Claude Code + NotebookLM + Obsidian: एक ऐसा रिसर्च मॉन्स्टर जो हर उपयोग के साथ और स्मार्ट होता जाता है

ज़्यादातर लोग रिसर्च को एक मैन्युअल काम समझते हैं।

आप 10 टैब खोलते हैं। आप वीडियो देखते हैं। आप लेख पढ़ते हैं। आप कहीं नोट्स लेते हैं। एक घंटे बाद आपके पास जानकारी का एक ढेर होता है जिसके साथ आप कुछ करना नहीं जानते।

एक बेहतर तरीका है।

यह Claude Code, NotebookLM, और Obsidian का उपयोग करके एक रिसर्च वर्कफ़्लो बनाने की चरण-दर-चरण गाइड है जो किसी भी विषय की जांच कर सकता है - बाजार की गतिशीलता, उभरती प्रौद्योगिकियां, क्रिप्टो इकोसिस्टम, कंटेंट निचे, कुछ भी - और हर बार जब आप इसका उपयोग करते हैं तो यह और अधिक स्मार्ट हो जाता है।

सेटअप का समय: 30 मिनट से कम

द स्टैक और यह क्यों काम करता है

चार टूल। हर एक समस्या की एक अलग परत को संभालता है।

• Claude Code - एक्ज़ीक्यूशन इंजन। यह कमांड चलाता है, स्किल्स को कॉल करता है, फ़ाइलों को मैनेज करता है, और पूरे पाइपलाइन को ऑर्केस्ट्रेट करता है। आप इससे सादी भाषा में बात करते हैं, यह काम करता है।
• Skill Creator - कस्टमाइज़ेशन लेयर। एक Claude Code प्लगइन जो आपको प्राकृतिक भाषा में पुन: प्रयोज्य स्किल्स बनाने देता है। आप बताते हैं कि आप क्या चाहते हैं, यह कोड जनरेट करता है और स्किल को इंस्टॉल करता है। कोई प्रोग्रामिंग आवश्यक नहीं है।
• NotebookLM - एनालिसिस इंजन। Google का AI रिसर्च टूल जो आपके स्रोतों को पढ़ता है और गहन विश्लेषण, सारांश, इन्फोग्राफिक्स, फ्लैशकार्ड, पॉडकास्ट स्क्रिप्ट और बहुत कुछ जनरेट करता है। जब Claude Code प्रोसेसिंग को NotebookLM पर ऑफलोड करता है, तो यह Google के कंप्यूट का उपयोग कर रहा है, आपके Claude टोकन का नहीं।
• Obsidian - मेमोरी लेयर। एक स्थानीय मार्कडाउन-आधारित नॉलेज सिस्टम जो वर्कफ़्लो द्वारा उत्पादित सब कुछ स्टोर करता है। समय के साथ Claude Code इन फ़ाइलों को पढ़ता है और सीखता है कि आप कैसे सोचते हैं, आपको किस चीज़ की परवाह है, और आप अपना विश्लेषण कैसे प्राप्त करना चाहते हैं।

संयुक्त: एक रिसर्च सिस्टम जो कमांड पर निष्पादित होता है, बड़े पैमाने पर विश्लेषण करता है, और उपयोग के साथ बेहतर होता है।

चरण 1: Skill Creator इंस्टॉल करें

Claude Code खोलें। सुनिश्चित करें कि आप अपने Obsidian वॉल्ट फ़ोल्डर के अंदर हैं - यह Obsidian के लिए Claude Code द्वारा जनरेट की गई फ़ाइलों को लेने के लिए महत्वपूर्ण है।

यह कमांड चलाएँ:

1/plugin

skill-creator खोजें। इसे इंस्टॉल करें। Claude Code से बाहर निकलें। Claude Code को पुनरारंभ करें।

अब आपके पास किसी भी स्किल को सादी भाषा में वर्णित करके बनाने की क्षमता है।

चरण 2: YouTube सर्च स्किल बनाएँ

यह स्किल Claude Code को YouTube पर सर्च करने और संरचित वीडियो डेटा - शीर्षक, चैनल, सब्सक्राइबर काउंट, व्यू काउंट, अपलोड दिनांक, URL, और एंगेजमेंट रेशियो - निकालने में सक्षम बनाती है।

Claude Code के अंदर यह कमांड चलाएँ:

1/skill-creator I want to create a skill that searches
2YouTube and returns structured video results.
3It should use yt-dlp to search for videos by query,
4return the top 20 results by default, and include
5metadata for each video - title, channel name, subscriber
6count, view count, duration, upload date, and URL.
7It should filter to the last 6 months by default but support
8a --months flag to change that.
9It should also calculate a views-to-subscribers
10ratio as an engagement metric.
11The output should be nicely formatted with
12dividers between each result and human-readable numbers.

Claude Code स्किल जनरेट करेगा, इसे इंस्टॉल करेगा, और पुष्टि करेगा। अब आपके पास एक कमांड के रूप में /yt-search उपलब्ध है।

नोट: आपकी मशीन पर yt-dlp इंस्टॉल होना चाहिए। यदि यह आपके पास नहीं है

चरण 3: NotebookLM-py इंस्टॉल करें

NotebookLM के पास कोई सार्वजनिक API नहीं है। Claude Code को NotebookLM से जोड़ने के लिए, हम notebooklm-py नामक एक ओपन-सोर्स प्रोजेक्ट का उपयोग करते हैं।

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

अपने टर्मिनल में ये कमांड चलाएँ (Claude Code के अंदर नहीं - एक अलग टर्मिनल विंडो खोलें):

1pip install notebooklm-py

फिर प्रमाणित करें:

1notebooklm login

एक ब्राउज़र विंडो खुलेगी। अपने Google खाते में लॉग इन करें। हो गया। कनेक्शन स्थापित हो गया है।

चरण 4: NotebookLM स्किल बनाएँ

अब आपको Claude Code को notebooklm-py का उपयोग करना सिखाना होगा। इसे Claude Code के अंदर चलाएँ:

1/skill-creator create a skill so we can best use the
2notebooklm-py tool. Reference the GitHub repo at
3github. com/teng-lin/notebooklm-py and build
4a skill that can: create new notebooks, add sources
5(YouTube URLs, text, files), run analysis on those sources,
6and generate deliverables including audio overview,
7mindmap, flashcards, and infographic.

यह Claude Code को NotebookLM द्वारा समर्थित प्रत्येक क्रिया के लिए कमांड के साथ एक पूर्ण NotebookLM स्किल देता है - प्रति नोटबुक 50 स्रोत तक, सभी डिलिवरेबल प्रकार।

चरण 5: सब कुछ एक पाइपलाइन स्किल में संयोजित करें

यह वह जगह है जहाँ वर्कफ़्लो वास्तव में शक्तिशाली हो जाता है।

मैन्युअल रूप से YouTube सर्च चलाने, फिर परिणामों को NotebookLM पर भेजने, फिर विश्लेषण का अनुरोध करने के बजाय - आप एक स्किल बनाते हैं जो एक ही कमांड पर क्रम में यह सब करता है।

इसे Claude Code के अंदर चलाएँ:

1/skill-creator I want to create a YouTube research pipeline
2skill that combines the yt-search skill and the
3NotebookLM skill. When I use this pipeline skill I want
4it to: take what I told it to research, go to YouTube and
5find 10 relevant videos using the yt-search skill, use
6the NotebookLM skill to create a new notebook,
7add those video sources to the notebook, then do
8analysis on the topic based on what I said when
9I invoked the skill. Furthermore ask me if I want
10a deliverable - NotebookLM can create flashcards,
11infographics, mindmaps, audio overviews.
12If I don't specify a deliverable assume none.
13After analysis bring everything back to me in a
14 markdown file saved to the vault, and also show
15it in chat. Include all YouTube search metadata
16in the output - sources used, view counts,
17channel names, engagement ratios.

वर्कफ़्लो चलाना

1/yt-pipeline I want to research AI agent frameworks in 2026.
2Which frameworks are developers actually adopting -
3- LangGraph, CrewAI, AutoGen, Agno, or something else?
4I want to understand what's driving views on this topic,
5where there's disagreement in the community,
6what the outliers are, and what angles haven't been
7covered well yet. Find 10 relevant sources,
8push them to a new NotebookLM notebook,
9run a full analysis, and generate an infographic
10showing the landscape.

पाइपलाइन स्किल इंस्टॉल होने के साथ, एक वास्तविक रिसर्च सत्र ऐसा दिखता है।

विषय: AI एजेंट फ्रेमवर्क। 2026 में वास्तव में क्या गति पकड़ रहा है, क्या ओवरहाइप्ड है, और मौजूदा कवरेज में अंतराल कहाँ हैं।

Claude Code पाइपलाइन शुरू करता है। यह YouTube सर्च स्किल को कॉल करता है, फ्रेमवर्क ट्यूटोरियल, तुलना और डेवलपर राय पर 10 वीडियो ढूंढता है - URL को NotebookLM पर भेजता है, एक नोटबुक बनाता है, विश्लेषण चलाता है, और एक इन्फोग्राफिक का अनुरोध करता है।

कुल प्रोसेसिंग समय: लगभग 6 मिनट।

उस समय का अधिकांश भाग Google के सर्वर पर NotebookLM प्रोसेसिंग है - आपके Claude टोकन नहीं।

परिणाम इस प्रकार वापस आता है:

1. एक पूर्ण विश्लेषण जिसमें शामिल है कि कौन से फ्रेमवर्क बढ़ रहे हैं बनाम पठार पर हैं, डेवलपर्स वास्तव में किस बारे में शिकायत कर रहे हैं, एंगेजमेंट आउटलायर्स, और कंटेंट गैप जिन्हें अभी तक किसी ने कवर नहीं किया है।
2. AI एजेंट फ्रेमवर्क लैंडस्केप को मैप करने वाला एक इन्फोग्राफिक।
3. एक मार्कडाउन फ़ाइल जो सीधे आपके Obsidian वॉल्ट में सब कुछ संरचित और लिंक्ड के साथ सहेजी गई है - भविष्य के रिसर्च सत्रों में संदर्भ के लिए तैयार।

जहाँ Obsidian इसे पूरी तरह से एक अलग टूल बनाता है

ऊपर दिया गया सब कुछ एक बार के रिसर्च कार्य के रूप में काम करता है।

Obsidian वह चीज़ है जो इसे ऐसी चीज़ में बदल देता है जो संयोजित होती है।

वर्कफ़्लो द्वारा उत्पादित प्रत्येक मार्कडाउन फ़ाइल आपके Obsidian वॉल्ट में आती है। समय के साथ आपका वॉल्ट आपके द्वारा शोध की गई हर चीज़ का एक संरचित संग्रह बन जाता है - विषय, स्रोत, विश्लेषण, पैटर्न, निष्कर्ष।

Claude Code इन सभी फ़ाइलों को पढ़ सकता है। यह देखता है कि वे कैसे जुड़ी हुई हैं। यह समझता है कि आप किन विषयों पर लौटते हैं, आपको कौन सा विश्लेषण उपयोगी लगा, आप किस प्रारूप को पसंद करते हैं।

आपके वॉल्ट के अंदर claude.md फ़ाइल वह जगह है जहाँ यह स्पष्ट हो जाता है। यह एक कॉन्फ़िगरेशन फ़ाइल है जो Claude Code को बताती है कि आपके साथ कैसे काम करना है - आपके कन्वेंशन, आपकी आउटपुट प्राथमिकताएँ, आप चीज़ों को कैसे संरचित करना चाहते हैं।

आप इसे यह कहकर अपडेट करते हैं:

1Can we update claude.md so it better reflects
2my work style, analysis approach, and output
3preferences based on our latest conversations?

Claude Code हाल के सत्र को पढ़ता है, आपके पैटर्न की पहचान करता है, और फ़ाइल को अपडेट करता है।

इसे सप्ताह में एक बार करें। एक महीने के बाद वर्कफ़्लो आपको इतनी अच्छी तरह से जानता है कि आउटपुट बिना व्यापक प्रॉम्प्टिंग के आप वास्तव में क्या चाहते हैं, उससे मेल खाने लगते हैं।

एक साल बाद - यदि आप लगातार ऐसा कर रहे हैं - तो आपके पास एक रिसर्च सिस्टम है जिसने सैकड़ों सत्रों को आत्मसात कर लिया है, आपकी सोच शैली को समझता है, और एक खाली उपकरण के बजाय एक प्रशिक्षित सहायक के रूप में काम करता है।

मॉड्यूलर पॉइंट जिसका कोई जिक्र नहीं करता

YouTube स्रोत मुद्दा नहीं है।

पाइपलाइन संरचना मुद्दा है।

आप YouTube को किसी भी डेटा स्रोत से बदल सकते हैं जिसे Claude Code एक्सेस कर सकता है:

• PDFs - अकादमिक पेपर, उद्योग रिपोर्ट, श्वेतपत्र
• सार्वजनिक वेब पेज - समाचार लेख, दस्तावेज़ीकरण, ब्लॉग पोस्ट
• स्थानीय फ़ाइलें - आपके अपने नोट्स, निर्यात किया गया डेटा, ट्रांसक्रिप्ट
• Google Drive - दस्तावेज़ और स्प्रेडशीट जो आपके पास पहले से हैं

वर्कफ़्लो टेम्पलेट वही रहता है। स्रोत बदलें, संरचना रखें।

श्वेतपत्रों और सार्वजनिक दस्तावेज़ीकरण का उपयोग करके क्रिप्टो इकोसिस्टम पर शोध करें। YouTube पर सम्मेलन वार्ता का उपयोग करके एक उभरती हुई तकनीक का विश्लेषण करें। जो प्रदर्शन कर रहा है उसका विश्लेषण करके एक कंटेंट निचे मैप करें। सार्वजनिक रिपोर्टों का उपयोग करके बाजार की गतिशीलता का अध्ययन करें।

उपयोग का मामला जो भी हो - पाइपलाइन, विश्लेषण परत, और मेमोरी सिस्टम समान रहते हैं।

आपके पास क्या आता है

एक रिसर्च सिस्टम जो:

• एक ही कमांड पर पूर्ण रिसर्च पाइपलाइन निष्पादित करता है
• NotebookLM के माध्यम से भारी विश्लेषण को Google के बुनियादी ढांचे पर ऑफलोड करता है
• स्वचालित रूप से संरचित डिलिवरेबल्स - इन्फोग्राफिक्स, माइंडमैप, ऑडियो, फ्लैशकार्ड - तैयार करता है
• प्रत्येक परिणाम को एक स्थानीय नॉलेज बेस में सहेजता है
• समय के साथ आपकी प्राथमिकताएँ सीखता है और तदनुसार अपने आउटपुट में सुधार करता है

30 मिनट का सेटअप पहली बार जब आप इसका उपयोग करते हैं तो अपने आप को चुकाता है।