ほとんどの人は、リサーチを手作業で行っています。
10 個のタブを開き、動画を視聴し、記事を読み、どこかにメモを取る。1 時間後には、どう扱っていいかわからない情報の山ができあがっています。
もっと良い方法があります。
これは、Claude Code、NotebookLM、Obsidian を使用してリサーチワークフローを構築するためのステップバイステップガイドです。このワークフローは、市場動向、新興テクノロジー、暗号エコシステム、コンテンツニッチなど、あらゆるトピックを調査でき、使うたびに精度が向上します。
セットアップ時間：30 分未満
スタックとその仕組み
4 つのツール。それぞれが問題の異なるレイヤーを処理します。
- Claude Code - 実行エンジン。コマンドを実行し、スキルを呼び出し、ファイルを管理し、パイプライン全体を調整します。あなたが自然言語で指示を出すと、Claude Code が作業を実行します。
- Skill Creator - カスタマイズレイヤー。Claude Code のプラグインで、自然言語で再利用可能なスキルを構築できます。作りたいものを説明すると、コードを生成してスキルをインストールします。プログラミングは不要です。
- NotebookLM - 分析エンジン。Google の AI リサーチツールで、ソースを読み取り、詳細な分析、要約、インフォグラフィック、フラッシュカード、ポッドキャスト台本などを生成します。Claude Code が処理を NotebookLM にオフロードするときは、Google のコンピューティングリソースを使用するため、Claude のトークンを消費しません。
- Obsidian - メモリレイヤー。ローカルの Markdown ベースのナレッジシステムで、ワークフローが生成するすべてを保存します。時間の経過とともに、Claude Code がこれらのファイルを読み取り、あなたの考え方、関心事、そして分析結果をどのように届けてほしいかを学習します。
これらを組み合わせることで、コマンドで実行でき、大規模に分析し、使用とともに改善されるリサーチシステムが完成します。
ステップ 1: Skill Creator のインストール
Claude Code を開きます。必ず Obsidian の Vault フォルダ内にいることを確認してください。これは、Claude Code が生成したファイルを Obsidian が認識するために重要です。
以下のコマンドを実行します：
1/plugin
skill-creator を検索してインストールします。Claude Code を終了し、再起動します。
これで、自然言語で説明するだけで任意のスキルを作成できるようになりました。
ステップ 2: YouTube 検索スキルの作成
このスキルにより、Claude Code が YouTube を検索し、タイトル、チャンネル名、登録者数、再生回数、アップロード日、URL、エンゲージメント比率などの構造化された動画データを取得できるようになります。
Claude Code 内で以下のコマンドを実行します：
1/skill-creator YouTube を検索して構造化された動画結果を2返すスキルを作成したいです。yt-dlp を使用してクエリで3動画を検索し、デフォルトで上位 20 件の結果を返し、4各動画のメタデータ（タイトル、チャンネル名、登録者数、5再生回数、長さ、アップロード日、URL）を含めてください。6デフォルトで過去 6 か月にフィルタリングし、--months フラグで7変更可能にしてください。また、エンゲージメント指標として8再生回数と登録者数の比率を計算してください。9出力は各結果の間に区切り線を入れ、10人間が読みやすい数字でフォーマットしてください。
Claude Code がスキルを生成し、インストールして確認します。これで、/yt-search がコマンドとして利用可能になります。
注意：yt-dlp があなたのマシンにインストールされている必要があります。インストールされていない場合は、事前にインストールしてください。
ステップ 3: NotebookLM-py のインストール
NotebookLM には公開 API がありません。Claude Code を NotebookLM に接続するために、notebooklm-py というオープンソースプロジェクトを使用します。
リポジトリ：github.com/teng-lin/notebooklm-py
ターミナル（Claude Code 内ではなく、別のターミナルウィンドウを開いてください）で以下のコマンドを実行します：
1pip install notebooklm-py
次に、認証を行います：
1notebooklm login
ブラウザウィンドウが開きます。Google アカウントにログインしてください。これで接続が確立されます。
ステップ 4: NotebookLM スキルの作成
次に、Claude Code に notebooklm-py の使い方を教える必要があります。Claude Code 内で以下を実行します：
1/skill-creator notebooklm-py ツールを最大限活用するための2スキルを作成してください。GitHub リポジトリ3github.com/teng-lin/notebooklm-py を参照し、4新しいノートブックの作成、ソースの追加5（YouTube URL、テキスト、ファイル）、6それらのソースに対する分析の実行、7そしてオーディオ概要、マインドマップ、8フラッシュカード、インフォグラフィックを含む9成果物の生成ができるスキルを構築してください。
これにより、Claude Code に完全な NotebookLM スキルが与えられ、NotebookLM がサポートするすべてのアクション（ノートブックあたり最大 50 のソース、すべての成果物タイプ）のコマンドが使用可能になります。
ステップ 5: すべてを1つのパイプラインスキルに統合する
ここで、ワークフローが真に強力なものになります。
YouTube 検索、NotebookLM への結果送信、分析の要求を手動で行う代わりに、これらすべてを単一のコマンドで順番に実行するスキルを1つ構築します。
Claude Code 内で以下を実行します：
1/skill-creator yt-search スキルと NotebookLM スキルを2組み合わせた YouTube リサーチパイプラインスキルを3作成したいです。このパイプラインスキルを使用するときは、4私が調べるように指示したトピックを受け取り、YouTube に5アクセスして yt-search スキルを使って関連動画を 10 件見つけ、6NotebookLM スキルを使って新しいノートブックを作成し、7それらの動画ソースをノートブックに追加し、8私がスキルを呼び出した際の指示に基づいて9トピックの分析を実行してください。さらに、10成果物が必要かどうか私に尋ねてください -11NotebookLM はフラッシュカード、インフォグラフィック、12マインドマップ、オーディオ概要を作成できます。13成果物を指定しない場合は、なしと想定してください。14分析後、すべての結果を Vault に保存された15Markdown ファイルとしてまとめ、チャットにも表示してください。16出力には、使用されたソース、再生回数、チャンネル名、17エンゲージメント比率など、すべての YouTube 検索18メタデータを含めてください。
ワークフローの実行
1/yt-pipeline 2026 年の AI エージェントフレームワークについて2リサーチしたいです。実際に開発者が採用しているフレームワークは3何ですか - LangGraph、CrewAI、AutoGen、Agno、それとも別のもの？4このトピックで視聴回数を牽引している要因、コミュニティ内の5意見の相違点、外れ値、そしてまだ十分にカバーされていない6角度を理解したいです。関連するソースを 10 件見つけ、7新しい NotebookLM ノートブックにプッシュし、8完全な分析を実行し、ランドスケープを示す9インフォグラフィックを生成してください。
パイプラインスキルがインストールされていれば、これが実際のリサーチセッションの様子です。
トピック：AI エージェントフレームワーク。2026 年に実際に勢いを増しているものは何か、過大評価されているものは何か、既存のカバレッジのギャップはどこか。
Claude Code がパイプラインを開始します。YouTube 検索スキルを呼び出し、フレームワークのチュートリアル、比較、開発者の見解にわたる 10 本の動画を見つけます。URL を NotebookLM に渡し、ノートブックを作成し、分析を実行し、インフォグラフィックを要求します。
総処理時間：約 6 分。
その時間のほとんどは、Google のサーバー上での NotebookLM の処理であり、あなたの Claude トークンは消費されません。
結果は次のように返ってきます：
- どのフレームワークが上昇傾向で、どのフレームワークが横ばいか、開発者が実際に不満に思っていること、エンゲージメントの外れ値、そして誰もまだカバーしていないコンテンツのギャップを網羅した完全な分析
- AI エージェントフレームワークのランドスケープをマッピングしたインフォグラフィック
- すべてが構造化されリンクされた Markdown ファイルが、Obsidian Vault に直接保存されます。将来のリサーチセッションで参照できるようになります。
Obsidian がこのツールをまったく別のものに変える理由
上記のすべては、一回限りのリサーチタスクとして機能します。
Obsidian は、それを複利的に成長するものに変えます。
ワークフローが生成するすべての Markdown ファイルは、あなたの Obsidian Vault に保存されます。時間の経過とともに、Vault はあなたがリサーチしたすべてのもの（トピック、ソース、分析、パターン、結論）の構造化されたコーパスになります。
Claude Code は、これらすべてのファイルを読み取ることができます。それらがどのようにリンクされているかを理解し、どのトピックに戻ってくるか、どの分析が有用だったか、どのフォーマットを好むかを把握します。
Vault 内の claude.md ファイルは、これを明示的にする場所です。これは、Claude Code にあなたとどのように作業するかを指示する設定ファイルです。あなたの規則、出力の好み、構造化の方法が記述されています。
以下のように言うだけで更新できます：
1これまでの会話に基づいて、claude.md を私の作業スタイル、2分析アプローチ、出力の好みをよりよく反映するように3更新してもらえますか？
Claude Code は最近のセッションを読み取り、あなたのパターンを特定し、ファイルを更新します。
これを週に 1 回行ってください。1 か月後には、ワークフローはあなたのことを十分に理解し、広範なプロンプトなしでも、あなたが実際に望む出力に近づきます。
1 年後、一貫してこれを行っていれば、数百のセッションを吸収し、あなたの思考スタイルを理解し、真っさらなツールではなく、訓練されたアシスタントとして動作するリサーチシステムを手に入れることができます。
誰も言及しないモジュール性のポイント
YouTube のソース自体が重要なのではありません。
重要なのはパイプラインの構造です。
YouTube は、Claude Code がアクセスできるあらゆるデータソースに置き換えることができます：
- PDF - 学術論文、業界レポート、ホワイトペーパー
- 公開 Web ページ - ニュース記事、ドキュメント、ブログ記事
- ローカルファイル - あなた自身のノート、エクスポートされたデータ、文字起こし
- Google Drive - 既存のドキュメントやスプレッドシート
ワークフローテンプレートは変わりません。ソースを交換し、構造を維持してください。
ホワイトペーパーと公開ドキュメントを使用して暗号エコシステムをリサーチする。YouTube のカンファレンストークを使用して新興テクノロジーを分析する。パフォーマンスの高いものを分析してコンテンツニッチをマッピングする。公開レポートを使用して市場動向を調査する。
どのようなユースケースでも、パイプライン、分析レイヤー、メモリシステムは同一のままです。
最終的に得られるもの
以下のようなリサーチシステム：
- 単一のコマンドで完全なリサーチパイプラインを実行
- ヘビーな分析を Google のインフラ（NotebookLM）にオフロード
- インフォグラフィック、マインドマップ、オーディオ、フラッシュカードなどの構造化された成果物を自動生成
- すべての結果をローカルナレッジベースに保存
- 時間の経過とともにあなたの好みを学習し、出力を改善
30 分のセットアップは、最初に使用した時点で元が取れます。
