o resultados experimentales al cuaderno. 
10   La base de conocimiento permanece estática con los 47 documentos.
113. Las respuestas del maestro incluyen citas [1][2]. Mantén estas citas exactamente como están en tu salida para mí.
124. Tú decides si preguntarle al maestro de nuevo durante el proceso—no necesitas confirmar cada paso conmigo.
135. Si el maestro no puede responder o la cita es débil, di explícitamente "El maestro no tiene respuesta"; no alucines.
14
15# Flujo de Trabajo
16① Te doy un tema/subproblema.
17② Identifica puntos que requieren conocimiento del dominio (puntos de vista de documentos, métodos anteriores, fórmulas, modos de falla).
18③ Consulta al maestro sobre estos puntos vía /notecraft chat para obtener respuestas citadas.
19④ Impulsa la ejecución con las respuestas: escribe código, ejecuta scripts, haz grep de archivos locales, organiza resultados.
20⑤ Si surgen nuevas preguntas durante la ejecución, vuelve a ③ y pregúntale al maestro hasta resolver.
21⑥ Salida final para mí:
22   - Conclusiones (con [citas] del maestro)
23   - Tu código / resultados experimentales
24   - Una sección separada para preguntas abiertas que el maestro no cubrió
25
26# Formato de Salida
27Usa este esqueleto para cada entrega:
28
29## El Maestro Dice
30(Puntos clave de /notecraft chat, manteniendo [citas])
31
32## Lo Que Hice
33(Código que escribiste / comandos ejecutados / resultados observados)
34
35## Conclusión
36(Respuesta a mi tema original)
37
38## No Cubierto por el Maestro
39(Puntos que el maestro no pudo responder o tenía citas débiles, para mi seguimiento manual)
40
41# Inicio
42Mi primer tema es: <Write your question here>

Puntos clave:

• Los 47 documentos nunca entran en el chat de Claude—los tokens de la sesión principal se gastan solo en razonamiento y código.
• El Maestro solo es consultado, no participa en la ejecución—su fortaleza es la recuperación citada del dominio.
• Solo intervienes en el paso ①—Claude decide cuándo consultar al maestro.
• La base de conocimiento está estática—47 documentos son suficientes.

Por eso 'conectarlos' es más fuerte que 'usarlos por separado': El ahorro en cambio de pestañas y tokens son beneficios adicionales. Veamos qué tan grandes son esos beneficios.

Parte III: Instalando el Cliente y la Habilidad de NotebookLM

Google no proporciona un cliente oficial de NotebookLM, pero @icebear0828 ha escrito un cliente de terceros. Una vez instalado, los agentes pueden acceder a NotebookLM a través de la línea de comandos o lenguaje natural.

https://github.com/icebear0828/notebooklm-client

Instalación básica:

1# Install client
2npm i notebooklm-client
3
4# Export login session (opens browser for Google login)
5npx notebooklm export-session
6
7# Chat with a notebook
8# npx notebooklm chat <notebook-id> --transport auto --question "Summarize this for me"
9
10# Use `/notecraft` in the agent to automate NotebookLM operations after installation
11npx notebooklm skill install

Después de la instalación, solo di 'Revisa la parte X en ese cuaderno' en el chat, y Claude lo llamará automáticamente—sin necesidad de explicar la sintaxis cada vez.

Parte IV: Prueba real—¿Cuánto dinero se ahorra? (Opus 4.7)

Estos números no son simulados; provienen de una sesión de investigación real extraída de los registros de sesión de Claude Code.

Del lado de NotebookLM, la subida, recuperación y generación son completamente gratis por parte de Google y no afectan tu factura. Todos los números a continuación solo cuentan el lado de Claude Opus.

Configuración de la prueba:

• Material: 47 documentos relacionados con SLAM de Imagen + LiDAR, todos en un cuaderno de NotebookLM.
• Modelo: Claude Opus 4.7
• Turnos: 5 rondas de preguntas y respuestas profundas (desde "mejores métodos de reconstrucción SLAM" hasta "errores de backends 3DGS vs NeRF").
• Método: Conversación normal en Claude Code, con el asistente llamando a /notecraft chat en cada ronda.

Resultados (Este método):

La factura está determinada por la entrada de tokens + cache_creation y salida. Las tarifas más baratas (cache_read + entrada) son menos de 1/10 del precio, así que nos centraremos en las partes caras:

Total por 5 rondas: $0.55, con un promedio de aproximadamente $0.11 por ronda.

Cifra clave: cache_creation fue solo 17,379.

cache_creation es el recuento de tokens para escribir nuevo contenido en el caché. En estas 5 rondas, solo las respuestas del maestro (~3-6k tokens) + pequeños incrementos del sistema se almacenaron en caché—totalizando 17,000.

Ni una sola palabra de los 47 documentos entró en `cache_creation` de Claude—ese es el secreto del ahorro.

Comparación: Meter 47 documentos directamente en el prompt

47 documentos totalizan 384,000 palabras ≈ 500,000 tokens. La inserción tradicional de prompt se ve así:

La comparación más justa es la segunda fila (Sesión única, múltiples turnos)—el mejor escenario para métodos tradicionales. Incluso entonces, la diferencia de costo en 5 rondas es 17x ($9.59 vs $0.55). Los escenarios entre sesiones son aún peores (86x).

¿Por qué no ayuda el caché de la manera tradicional? El caché de Anthropic tiene un valor predeterminado de 1 hora para los niveles pagos. Entre pensar, cambiar de ventanas o iniciar una nueva sesión, el caché anterior a menudo se desaloja.

En este método, los documentos nunca entran en Claude, por lo que los aciertos de caché no importan.

A medida que el material se duplica (100, 200 documentos), la brecha se amplía linealmente. El cache_creation tradicional crece con el número de documentos; este método se mantiene casi constante.

Para quienes realizan investigación en Opus: Un año de sesiones de investigación podría significar una diferencia de $2,000—solo mantener los documentos fuera de Claude ahorra lo suficiente para actualizar a Max nuevamente.

El Costo: 3 veces más lento

Si te importan los segundos de tiempo de respuesta más que la factura mensual, esta configuración no es para ti.

Las siguientes secciones describen tres flujos de trabajo adecuados para NotebookLM.

Parte V: Flujo de Trabajo para Investigadores/Estudiantes

Una lista de lectura es un límite natural de conocimiento.

Punto Doloroso: Docenas de documentos por semestre, revisando los mismos PDFs repetidamente. Ctrl-F es agotador, y ChatGPT podría alucinar sin citas.

Receta de Material (Sube una vez, usa todo el semestre):

• 20-50 PDFs de documentos relacionados con el tema
• Programa del curso, transcripciones de clases
• Correos del asesor, borradores de capítulos, notas de lectura

Preguntas Clave para el Maestro:

• "¿Qué dos documentos tienen conclusiones contradictorias, y sobre qué supuesto?"
• "¿Cuántas veces aparece el método X en este corpus, y cómo se usa?"
• "¿Son realmente equivalentes la fórmula 3 del Documento A y la fórmula 7 del Documento B?"

Rol de Claude: Avanzar el proyecto—obtener conceptos/fórmulas del maestro → escribir código para replicar → ejecutar experimentos → organizar notas. Los documentos en bruto nunca entran en la sesión de Claude.

Parte VI: Flujo de Trabajo para IPOs / Prospectos

Un prospecto tiene de 300 a 600 páginas, y la ventana de inversión es de solo tres días. Los humanos no pueden leerlo todo a tiempo.

Punto Doloroso: Las IPOs se mueven rápido. Los documentos tienen más de 500 páginas que cubren la historia de la empresa, modelos de negocio, finanzas, riesgos y anclas. Leer uno toma al menos 4 horas. Con 5-8 IPOs por semana, es imposible.

La información más valiosa no son los elogios propios; son las 'banderas rojas' ocultas en los factores de riesgo y transacciones con partes relacionadas. Los humanos las pasan por alto fácilmente.

Receta de Material (Un cuaderno por empresa):

• Prospecto Completo—El núcleo.
• Divulgaciones de Inversores Ancla—Quién los respalda y por cuánto tiempo.
• Informes Financieros de Pares—Referencias para valoración.
• Investigación de Patrocinadores/Aseguradores—Lógica oficial de precios.
• Entrevistas de Gestión y Rondas de Financiación Pasadas—Saltos de valoración.

Preguntas Clave para el Maestro:

Para decidir si invertir, haz estas 8 preguntas que normalmente toman horas encontrar:

1. "¿Cuál es el producto principal? ¿Cómo ha cambiado la estructura de ingresos en 3 años? ¿Concentración de clientes?"
2. "¿Cómo se compara esto con pares (A, B, C) en margen bruto, crecimiento e I+D?"
3. "¿Quiénes son los inversores ancla, montos y períodos de bloqueo?"
4. "Desglosa el uso de los fondos. ¿Cuál es la parte más grande? ¿Dilución post-IPO?"
5. "¿Qué factores de riesgo son de toda la industria vs. específicos de la empresa?"
6. "Valoración pasada: ¿Salto múltiple desde la última ronda hasta la IPO? ¿Bloqueo de la última ronda?"
7. "¿Hay señales de ganancias únicas inflando las ganancias? ¿Coincide el flujo de caja con la ganancia neta en 3 años?"
8. "¿Transacciones con partes relacionadas como % de ingresos? ¿Hay partes relacionadas entre los cinco principales clientes?"

Cada respuesta incluye citas de [Número de Página].

Rol de Claude:

El procesamiento por lotes es el alma de este flujo de trabajo:

Grupo de IPOs semanal = [Acción A, Acción B, Acción C, ...]

Claude resume las 8 empresas en una tabla de decisiones en markdown → Tú revisas y ordenas en 15 minutos.

5-8 IPOs = 40-64 consultas. El material total es de ~1 millón de tokens. Los métodos tradicionales quemarían $50+ por semana; este método cuesta menos de $2.

Parte VII: Flujo de Trabajo para Base de Conocimiento Personal

Construye tu "Segundo Cerebro".

Punto Doloroso: La búsqueda de Obsidian solo reconoce palabras clave. No puede responder "¿Cómo ha cambiado mi visión sobre X en tres años?" Las notas están dispersas y varían en formato.

Receta de Material:

• Exportaciones completas de Obsidian/Notion
• Destacados de Kindle, recortes de Readwise
• Diarios de trabajo, actas de reuniones, documentos de revisión

Preguntas Clave para el Maestro:

• "¿Qué he escrito sobre 'enfoque' en los últimos tres años? ¿Ha cambiado mi visión?"
• "¿Dónde se superponen o entran en conflicto 'Principles' y 'Thinking, Fast and Slow' sobre el sesgo cognitivo?"
• "¿Cuáles fueron las actitudes individuales hacia el Proyecto X en todas las actas de reuniones del mes pasado?"

Rol de Claude: Las preguntas de evolución del pensamiento necesitan IA conversacional + material completo. Claude sintetiza las respuestas múltiples del maestro en resúmenes estructurados (líneas de tiempo, comparaciones de puntos de vista, listas de seguimiento).

Punto en común de los tres flujos de trabajo: Consultas repetidas, entre documentos, límites privados. Si cumples con alguno de estos, el costo de configuración de 15 segundos se amortiza en una semana.

Reflexiones Finales

Puntos a tener en cuenta:

1. storage_state.json contiene tu sesión activa de Google. Mantenlo seguro.
2. notebooklm-client está hecho con ingeniería inversa. Google no lo soporta oficialmente; los backends podrían cambiar.

El núcleo de esto es la División del Trabajo:

• NotebookLM como Maestro: Responde conocimiento del dominio con citas, sin alucinaciones.
• Claude como Asistente: Orquesta herramientas, escribe código, organiza resultados, pregunta al maestro cuando se atasca.
• Tú como Líder del Proyecto: Intervienes solo en puntos clave de decisión.

He usado esto durante un mes, y los ahorros son suficientes para varias cenas agradables. Más importante aún, investigar docenas de documentos ya no me preocupa por mi límite—la libertad de 'no tener que contar tokens' es más adictiva que los ahorros mismos.

Si te gustó esta publicación, sígueme @MinLiBuilds.

Finalmente, recomiendo la primera parte de mi serie sobre caché, que explica el mecanismo de caché de manera simple para ayudarte a ahorrar tokens:

https://x.com/MinLiBuilds/status/2041178722230030384