Risparmia l'80% sui token di Claude padroneggiando NotebookLM

Mese scorso ho aggiornato Claude da Pro a Max a 200 $ al mese, pensando che finalmente sarebbe bastato.

Giorno 5: limite settimanale esaurito.

Guardando i log di utilizzo, ho visto esattamente dove sono andati i soldi. Una singola sessione pomeridiana di ricerca su 47 articoli ha consumato il 10% del mio limite settimanale in un colpo solo. Facendolo due o tre volte a settimana, il limite naturalmente non può reggere.

Il problema era che continuavo a far fare a Claude ciò in cui non è bravo: agire come un motore di ricerca di testo completo.

Inserire un log di 50.000 caratteri in una conversazione e fare una domanda significa che l'intero log viene conteggiato come token di input ogni volta. Anche se usi la cache del prompt (dove il prezzo è 1/10), la sessione principale si accumula comunque lentamente a ogni turno. Peggio ancora, la cache ha un TTL di 1 ora; se aspetti troppo, devi riscriverla a prezzo pieno. È come fare una domanda a un avvocato, ma costringendolo a leggere ad alta voce il tuo contratto di 50 pagine prima che possa parlare, ogni singola volta.

Claude Code eccelle nel ragionamento, nell'orchestrazione e nella programmazione. Leggere il materiale grezzo dovrebbe essere gestito da altri strumenti, con Claude che vede solo le conclusioni. Seguendo questa logica, ho pensato a NotebookLM.

Segui questa guida di configurazione e il tuo account da 20 $ può fare il lavoro di uno da 200 $.

Guida

Questo è un post lungo; sentiti libero di saltare alla sezione che ti interessa:

• I: Cos'è NotebookLM + Cosa può fare?
• II: Perché aggiungere un livello Claude sopra?
• III: Installazione della skill (configurazione in 10 minuti)
• IV: Conto token reale + Analisi dei principi
• V: Flusso di lavoro per ricercatori/studenti
• VI: Flusso di lavoro per IPO/Lettura di prospetti
• VII: Flusso di lavoro per basi di conoscenza personali
• Riepilogo

Se vuoi vedere prima i flussi di lavoro, salta direttamente alla Parte V.

Tesi in una frase:

Il vero modo per risparmiare token di Claude non è solo abilitare la cache; è assicurarsi che i dati pesanti non entrino mai in Claude.

Nello specifico: lascia che NotebookLM gestisca archiviazione e recupero, mentre Claude gestisce ragionamento e orchestrazione. La divisione del lavoro è chiara, riassunta da questa analogia:

NotebookLM è il Docente

: Gli articoli, i rapporti finanziari e gli appunti che raccogli formano la sua base di conoscenza. Gli fai una domanda e lui risponde basandosi sull'esperienza con citazioni, restando entro i confini della fonte senza allucinare.

Claude è l'Assistente

: Responsabile di scrivere codice, eseguire script, organizzare risultati e orchestrare strumenti. Se non sa qualcosa, chiede al Docente, ottiene la risposta e continua a lavorare.

Tu sei il Project Lead

: Intervieni solo nei punti decisionali chiave.

Principi chiave: Perché questa divisione del lavoro fa risparmiare denaro

1. RAG vs. Riempimento del contesto sono due modelli di costo diversi.

Inserire 50.000 caratteri in una chat di Claude conta come token di input. Ogni domanda richiede di "guardarli" di nuovo, e i costi crescono linearmente con la dimensione del materiale. Con RAG, NotebookLM usa la ricerca vettoriale per colpire frammenti rilevanti internamente, e Claude vede solo una risposta distillata di poche centinaia di parole, rendendo il costo quasi costante.

2. La cache del prompt ha un TTL di 1 ora e i tassi di hit sono bassi negli scenari di ricerca.

Molti pensano che abilitare la cache risolva tutto. In realtà, la cache del prompt di Anthropic è impostata su una scadenza di 1 ora per impostazione predefinita. Se pensi per qualche minuto, cambi attività o apri una nuova sessione, la chiamata successiva deve riscrivere la cache al prezzo intero di cache_creation. Le sessioni di ricerca seguono un ritmo "chiedi, pensa, chiedi di nuovo", dove i tassi di hit sono spesso pessimi. Questa è la vera causa delle bollette alle stelle.

3. L'output basato sui fatti è più efficiente.

Le risposte di NotebookLM sono vincolate alle tue fonti caricate, con ogni frase che porta citazioni [1][2] che rimandano al testo. Non inventa nulla. Quando Claude usa queste risposte per prendere decisioni, non devi chiedergli continuamente di "ricontrollare", risparmiando una quantità incalcolabile di tempo.

Chi dovrebbe saltare questo articolo:

• Materiale < 5.000 token o da controllare solo una o due volte: chiedi direttamente a Claude.
• Esigenze di sola Q&A senza integrazione del flusso di lavoro: usa semplicemente l'interfaccia web di NotebookLM.
• Chi apprezza la velocità di risposta più della bolletta: questo è circa 3 volte più lento.
• Chi ha bisogno di comprendere struttura/definizioni del codice: NotebookLM è meglio per la RAG testuale.

Chi dovrebbe continuare a leggere:

• Chi vuole passaggi di installazione specifici e insidie da evitare.
• Chi vuole vedere come gli scenari si traducono a livello di comando.
• Utenti di Claude Code che vogliono trasformare NotebookLM in una skill.

Parte I: Conoscere NotebookLM

Ho aperto NotebookLM per la prima volta perché un'amica me lo ha consigliato. La sua lista di lettura per una tesi aveva oltre 60 articoli. Di solito faceva Ctrl-F attraverso i PDF; ora li inserisce tutti in un unico notebook e chiede: "Chi supporta la vista X, chi si oppone e dove sono i disaccordi?" — la risposta arriva con citazioni [1][2][3] che saltano al paragrafo esatto quando vengono cliccate.

Ha detto che le fa risparmiare oltre dieci ore a settimana.

L'ho provato per una settimana con scetticismo e ne sono diventato dipendente. Ecco i vantaggi di NotebookLM:

1. Supporta 50 fonti gratuitamente / 300 per Pro.
2. La potenza di elaborazione è gratuita: caricamento, indicizzazione, generazione e chat usano tutti la potenza di calcolo di Google.
3. Oltre alla Q&A, può generare automaticamente podcast audio (ottimi per i tragitti), mappe mentali, PPT, flashcard, ecc., da un notebook.
4. I podcast sono sorprendenti: sentire due "sconosciuti" AI discutere il tuo materiale da angolazioni che non avevi considerato spesso rivela nuove intuizioni.

Il formato non è mai un problema: PDF, URL, trascrizioni YouTube, Google Docs, testo semplice, OCR di immagini e trascrizioni audio possono essere tutti fonti.

Per molti, NotebookLM è già un potente strumento autonomo. Se la tua esigenza è solo "sederti e fare domande", puoi smettere di leggere qui.

Ma ho scoperto che si blocca in due punti:

1. Il cambio di contesto rompe il flusso.

Ricerca di un argomento: Fai una domanda → Ottieni risposta → Clicca citazione per saltare alla fonte → Leggi una sezione → Torna al notebook per copiare la risposta → Passa a Claude Code per usarla → Esegui esperimento → Trova una fonte mancante → Passa a Google Ricerca → Scarica → Torna al notebook per aggiungere fonte → Continua a chiedere... Cambiare scheda 200 volte in un pomeriggio.

2. È isolato dagli strumenti locali.

Quando risolvo incidenti online, posso cercare i log nel notebook. Ma devo anche fare grep delle configurazioni locali nel terminale, controllare gli eventi k8s e avviare pod — l'app web non può eseguire comandi locali. È sempre "leggere sul web → digitare manualmente → tornare indietro".

L'app web di NotebookLM si posiziona come la destinazione finale. Tu chiedi, lui risponde, fine della storia. Ma io voglio che sia un anello della catena di montaggio — pianificato, elaborato in batch, con output che fluisce al passaggio successivo.

È qui che entra in gioco Claude.

Parte II: Aggiungere un Livello Claude Sopra

Trasforma NotebookLM in uno strumento per Claude. Una cosa è sufficiente: Quando Claude ha bisogno di conoscenze di dominio, chiede al Docente.

Il Flusso

Il Docente (NotebookLM) è un help desk di sola lettura: Carichi 47 articoli una volta e li lasci lì. Rimangono lì in attesa di domande. Non c'è bisogno di reinserire appunti o codice — le viste negli articoli sono sufficienti per supportare tutte le query.

Il seguente prompt codifica i sei passaggi, la disciplina e l'ID specifico del notebook in un formato eseguibile da Claude Code (ricordati di sostituire l'ID):

1# Ruolo
2Sei il mio assistente di ricerca. Il mio docente di materia è un notebook fisso di NotebookLM 
3(id: 6634ad4d-0594-4700-bddf-4a400ad46fa2) contenente 47 articoli pertinenti.
4Parli con il docente tramite la skill notebooklm installata (comandi `/notecraft chat`).
5
6# Regole Ferree
71. Per qualsiasi domanda che coinvolga punti di vista degli articoli, formule, metodi o insidie note, **chiedi prima al docente tramite /notecraft chat**.
8   Non rispondere a memoria e non chiedermi di incollare il testo dell'articolo nella chat.
92. Il docente è un **help desk di sola lettura**: Non reinserire appunti, codice o risultati sperimentali nel notebook.
10   La base di conoscenza rimane statica con i 47 articoli.
113. Le risposte del docente includono citazioni [1][2]. Mantieni queste citazioni esattamente come sono nel tuo output per me.
124. Decidi tu se chiedere di nuovo al docente durante il processo — non devi confermare ogni passaggio con me.
135. Se il docente non può rispondere o la citazione è debole, di' esplicitamente "Il docente non ha risposta"; non allucinare.
14
15# Flusso di Lavoro
16① Ti do un argomento/sottoproblema.
17② Identifica i punti che richiedono conoscenze di dominio (punti di vista degli articoli, metodi precedenti, formule, modalità di errore).
18③ Interroga il docente su questi punti tramite /notecraft chat per ottenere risposte citate.
19④ Guida l'esecuzione con le risposte: scrivi codice, esegui script, fai grep di file locali, organizza i risultati.
20⑤ Se durante l'esecuzione sorgono nuove domande, torna al punto ③ e chiedi al docente fino a risoluzione.
21⑥ Output finale per me:
22   - Conclusioni (con [citazioni] dal docente)
23   - Il tuo codice / risultati sperimentali
24   - Una sezione separata per le domande aperte non coperte dal docente
25
26# Formato Output
27Usa questa struttura per ogni consegna:
28
29## Il Docente Dice
30(Punti chiave da /notecraft chat, mantenendo le [citazioni])
31
32## Cosa Ho Fatto
33(Codice che hai scritto / comandi eseguiti / risultati osservati)
34
35## Conclusione
36(Risposta al mio argomento originale)
37
38## Non Coperto dal Docente
39(Punti su cui il docente non ha saputo rispondere o per cui le citazioni erano deboli, per un mio follow-up manuale)
40
41# Inizio
42Il mio primo argomento è: <Scrivi qui la tua domanda>

Punti chiave:

• I 47 articoli non entrano mai nella chat di Claude — i token della sessione principale vengono spesi solo per ragionamento e codice.
• Il Docente viene solo consultato, non coinvolto nell'esecuzione — il suo punto di forza è il recupero di dominio citato.
• Intervieni solo al passaggio ① — Claude decide quando consultare il docente.
• La base di conoscenza è statica — 47 articoli sono sufficienti.

Ecco perché "collegarli" è più forte che "usarli separatamente": Il risparmio di cambio scheda e token sono benefici aggiuntivi. Vediamo quanto sono grandi questi benefici.

Parte III: Installazione del Client e della Skill di NotebookLM

Google non fornisce un client ufficiale per NotebookLM, ma @icebear0828 ha scritto un client di terze parti. Una volta installato, gli agenti possono accedere a NotebookLM tramite riga di comando o linguaggio naturale.

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

Installazione di base:

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

Dopo l'installazione, basta dire "Controlla la parte X in quel notebook" nella chat, e Claude lo chiamerà automaticamente — senza bisogno di spiegare la sintassi ogni volta.

Parte IV: Test Reale — Quanto Denaro si Risparmia? (Opus 4.7)

Questi numeri non sono simulati; provengono da una sessione di ricerca reale estratta dai log di sessione di Claude Code.

Dal lato di NotebookLM, il caricamento, il recupero e la generazione sono completamente gratuiti da Google e non incidono sulla tua bolletta. Tutti i numeri seguenti contano solo il lato Claude Opus.

Configurazione del test:

• Materiale: 47 articoli relativi a Image + LiDAR SLAM, tutti in un unico notebook di NotebookLM.
• Modello: Claude Opus 4.7
• Turni: 5 round di Q&A approfondita (da "migliori metodi di ricostruzione SLAM" a "insidie dei backend 3DGS vs NeRF").
• Metodo: Conversazione normale in Claude Code, con l'assistente che chiama /notecraft chat ogni round.

Risultati (Questo Metodo):

La bolletta è determinata da input token + cache_creation e output. Le tariffe più economiche (cache_read + input) costano meno di 1/10 del prezzo, quindi ci concentreremo sulle parti costose:

Totale per 5 round: $0,55, con una media di circa $0,11 per round.

Cifra chiave: cache_creation era solo 17.379.

cache_creation è il conteggio dei token per scrivere nuovi contenuti nella cache. In questi 5 round, solo le risposte del docente (~3-6k token) + piccoli incrementi di sistema sono stati memorizzati nella cache — per un totale di 17.000.

Neppure una parola dei 47 articoli è entrata nel `cache_creation` di Claude — questo è il segreto del risparmio.

Confronto: Inserire direttamente 47 articoli nel prompt

47 articoli totalizzano 384.000 parole ≈ 500.000 token. Il riempimento tradizionale del prompt si presenta così:

Il confronto più equo è la seconda riga (Sessione singola, turni multipli) — lo scenario migliore per i metodi tradizionali. Anche in questo caso, la differenza di costo per 5 round è di 17x ($9,59 vs $0,55). Gli scenari tra sessioni sono ancora peggiori (86x).

Perché la cache non aiuta nel modo tradizionale? La cache di Anthropic è impostata su 1 ora per impostazione predefinita per i livelli a pagamento. Tra un pensiero, il cambio di finestra o l'avvio di una nuova sessione, la cache precedente viene spesso espulsa.

Con questo metodo, gli articoli non entrano mai in Claude, quindi i successi della cache non contano.

Man mano che il materiale raddoppia (100, 200 articoli), il divario si allarga linearmente. Il cache_creation tradizionale cresce con il numero di articoli; questo metodo rimane quasi costante.

Per chi fa ricerca su Opus: Un anno di sessioni di ricerca potrebbe significare una differenza di $2.000 — solo tenere gli articoli fuori da Claude risparmia abbastanza per passare di nuovo a Max.

Il Costo: 3 Volte Più Lento

Se ti interessano i secondi di tempo di risposta piuttosto che la bolletta mensile, questa configurazione non fa per te.

Le sezioni seguenti delineano tre flussi di lavoro adatti a NotebookLM.

Parte V: Flusso di Lavoro per Ricercatore/Studente

Una lista di lettura è un confine di conoscenza naturale.

Punto Dolente: Decine di articoli a semestre, controllo degli stessi PDF ripetutamente. Ctrl-F è estenuante e ChatGPT potrebbe allucinare senza citazioni.

Ricetta del Materiale (Carica una volta, usa tutto il semestre):

• 20-50 PDF di articoli correlati all'argomento
• Programma del corso, trascrizioni delle lezioni
• Email del relatore, bozze di capitoli, appunti di lettura

Domande Vincenti per il Docente:

• "Quali due articoli hanno conclusioni contrastanti e su quale presupposto?"
• "Quante volte appare il metodo X in questo corpus e come viene utilizzato?"
• "La formula 3 nell'Articolo A e la formula 7 nell'Articolo B sono effettivamente equivalenti?"

Ruolo di Claude: Far progredire il progetto — ottenere concetti/formule dal docente → scrivere codice per replicare → eseguire esperimenti → organizzare appunti. Gli articoli grezzi non entrano mai nella sessione di Claude.

Parte VI: Flusso di Lavoro per IPO/Prospetti

Un prospetto è di 300-600 pagine e la finestra di investimento è di soli tre giorni. Un essere umano non riesce a leggerlo tutto in tempo.

Punto Dolente: Le IPO si muovono velocemente. I documenti sono di oltre 500 pagine e coprono storia aziendale, modelli di business, dati finanziari, rischi e investitori di riferimento. Leggerne uno richiede almeno 4 ore. Con 5-8 IPO a settimana, è impossibile.

Le informazioni più preziose non sono le autocelebrazioni; sono le "bandiere rosse" nascoste nei fattori di rischio e nelle transazioni con parti correlate. Gli esseri umani le perdono facilmente.

Ricetta del Materiale (Un notebook per azienda):

• Prospetto Completo — Il nucleo.
• Comunicazioni degli Investitori di Riferimento — Chi li sostiene e per quanto tempo?
• Rapporti Finanziari dei Pari — Benchmark per la valutazione.
• Ricerche dello Sponsor/Sottoscrittore — Logica di pricing ufficiale.
• Interviste alla Direzione e Round di Finanziamento Precedenti — Salti di valutazione.

Domande Vincenti per il Docente:

Per decidere se investire, fai queste 8 domande che di solito richiedono ore per trovare risposta:

1. "Qual è il prodotto principale? Come è cambiata la struttura dei ricavi in 3 anni? Concentrazione della clientela?"
2. "Come si confronta con i pari (A, B, C) in termini di margine lordo, crescita e R&S?"
3. "Chi sono gli investitori di riferimento, importi e periodi di lock-up?"
4. "Analizza l'utilizzo dei proventi. Qual è la parte più grande? Diluizione post-IPO?"
5. "Quali fattori di rischio sono di settore e quali sono specifici dell'azienda?"
6. "Valutazione passata: multiplo di salto dall'ultimo round all'IPO? Lock-up dell'ultimo round?"
7. "Ci sono segni di profitti gonfiati da plusvalenze una tantum? Il flusso di cassa corrisponde all'utile netto in 3 anni?"
8. "Transazioni con parti correlate come % dei ricavi? Ci sono parti correlate tra i primi cinque clienti?"

Ogni risposta include citazioni [Numero di Pagina].

Ruolo di Claude:

L'elaborazione in batch è l'anima di questo flusso di lavoro:

Pool IPO Settimanale = [Azione A, Azione B, Azione C, ...]

Claude riassume le 8 aziende in un'unica tabella decisionale in markdown → Esamini e ordini in 15 minuti.

5-8 IPO = 40-64 query. Il materiale totale è di circa 1 milione di token. I metodi tradizionali brucerebbero $50+ a settimana; questo metodo costa meno di $2.

Parte VII: Flusso di Lavoro per Base di Conoscenza Personale

Costruisci il tuo "Secondo Cervello".

Punto Dolente: La ricerca di Obsidian riconosce solo parole chiave. Non può rispondere a "Come è cambiata la mia visione su X in tre anni?" Gli appunti sono sparsi e di formato vario.

Ricetta del Materiale:

• Esportazioni complete di Obsidian / Notion
• Evidenziazioni Kindle, ritagli di Readwise
• Diari di lavoro, verbali di riunioni, documenti di revisione

Domande Vincenti per il Docente:

• "Cosa ho scritto su 'focus' negli ultimi tre anni? La mia visione è cambiata?"
• "Dove si sovrappongono o contrastano 'Principles' e 'Thinking, Fast and Slow' sul bias cognitivo?"
• "Quali erano gli atteggiamenti individuali verso il Progetto X in tutti i verbali delle riunioni del mese scorso?"

Ruolo di Claude: Le domande sull'evoluzione del pensiero necessitano di AI conversazionale + materiale completo. Claude sintetizza le risposte multi-round del docente in riassunti strutturati (linee temporali, confronti di punti di vista, elenchi di follow-up).

Caratteristica comune dei tre flussi di lavoro: Query ripetute, tra documenti, confini privati. Se incontri uno di questi, il costo di configurazione di 15 secondi si ripaga entro una settimana.

Considerazioni Finali

Punti da notare:

1. storage_state.json contiene la tua sessione Google attiva. Tienilo al sicuro.
2. notebooklm-client è stato sottoposto a reverse engineering. Google non lo supporta ufficialmente; i backend potrebbero cambiare.

Il nucleo è la Divisione del Lavoro:

• NotebookLM come Docente: Risponde con conoscenze di dominio e citazioni, senza allucinazioni.
• Claude come Assistente: Orchestra strumenti, scrive codice, organizza risultati, chiede al docente quando è bloccato.
• Tu come Project Lead: Intervieni solo nei punti decisionali chiave.

Lo uso da un mese e i risparmi sono sufficienti per diverse cene fuori. Ancora più importante, fare ricerca su dozzine di articoli non mi fa più preoccupare del limite — la libertà di "non dover contare i token" è più avvincente dei risparmi stessi.

Se ti è piaciuto questo post, seguimi su @MinLiBuilds.

Infine, ti consiglio la prima parte della mia serie sulla cache, che spiega in modo semplice il meccanismo di caching per aiutarti a risparmiare token:

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