Claude Code + NotebookLM + Obsidian: il mostro della ricerca che diventa più intelligente a ogni utilizzo

La maggior parte delle persone tratta la ricerca come un compito manuale.

Apri 10 schede. Guardi video. Leggi articoli. Prendi appunti da qualche parte. Un'ora dopo hai un mucchio di informazioni di cui non sai cosa fare.

C'è un modo migliore.

Questa è una guida passo-passo per costruire un flusso di lavoro di ricerca usando Claude Code, NotebookLM e Obsidian, in grado di investigare qualsiasi argomento – dinamiche di mercato, tecnologie emergenti, ecosistemi crypto, nicchie di contenuti, qualsiasi cosa – e che diventa più preciso ogni volta che lo usi.

Tempo di configurazione: meno di 30 minuti

Lo Stack e Perché Funziona

Quattro strumenti. Ognuno gestisce un diverso livello del problema.

• Claude Code – il motore di esecuzione. Esegue comandi, chiama skill, gestisce file e orchestra l'intera pipeline. Gli parli in linguaggio naturale, lui fa il lavoro.
• Skill Creator – il livello di personalizzazione. Un plugin per Claude Code che ti permette di creare skill riutilizzabili in linguaggio naturale. Descrivi cosa vuoi, lui genera il codice e installa la skill. Nessuna programmazione richiesta.
• NotebookLM – il motore di analisi. Lo strumento di ricerca AI di Google che legge le tue fonti e genera analisi approfondite, riassunti, infografiche, flashcard, script per podcast e altro ancora. Quando Claude Code scarica l'elaborazione su NotebookLM, sta usando la potenza di calcolo di Google, non i tuoi token di Claude.
• Obsidian – il livello di memoria. Un sistema di conoscenza locale basato su Markdown che memorizza tutto ciò che il flusso di lavoro produce. Col tempo, Claude Code legge questi file e impara come pensi, cosa ti interessa e come vuoi che vengano presentate le tue analisi.

Combinati: un sistema di ricerca che esegue comandi, analizza su larga scala e migliora con l'uso.

Passo 1: Installa lo Skill Creator

Apri Claude Code. Assicurati di essere all'interno della cartella del tuo vault Obsidian – è importante affinché Obsidian possa raccogliere i file generati da Claude Code.

Esegui questo comando:

1/plugin

Cerca skill-creator. Installalo. Esci da Claude Code. Riavvia Claude Code.

Ora hai la possibilità di creare qualsiasi skill descrivendola in linguaggio naturale.

Passo 2: Crea la Skill di Ricerca su YouTube

Questa skill permette a Claude Code di cercare su YouTube e recuperare dati strutturati sui video – titoli, canali, numero di iscritti, visualizzazioni, date di caricamento, URL e rapporti di engagement.

Esegui questo comando all'interno di Claude Code:

1/skill-creator Voglio creare una skill che cerchi su YouTube
2e restituisca risultati video strutturati.
3Dovrebbe usare yt-dlp per cercare video per query,
4restituire i primi 20 risultati di default e includere
5i metadati per ogni video – titolo, nome del canale, numero
6di iscritti, visualizzazioni, durata, data di caricamento e URL.
7Dovrebbe filtrare per gli ultimi 6 mesi di default ma supportare
8un flag --months per cambiarlo.
9Dovrebbe anche calcolare un rapporto visualizzazioni/iscritti
10come metrica di engagement.
11L'output dovrebbe essere ben formattato con
12separatori tra ogni risultato e numeri leggibili.

Claude Code genererà la skill, la installerà e confermerà. Ora hai \/yt-search\ disponibile come comando.

Nota: yt-dlp deve essere installato sulla tua macchina. Se non lo hai

Passo 3: Installa NotebookLM-py

NotebookLM non ha un'API pubblica. Per collegare Claude Code a NotebookLM, usiamo un progetto open-source chiamato **notebooklm-py*\*.

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

Esegui questi comandi nel tuo terminale (non all'interno di Claude Code – apri una finestra del terminale separata):

1pip install notebooklm-py

Poi autenticati:

1notebooklm login

Si aprirà una finestra del browser. Accedi al tuo account Google. Fatto. La connessione è stabilita.

Passo 4: Crea la Skill per NotebookLM

Ora devi insegnare a Claude Code come usare notebooklm-py. Esegui questo comando all'interno di Claude Code:

1/skill-creator crea una skill per poter usare al meglio lo
2strumento notebooklm-py. Fai riferimento al repo GitHub su
3github. com/teng-lin/notebooklm-py e costruisci
4una skill che possa: creare nuovi notebook, aggiungere fonti
5(URL di YouTube, testo, file), eseguire analisi su quelle fonti
6e generare deliverable tra cui panoramica audio,
7mappa mentale, flashcard e infografica.

Questo fornisce a Claude Code una skill completa per NotebookLM con comandi per ogni azione supportata da NotebookLM – fino a 50 fonti per notebook, tutti i tipi di deliverable.

Passo 5: Combina Tutto in Un'unica Skill Pipeline

È qui che il flusso di lavoro diventa veramente potente.

Invece di eseguire manualmente la ricerca su YouTube, poi inviare i risultati a NotebookLM, poi richiedere l'analisi – costruisci un'unica skill che fa tutto in sequenza con un singolo comando.

Esegui questo comando all'interno di Claude Code:

1/skill-creator Voglio creare una skill pipeline di ricerca
2su YouTube che combini la skill yt-search e la
3skill NotebookLM. Quando uso questa skill pipeline voglio
4che: prenda ciò che le ho detto di ricercare, vada su YouTube e
5trovi 10 video pertinenti usando la skill yt-search, usi
6la skill NotebookLM per creare un nuovo notebook,
7aggiunga quelle fonti video al notebook, poi esegua
8un'analisi sull'argomento basata su ciò che ho detto quando
9ho invocato la skill. Inoltre, chiedimi se voglio
10un deliverable – NotebookLM può creare flashcard,
11infografiche, mappe mentali, panoramiche audio.
12Se non specifico un deliverable, presupponi nessuno.
13Dopo l'analisi, riportami tutto in un file Markdown
14salvato nel vault e mostralo anche
15nella chat. Includi tutti i metadati della ricerca YouTube
16nell'output – fonti utilizzate, visualizzazioni,
17nomi dei canali, rapporti di engagement.

Esecuzione del Flusso di Lavoro

1/yt-pipeline Voglio fare ricerche sui framework di agenti AI nel 2026.
2Quali framework gli sviluppatori stanno effettivamente adottando –
3LangGraph, CrewAI, AutoGen, Agno o qualcos'altro?
4Voglio capire cosa sta guidando le visualizzazioni su questo argomento,
5dove c'è disaccordo nella comunità,
6quali sono i valori anomali e quali angolazioni non sono state ancora
7ben coperte. Trova 10 fonti pertinenti,
8inseriscile in un nuovo notebook di NotebookLM,
9esegui un'analisi completa e genera un'infografica
10che mostri il panorama.

Con la skill pipeline installata, ecco come si presenta una sessione di ricerca reale.

L'argomento: Framework di agenti AI. Cosa sta guadagnando davvero terreno nel 2026, cosa è sopravvalutato e dove sono le lacune nella copertura esistente.

Claude Code avvia la pipeline. Chiama la skill di ricerca su YouTube, trova 10 video tra tutorial, confronti e opinioni di sviluppatori – passa gli URL a NotebookLM, crea un notebook, esegue l'analisi e richiede un'infografica.

Tempo di elaborazione totale: circa 6 minuti.

La maggior parte di quel tempo è l'elaborazione di NotebookLM sui server di Google – non i tuoi token di Claude.

Il risultato torna come:

1. Un'analisi completa che copre quali framework sono in crescita vs. in stallo, di cosa si lamentano effettivamente gli sviluppatori, valori anomali di engagement e lacune di contenuti che nessuno ha ancora coperto.
2. Un'infografica che mappa il panorama dei framework di agenti AI.
3. Un file Markdown salvato direttamente nel tuo vault Obsidian con tutto strutturato e collegato – pronto per essere consultato in future sessioni di ricerca.

Dove Obsidian Lo Rende Uno Strumento Completamente Diverso

Tutto quanto sopra funziona come un'attività di ricerca una tantum.

Obsidian è ciò che lo trasforma in qualcosa che si accumula.

Ogni file Markdown prodotto dal flusso di lavoro finisce nel tuo vault Obsidian. Col tempo, il tuo vault diventa un corpus strutturato di tutto ciò che hai ricercato – argomenti, fonti, analisi, modelli, conclusioni.

Claude Code può leggere tutti questi file. Vede come sono collegati. Capisce a quali argomenti torni, quale analisi hai trovato utile, quale formato preferisci.

Il file \claude.md\ all'interno del tuo vault è dove questo diventa esplicito. È un file di configurazione che dice a Claude Code come lavorare con te – le tue convenzioni, le tue preferenze di output, come vuoi che le cose siano strutturate.

Lo aggiorni dicendo:

1Possiamo aggiornare claude.md in modo che rifletta meglio
2il mio stile di lavoro, il mio approccio all'analisi e le mie
3preferenze di output in base alle nostre ultime conversazioni?

Claude Code legge la sessione recente, identifica i tuoi modelli e aggiorna il file.

Fallo una volta a settimana. Dopo un mese, il flusso di lavoro ti conosce abbastanza bene che gli output iniziano a corrispondere a ciò che vuoi veramente, senza bisogno di prompt estesi.

Dopo un anno – se lo fai in modo coerente – hai un sistema di ricerca che ha assorbito centinaia di sessioni, capisce il tuo modo di pensare e opera come un assistente addestrato, non come uno strumento vuoto.

Il Punto Modulare Che Nessuno Menziona

La fonte YouTube non è il punto.

La struttura della pipeline è il punto.

Puoi sostituire YouTube con qualsiasi fonte di dati a cui Claude Code può accedere:

• PDF – articoli accademici, report di settore, white paper
• Pagine web pubbliche – articoli di notizie, documentazione, post di blog
• File locali – i tuoi appunti, dati esportati, trascrizioni
• Google Drive – documenti e fogli di calcolo che hai già

Il modello del flusso di lavoro rimane lo stesso. Sostituisci la fonte, mantieni la struttura.

Ricerca un ecosistema crypto usando white paper e documentazione pubblica. Analizza una tecnologia emergente usando talk di conferenze su YouTube. Mappa una nicchia di contenuti analizzando cosa funziona. Studia le dinamiche di mercato usando report pubblici.

Qualunque sia il caso d'uso – la pipeline, il livello di analisi e il sistema di memoria rimangono identici.

Ciò Con Cui Ti Ritrovi

Un sistema di ricerca che:

• Esegue pipeline di ricerca complete con un singolo comando
• Scarica l'analisi pesante sull'infrastruttura di Google tramite NotebookLM
• Produce deliverable strutturati – infografiche, mappe mentali, audio, flashcard – automaticamente
• Salva ogni risultato in una base di conoscenza locale
• Impara le tue preferenze nel tempo e migliora i suoi output di conseguenza

La configurazione di 30 minuti si ripaga da sola la prima volta che la usi.