NotebookLM में महारत हासिल करके Claude टोकन पर 80% की बचत करें

पिछले महीने, मैंने Claude को Pro से Max में अपग्रेड किया, जिसकी कीमत $200 प्रति माह थी, यह सोचकर कि अब यह काफी होगा।

दिन 5: साप्ताहिक सीमा समाप्त हो गई।

उपयोग लॉग देखकर पता चला कि पैसा कहाँ गया। एक ही दोपहर में 47 पेपर रिसर्च करने वाले एक सत्र ने मेरी साप्ताहिक सीमा का 10% एक बार में खत्म कर दिया। इसे हफ्ते में दो या तीन बार चलाने पर, सीमा स्वाभाविक रूप से टिक नहीं सकती।

समस्या यह थी कि मैं Claude से वह काम करवा रहा था जिसमें वह अच्छा नहीं है—पूर्ण-पाठ खोज इंजन के रूप में कार्य करना।

50k अक्षरों के लॉग को बातचीत में डालकर सवाल पूछने का मतलब है कि हर बार पूरा लॉग इनपुट टोकन के रूप में गिना जाता है। भले ही आप प्रॉम्प्ट कैश हिट करें (जहाँ कीमत 1/10 है), मुख्य सत्र हर टर्न के साथ धीरे-धीरे बढ़ता रहता है। इससे भी बुरी बात, कैश का TTL 1 घंटा है; यदि आप बहुत देर करते हैं, तो आपको इसे पूरी कीमत पर फिर से लिखना होगा। यह एक वकील से सवाल पूछने जैसा है, लेकिन हर बार वकील को बोलने से पहले आपका 50 पेज का अनुबंध ज़ोर से पढ़वाना पड़ता है।

Claude Code तर्क, ऑर्केस्ट्रेशन और कोडिंग में उत्कृष्ट है। कच्चे स्रोत सामग्री को पढ़ने का काम दूसरे टूल्स को संभालना चाहिए, और Claude को केवल निष्कर्ष दिखने चाहिए। इस तर्क का पालन करते हुए, मुझे NotebookLM याद आया।

इस कॉन्फ़िगरेशन गाइड को फॉलो करें, और आपका $20 का अकाउंट $200 वाले अकाउंट का काम कर सकता है।

गाइड

यह एक लंबी पोस्ट है; जो आपको रुचिकर लगे, उस पर सीधे जाएँ:

• I: NotebookLM क्या है + यह क्या कर सकता है?
• II: ऊपर Claude की एक परत क्यों जोड़ें?
• III: स्किल इंस्टॉल करना (10 मिनट का सेटअप)
• IV: वास्तविक टोकन बिल + सिद्धांत का विश्लेषण
• V: विद्वानों / छात्रों के लिए वर्कफ़्लो
• VI: IPO / प्रॉस्पेक्टस पढ़ने के लिए वर्कफ़्लो
• VII: व्यक्तिगत ज्ञानकोष के लिए वर्कफ़्लो
• सारांश

अगर आप पहले वर्कफ़्लो देखना चाहते हैं, तो सीधे भाग V पर जाएँ।

एक वाक्य में सिद्धांत:

Claude टोकन बचाने का असली तरीका सिर्फ़ कैश सक्षम करना नहीं है; यह सुनिश्चित करना है कि भारी डेटा कभी Claude में प्रवेश न करे।

अर्थात: NotebookLM को स्टोरेज और रिट्रीवल संभालने दें, जबकि Claude तर्क और ऑर्केस्ट्रेशन संभाले। श्रम का विभाजन स्पष्ट है, इस उपमा से संक्षेप में:

NotebookLM शिक्षक है

: आपके द्वारा एकत्र किए गए पेपर, वित्तीय रिपोर्ट और नोट्स इसका ज्ञानकोष बनाते हैं। आप इसे पूछते हैं, और यह अनुभव के आधार पर उद्धरणों के साथ उत्तर देता है, स्रोत की सीमाओं के भीतर रहता है और भ्रमित नहीं होता।

Claude सहायक है

: कोड लिखने, स्क्रिप्ट चलाने, परिणामों को व्यवस्थित करने और टूल्स को ऑर्केस्ट्रेट करने के लिए जिम्मेदार। अगर इसे कुछ नहीं पता, तो यह शिक्षक से पूछता है, उत्तर पाता है, और काम जारी रखता है।

आप प्रोजेक्ट लीड हैं

: आप केवल मुख्य निर्णय बिंदुओं पर हस्तक्षेप करते हैं।

मुख्य सिद्धांत: श्रम का यह विभाजन पैसे क्यों बचाता है

1. RAG बनाम कॉन्टेक्स्ट स्टफिंग दो अलग-अलग लागत मॉडल हैं।

50k अक्षरों को Claude चैट में भरना इनपुट टोकन के रूप में गिना जाता है। हर सवाल के लिए इसे फिर से "देखना" पड़ता है, और लागत सामग्री के आकार के साथ रैखिक रूप से बढ़ती है। RAG के साथ, NotebookLM आंतरिक रूप से प्रासंगिक स्निपेट हिट करने के लिए वेक्टर खोज का उपयोग करता है, और Claude को केवल कुछ सौ शब्दों का संक्षिप्त उत्तर मिलता है, जिससे लागत लगभग स्थिर रहती है।

2. प्रॉम्प्ट कैश का TTL 1h है, और शोध परिदृश्यों में हिट दर कम है।

बहुत से लोग सोचते हैं कि कैश सक्षम करने से सब कुछ हल हो जाता है। वास्तव में, Anthropic का प्रॉम्प्ट कैश डिफ़ॉल्ट रूप से 1 घंटे की समाप्ति के साथ आता है। यदि आप कुछ मिनट सोचते हैं, कार्य बदलते हैं, या नया सत्र खोलते हैं, तो अगली कॉल को पूर्ण cache_creation कीमत पर कैश फिर से लिखना होगा। शोध सत्र "पूछो, सोचो, फिर पूछो" की लय में चलते हैं, जहाँ हिट दर अक्सर बेहद खराब होती है। यही बढ़ते बिल का असली कारण है।

3. तथ्य-आधारित आउटपुट अधिक कुशल है।

NotebookLM के उत्तर आपके अपलोड किए गए स्रोतों तक सीमित होते हैं, हर वाक्य के साथ [1][2] उद्धरण होते हैं जो पाठ से जुड़े होते हैं। यह मनगढ़ंत बातें नहीं बनाएगा। जब Claude इन उत्तरों का उपयोग निर्णयों के लिए करता है, तो आपको उसे बार-बार "दोबारा जाँच" करने के लिए नहीं कहना पड़ता, जिससे असंख्य समय बचता है।

इसे किसे छोड़ देना चाहिए:

• सामग्री < 5k टोकन या केवल एक-दो बार जाँच करनी है—सीधे Claude से पूछें।
• शुद्ध Q&A की ज़रूरत है, वर्कफ़्लो एकीकरण नहीं—बस NotebookLM वेब इंटरफ़ेस का उपयोग करें।
• जो लोग बिल से अधिक प्रतिक्रिया गति को महत्व देते हैं—यह लगभग 3 गुना धीमा है।
• जिन्हें कोड संरचना/परिभाषाओं को समझना है—NotebookLM टेक्स्ट RAG के लिए बेहतर है।

किसे पढ़ना जारी रखना चाहिए:

• जो विशिष्ट इंस्टॉलेशन चरण और बचने के लिए नुकसान चाहते हैं।
• जो देखना चाहते हैं कि परिदृश्य कमांड स्तर पर कैसे अनुवादित होते हैं।
• Claude Code उपयोगकर्ता जो NotebookLM को एक स्किल में बदलना चाहते हैं।

भाग I: NotebookLM को जानना

मैंने पहली बार NotebookLM एक दोस्त की सिफारिश पर खोला। उसकी थीसिस के लिए पढ़ने की सूची में 60 से अधिक पेपर थे। वह पहले PDF में Ctrl-F करती थी; अब वह सभी को एक नोटबुक में डालती है और पूछती है, "दृश्य X का समर्थन कौन करता है, कौन विरोध करता है, और असहमतियाँ कहाँ हैं?"—उत्तर [1][2][3] उद्धरणों के साथ आता है जो क्लिक करने पर सटीक पैराग्राफ पर जाते हैं।

उसने कहा कि इससे उसे हफ्ते में दस घंटे से अधिक बचते हैं।

मैंने एक सप्ताह के लिए संदेह के साथ इसे आज़माया और इसका आदी हो गया। यहाँ NotebookLM के फायदे हैं:

1. मुफ्त में 50 स्रोत / Pro में 300 का समर्थन करता है।
2. प्रोसेसिंग पावर मुफ्त है—अपलोड, इंडेक्सिंग, जनरेशन और चैट सभी Google के कंप्यूट का उपयोग करते हैं।
3. Q&A के अलावा, यह एक नोटबुक से ऑडियो पॉडकास्ट (कम्यूट के लिए बढ़िया), माइंड मैप, PPTs, फ्लैशकार्ड आदि स्वचालित रूप से जनरेट कर सकता है।
4. पॉडकास्ट अद्भुत हैं—दो AI "अजनबियों" को अपनी सामग्री पर उन कोणों से चर्चा करते सुनना जिनके बारे में आपने नहीं सोचा था, अक्सर नई अंतर्दृष्टि प्रकट करता है।

फ़ॉर्मेट कभी समस्या नहीं है: PDF, URL, YouTube ट्रांसक्रिप्ट, Google Docs, सादा पाठ, इमेज OCR, और ऑडियो ट्रांसक्रिप्शन सभी स्रोत हो सकते हैं।

कई लोगों के लिए, NotebookLM पहले से ही एक शक्तिशाली स्वतंत्र उपकरण है। अगर आपकी ज़रूरत सिर्फ "बैठकर सवाल पूछना" है, तो आप यहाँ पढ़ना बंद कर सकते हैं।

लेकिन मैंने पाया कि यह दो जगहों पर अटक जाता है:

1. कॉन्टेक्स्ट स्विच करने से प्रवाह बिगड़ जाता है।

एक विषय पर शोध: सवाल पूछें → उत्तर पाएँ → उद्धरण पर क्लिक करके स्रोत पर जाएँ → एक अनुभाग पढ़ें → उत्तर कॉपी करने के लिए नोटबुक पर वापस जाएँ → उपयोग करने के लिए Claude Code पर स्विच करें → प्रयोग चलाएँ → लापता स्रोत खोजें → Google Search पर स्विच करें → डाउनलोड करें → नोटबुक पर वापस जाकर स्रोत जोड़ें → पूछना जारी रखें... एक दोपहर में 200 बार टैब स्विच करना।

2. यह स्थानीय टूल्स से अलग है।

ऑनलाइन घटनाओं का निवारण करते समय, मैं नोटबुक में लॉग खोज सकता हूँ। लेकिन मुझे टर्मिनल में स्थानीय कॉन्फ़िगरेशन grep करने, k8s इवेंट चेक करने, और पॉड्स स्पिन करने की भी ज़रूरत है—वेब ऐप स्थानीय कमांड नहीं चला सकता। यह हमेशा "वेब पर पढ़ो → मैन्युअल टाइप करो → वापस स्विच करो" होता है।

NotebookLM वेब ऐप खुद को गंतव्य के रूप में रखता है। आप पूछते हैं, यह उत्तर देता है, कहानी खत्म। लेकिन मैं चाहता हूँ कि यह असेंबली लाइन में एक कड़ी हो—शेड्यूल्ड, बैच-प्रोसेस्ड, और आउटपुट अगले चरण में प्रवाहित हो।

यहाँ Claude आता है।

भाग II: ऊपर Claude की परत जोड़ना

NotebookLM को Claude के लिए एक उपकरण में बदलें। एक चीज़ काफी है: जब Claude को डोमेन ज्ञान चाहिए, तो वह शिक्षक से पूछता है।

प्रवाह

शिक्षक (NotebookLM) एक रीड-ओनली हेल्प डेस्क है: आप इसमें एक बार 47 पेपर डाल देते हैं और छोड़ देते हैं। वे सवालों का इंतज़ार करते रहते हैं। नोट्स या कोड वापस फीड करने की ज़रूरत नहीं—पेपरों में दिए गए दृष्टिकोण सभी प्रश्नों का समर्थन करने के लिए पर्याप्त हैं।

निम्नलिखित प्रॉम्प्ट छह चरणों, अनुशासन और विशिष्ट नोटबुक ID को एक ऐसे फ़ॉर्मेट में एन्कोड करता है जिसे Claude Code चला सकता है (ID बदलना याद रखें):

1# भूमिका
2आप मेरे शोध सहायक हैं। मेरे विषय शिक्षक के लिए एक निश्चित NotebookLM नोटबुक (ID: 6634ad4d-0594-4700-bddf-4a400ad46fa2) है जिसमें 47 प्रासंगिक पेपर हैं।
3आप इंस्टॉल किए गए notebooklm स्किल (`/notecraft chat` कमांड) के माध्यम से शिक्षक से बात करते हैं।
4
5# आयरन नियम
61. पेपर के दृष्टिकोण, सूत्र, विधियाँ या ज्ञात कमियों से जुड़े किसी भी प्रश्न के लिए, **पहले शिक्षक से /notecraft chat के माध्यम से पूछें**। 
7   स्मृति से उत्तर न दें, और मुझसे पेपर का पाठ चैट में चिपकाने के लिए न कहें।
82. शिक्षक एक **रीड-ओनली हेल्प डेस्क** है: नोट्स, कोड या प्रयोग परिणाम वापस नोटबुक में न डालें। 
9   ज्ञानकोष 47 पेपरों के साथ स्थिर रहता है।
103. शिक्षक के उत्तरों में [1][2] उद्धरण शामिल हैं। इन उद्धरणों को अपने आउटपुट में बिल्कुल वैसे ही रखें जैसे वे हैं।
114. आप तय करते हैं कि प्रक्रिया के बीच में शिक्षक से दोबारा पूछना है या नहीं—हर कदम मेरे साथ पुष्टि करने की ज़रूरत नहीं है।
125. यदि शिक्षक उत्तर नहीं दे सकता या उद्धरण कमज़ोर है, तो स्पष्ट रूप से कहें "शिक्षक के पास कोई उत्तर नहीं है"; मनगढ़ंत न करें।
13
14# वर्कफ़्लो
15① मैं आपको एक विषय/उप-समस्या देता हूँ।
16② ऐसे बिंदुओं की पहचान करें जिनमें डोमेन ज्ञान की आवश्यकता है (पेपर के दृष्टिकोण, पिछली विधियाँ, सूत्र, विफलता मोड)।
17③ इन बिंदुओं के लिए /notecraft chat के माध्यम से शिक्षक से पूछकर उद्धृत उत्तर प्राप्त करें।
18④ उत्तरों के साथ निष्पादन चलाएँ: कोड लिखें, स्क्रिप्ट चलाएँ, स्थानीय फ़ाइलें grep करें, परिणाम व्यवस्थित करें।
19⑤ यदि निष्पादन के दौरान नए प्रश्न उठते हैं, तो चरण ③ पर वापस जाएँ और हल होने तक शिक्षक से पूछें।
20⑥ मुझे अंतिम आउटपुट:
21   - निष्कर्ष (शिक्षक से [उद्धरण] के साथ)
22   - आपका कोड / प्रयोग परिणाम
23   - खुले प्रश्नों के लिए एक अलग अनुभाग जिन्हें शिक्षक ने कवर नहीं किया
24
25# आउटपुट फ़ॉर्मेट
26हर डिलीवरी के लिए इस टेम्पलेट का उपयोग करें:
27
28## शिक्षक कहते हैं
29(/notecraft chat से मुख्य बिंदु, [उद्धरण] रखते हुए)
30
31## मैंने क्या किया
32(आपके द्वारा लिखा गया कोड / चलाए गए कमांड / देखे गए परिणाम)
33
34## निष्कर्ष
35(मेरे मूल विषय का उत्तर)
36
37## शिक्षक द्वारा कवर नहीं किया गया
38(वे बिंदु जिनका शिक्षक उत्तर नहीं दे सका या जिनके उद्धरण कमज़ोर थे, मेरे मैन्युअल अनुवर्ती के लिए)
39
40# शुरू करें
41मेरा पहला विषय है: <अपना प्रश्न यहाँ लिखें>

मुख्य निष्कर्ष:

• 47 पेपर कभी Claude चैट में प्रवेश नहीं करते—मुख्य सत्र टोकन केवल तर्क और कोड पर खर्च होते हैं।
• शिक्षक से केवल सलाह ली जाती है, निष्पादन में शामिल नहीं किया जाता—इसकी ताकत उद्धृत डोमेन रिट्रीवल है।
• आप केवल चरण ① पर हस्तक्षेप करते हैं—Claude तय करता है कि शिक्षक से कब सलाह लेनी है।
• ज्ञानकोष स्थिर है—47 पेपर काफी हैं।

यही कारण है कि "उन्हें जोड़ना" "उन्हें अलग-अलग उपयोग करने" से अधिक शक्तिशाली है: बचाए गए टैब स्विचिंग और टोकन अतिरिक्त लाभ हैं। देखते हैं ये लाभ कितने बड़े हैं।

भाग III: NotebookLM क्लाइंट और स्किल इंस्टॉल करना

Google कोई आधिकारिक NotebookLM क्लाइंट प्रदान नहीं करता, लेकिन @icebear0828 ने एक तृतीय-पक्ष क्लाइंट लिखा है। एक बार इंस्टॉल होने पर, एजेंट कमांड लाइन या प्राकृतिक भाषा के माध्यम से NotebookLM तक पहुँच सकते हैं।

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

बुनियादी इंस्टॉलेशन:

1# क्लाइंट इंस्टॉल करें
2npm i notebooklm-client
3
4# लॉगिन सत्र निर्यात करें (Google लॉगिन के लिए ब्राउज़र खोलता है)
5npx notebooklm export-session
6
7# किसी नोटबुक से चैट करें
8# npx notebooklm chat <notebook-id> --transport auto --question "मेरे लिए इसका सारांश दें"
9
10# इंस्टॉलेशन के बाद एजेंट में NotebookLM ऑपरेशन स्वचालित करने के लिए `/notecraft` का उपयोग करें
11npx notebooklm skill install

इंस्टॉलेशन के बाद, बस चैट में "उस नोटबुक में X भाग देखें" कहें, और Claude स्वचालित रूप से इसे कॉल करेगा—हर बार सिंटैक्स समझाने की ज़रूरत नहीं।

भाग IV: वास्तविक परीक्षण—कितना पैसा बचता है? (Opus 4.7)

ये आंकड़े अनुकरण नहीं हैं; ये Claude Code के सत्र लॉग से लिए गए एक वास्तविक शोध सत्र से हैं।

NotebookLM की ओर, अपलोड, रिट्रीवल और जनरेशन Google द्वारा पूरी तरह मुफ्त हैं और आपके बिल पर नहीं आते। नीचे दिए गए सभी आंकड़े केवल Claude Opus पक्ष की गणना करते हैं।

परीक्षण सेटअप:

• सामग्री: इमेज + LiDAR SLAM से संबंधित 47 पेपर, सभी एक NotebookLM नोटबुक में।
• मॉडल: Claude Opus 4.7
• टर्न: गहन Q&A के 5 राउंड ("सर्वश्रेष्ठ SLAM पुनर्निर्माण विधियों" से "3DGS बनाम NeRF बैकएंड के नुकसान" तक)।
• विधि: Claude Code में सामान्य बातचीत, सहायक प्रत्येक राउंड /notecraft chat कॉल करता है।

परिणाम (यह विधि):

बिल टोकन इनपुट + cache_creation और आउटपुट द्वारा निर्धारित होता है। सस्ती दरें (cache_read + इनपुट) कीमत के 1/10 से भी कम हैं, इसलिए हम महंगे भागों पर ध्यान केंद्रित करेंगे:

5 राउंड का कुल: $0.55, औसत लगभग $0.11 प्रति राउंड।

मुख्य आंकड़ा: cache_creation केवल 17,379 था।

cache_creation कैश में नई सामग्री लिखने के लिए टोकन गणना है। इन 5 राउंड में, केवल शिक्षक के उत्तर (~3-6k टोकन) + छोटे सिस्टम वेतन वृद्धि को कैश किया गया—कुल 17,000।

47 पेपरों का एक भी शब्द Claude के `cache_creation` में प्रवेश नहीं किया—यही बचत का रहस्य है।

तुलना: 47 पेपरों को सीधे प्रॉम्प्ट में भरना

47 पेपर कुल 384,000 शब्द ≈ 500,000 टोकन। पारंपरिक प्रॉम्प्ट स्टफिंग इस तरह दिखती है:

सबसे निष्पक्ष तुलना दूसरी पंक्ति (एकल सत्र, एकाधिक टर्न) है—पारंपरिक विधियों के लिए सबसे अच्छा परिदृश्य। फिर भी, 5 राउंड की लागत का अंतर 17 गुना ($9.59 बनाम $0.55) है। क्रॉस-सत्र परिदृश्य और भी खराब हैं (86 गुना)।

पारंपरिक तरीके में कैश मदद क्यों नहीं करता? Anthropic का कैश डिफ़ॉल्ट रूप से भुगतान वाले स्तरों के लिए 1 घंटे का होता है। सोचने, विंडो स्विच करने या नया सत्र शुरू करने के बीच, पिछला कैश अक्सर हटा दिया जाता है।

इस विधि में, पेपर कभी Claude में प्रवेश नहीं करते, इसलिए कैश हिट मायने नहीं रखते।

जैसे-जैसे सामग्री दोगुनी होती है (100, 200 पेपर), अंतर रैखिक रूप से बढ़ता है। पारंपरिक cache_creation पेपरों की संख्या के साथ बढ़ता है; यह विधि लगभग स्थिर रहती है।

Opus पर शोध चलाने वालों के लिए: एक साल के शोध सत्रों का मतलब $2,000 का अंतर हो सकता है—सिर्फ़ पेपरों को Claude से बाहर रखने से Max में फिर से अपग्रेड करने के लिए पर्याप्त बचत होती है।

लागत: 3 गुना धीमा

यदि आप मासिक बिल के बजाय प्रतिक्रिया समय के सेकंड की परवाह करते हैं, तो यह सेटअप आपके लिए नहीं है।

निम्नलिखित अनुभाग तीन वर्कफ़्लो की रूपरेखा प्रस्तुत करते हैं जो NotebookLM के लिए उपयुक्त हैं।

भाग V: शोधकर्ता / छात्र वर्कफ़्लो

एक पठन सूची एक प्राकृतिक ज्ञान सीमा है।

दर्द बिंदु: एक सेमेस्टर में दर्जनों पेपर, एक ही PDF को बार-बार जाँचना। Ctrl-F थकाऊ है, और ChatGPT बिना उद्धरणों के भ्रमित हो सकता है।

सामग्री नुस्खा (एक बार अपलोड करें, पूरे सेमेस्टर उपयोग करें):

• 20-50 विषय-संबंधित पेपर PDF
• पाठ्यक्रम सिलेबस, व्याख्यान प्रतिलेख
• सलाहकार ईमेल, ड्राफ्ट अध्याय, पठन नोट्स

शिक्षक के लिए प्रभावी प्रश्न:

• "किन दो पेपरों के निष्कर्ष परस्पर विरोधी हैं, और किस धारणा पर?"
• "इस संग्रह में विधि X कितनी बार दिखाई देती है, और इसका उपयोग कैसे किया जाता है?"
• "क्या पेपर A में सूत्र 3 और पेपर B में सूत्र 7 वास्तव में समतुल्य हैं?"

Claude की भूमिका: परियोजना को आगे बढ़ाएँ—शिक्षक से अवधारणाएँ/सूत्र प्राप्त करें → प्रतिलिपि बनाने के लिए कोड लिखें → प्रयोग चलाएँ → नोट्स व्यवस्थित करें। कच्चे पेपर कभी Claude सत्र में प्रवेश नहीं करते।

भाग VI: IPO / प्रॉस्पेक्टस वर्कफ़्लो

एक प्रॉस्पेक्टस 300-600 पेज का होता है, और निवेश की खिड़की केवल तीन दिन होती है। मनुष्य समय पर यह सब नहीं पढ़ सकते।

दर्द बिंदु: IPO तेज़ी से चलते हैं। दस्तावेज़ 500+ पेज के होते हैं जिनमें कंपनी का इतिहास, व्यवसाय मॉडल, वित्तीय, जोखिम और कोरनेस्टोन शामिल होते हैं। एक को पढ़ने में कम से कम 4 घंटे लगते हैं। हफ्ते में 5-8 IPO के साथ, यह असंभव है।

सबसे मूल्यवान जानकारी आत्म-प्रशंसा नहीं है; यह जोखिम कारकों और संबंधित-पक्ष लेन-देन में छिपे "लाल झंडे" हैं। मनुष्य इन्हें आसानी से चूक जाते हैं।

सामग्री नुस्खा (प्रति कंपनी एक नोटबुक):

• पूर्ण प्रॉस्पेक्टस—मुख्य भाग।
• कोरनेस्टोन निवेशक प्रकटीकरण—उनका समर्थन कौन कर रहा है और कितने समय के लिए?
• सहकर्मी वित्तीय रिपोर्ट—मूल्यांकन के लिए बेंचमार्क।
• प्रायोजक/अंडरराइटर शोध—आधिकारिक मूल्य निर्धारण तर्क।
• प्रबंधन साक्षात्कार और पिछले फंडिंग राउंड—मूल्यांकन में उछाल।

शिक्षक के लिए प्रभावी प्रश्न:

निवेश करने का निर्णय लेने के लिए, ये 8 प्रश्न पूछें जिनमें आमतौर पर घंटों लगते हैं:

1. "मुख्य उत्पाद क्या है? 3 साल में राजस्व संरचना कैसे बदली है? ग्राहक एकाग्रता?"
2. "यह सकल मार्जिन, विकास और R&D में सहकर्मियों (A, B, C) से कैसे तुलना करता है?"
3. "कोरनेस्टोन निवेशक कौन हैं, राशियाँ और लॉक-अप अवधियाँ?"
4. "आय के उपयोग को तोड़ें। सबसे बड़ा हिस्सा क्या है? IPO के बाद डायल्यूशन?"
5. "कौन से जोखिम कारक उद्योग-व्यापी बनाम कंपनी-विशिष्ट हैं?"
6. "पिछला मूल्यांकन: पिछले राउंड से IPO तक कूद का गुणक? पिछले राउंड का लॉक-अप?"
7. "एकमुश्त लाभ से लाभ बढ़ाने के कोई संकेत? क्या नकदी प्रवाह 3 वर्षों में शुद्ध लाभ से मेल खाता है?"
8. "राजस्व के प्रतिशत के रूप में संबंधित-पक्ष लेन-देन? शीर्ष पाँच ग्राहकों में कोई संबंधित पक्ष?"

हर उत्तर में [पृष्ठ संख्या] उद्धरण शामिल होते हैं।

Claude की भूमिका:

बैच प्रोसेसिंग इस वर्कफ़्लो की आत्मा है:

साप्ताहिक IPO पूल = [स्टॉक A, स्टॉक B, स्टॉक C, ...]

Claude 8 कंपनियों को एक मार्कडाउन निर्णय तालिका में संक्षेपित करता है → आप स्कैन करते हैं और 15 मिनट में ऑर्डर करते हैं।

5-8 IPO = 40-64 क्वेरीज़। कुल सामग्री ~1 मिलियन टोकन है। पारंपरिक विधियाँ हफ्ते में $50+ जलाएँगी; यह विधि $2 से कम खर्च करती है।

भाग VII: व्यक्तिगत ज्ञानकोष वर्कफ़्लो

अपना "दूसरा दिमाग" बनाएँ।

दर्द बिंदु: Obsidian खोज केवल कीवर्ड पहचानती है। यह उत्तर नहीं दे सकता "तीन साल में X पर मेरा दृष्टिकोण कैसे बदला है?" नोट्स बिखरे हुए हैं और प्रारूप में भिन्न हैं।

सामग्री नुस्खा:

• पूर्ण Obsidian / Notion निर्यात
• Kindle हाइलाइट्स, Readwise क्लिप्स
• कार्य डायरी, मीटिंग मिनट्स, समीक्षा दस्तावेज़

शिक्षक के लिए प्रभावी प्रश्न:

• "पिछले तीन वर्षों में मैंने 'फोकस' के बारे में क्या लिखा है? क्या मेरा दृष्टिकोण बदला है?"
• "संज्ञानात्मक पूर्वाग्रह पर 'Principles' और 'Thinking, Fast and Slow' कहाँ ओवरलैप या विरोध करते हैं?"
• "पिछले महीने की सभी मीटिंग मिनट्स में प्रोजेक्ट X के प्रति व्यक्तिगत दृष्टिकोण क्या थे?"

Claude की भूमिका: विचार-विकास प्रश्नों के लिए संवादात्मक AI + पूर्ण सामग्री की आवश्यकता होती है। Claude शिक्षक के बहु-राउंड उत्तरों को संरचित सारांशों (समयरेखा, दृष्टिकोण तुलना, अनुवर्ती सूची) में संश्लेषित करता है।

तीनों वर्कफ़्लो की समानता: बार-बार क्वेरीज़, क्रॉस-दस्तावेज़, निजी सीमाएँ। यदि आप इनमें से किसी से टकराते हैं, तो 15 सेकंड का सेटअप खर्च एक सप्ताह के भीतर अपने आप वसूल हो जाता है।

अंतिम विचार

ध्यान देने योग्य बातें:

1. storage_state.json में आपका सक्रिय Google सत्र होता है। इसे सुरक्षित रखें।
2. notebooklm-client रिवर्स-इंजीनियर्ड है। Google आधिकारिक रूप से इसका समर्थन नहीं करता; बैकएंड बदल सकते हैं।

इसका मूल है श्रम का विभाजन:

• NotebookLM शिक्षक के रूप में: उद्धरणों के साथ डोमेन ज्ञान का उत्तर देता है, कोई भ्रम नहीं।
• Claude सहायक के रूप में: टूल्स को ऑर्केस्ट्रेट करता है, कोड लिखता है, परिणाम व्यवस्थित करता है, अटकने पर शिक्षक से पूछता है।
• आप प्रोजेक्ट लीड के रूप में: केवल मुख्य निर्णय बिंदुओं पर हस्तक्षेप करें।

मैंने इसे एक महीने तक इस्तेमाल किया, और बचत कुछ अच्छे डिनर के लिए पर्याप्त है। इससे भी महत्वपूर्ण बात, दर्जनों पेपरों पर शोध करना अब मुझे अपनी सीमा की चिंता नहीं कराता—"टोकन गिनने की ज़रूरत नहीं" की आज़ादी बचत से भी अधिक नशीली है।

अगर आपको यह पोस्ट पसंद आई, तो मुझे फ़ॉलो करें @MinLiBuilds।

अंत में, मैं अपनी कैश श्रृंखला का पहला भाग सुझाता हूँ, जो कैशिंग तंत्र को सरलता से समझाता है और आपको टोकन बचाने में मदद करता है:

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