대부분의 사람들은 리서치를 수동 작업으로 생각합니다.
탭 10개를 열고, 영상을 보고, 글을 읽고, 어딘가에 메모를 합니다. 한 시간 후에는 어떻게 처리해야 할지 모를 정보 더미만 남습니다.
더 나은 방법이 있습니다.
이 글은 Claude Code, NotebookLM, Obsidian을 사용하여 리서치 워크플로를 구축하는 단계별 가이드입니다. 시장 동향, 신기술, 암호화폐 생태계, 콘텐츠 틈새 등 모든 주제를 조사할 수 있으며, 사용할수록 더 정교해집니다.
설정 시간: 30분 미만
스택과 그 작동 원리
네 가지 도구. 각각 문제의 다른 계층을 처리합니다.
- Claude Code - 실행 엔진. 명령을 실행하고, 스킬을 호출하며, 파일을 관리하고, 전체 파이프라인을 조율합니다. 일상 언어로 말하면 작업을 수행합니다.
- Skill Creator - 커스터마이징 계층. 자연어로 재사용 가능한 스킬을 빌드할 수 있는 Claude Code 플러그인입니다. 원하는 것을 설명하면 코드를 생성하고 스킬을 설치합니다. 프로그래밍 불필요.
- NotebookLM - 분석 엔진. Google의 AI 리서치 도구로, 소스를 읽고 심층 분석, 요약, 인포그래픽, 플래시카드, 팟캐스트 대본 등을 생성합니다. Claude Code가 처리를 NotebookLM에 오프로드하면 Google의 컴퓨팅을 사용하므로 Claude 토큰을 소비하지 않습니다.
- Obsidian - 메모리 계층. 로컬 마크다운 기반 지식 시스템으로 워크플로가 생성하는 모든 것을 저장합니다. 시간이 지나면서 Claude Code가 이 파일들을 읽어 여러분의 사고 방식, 관심사, 분석 전달 방식을 학습합니다.
결합: 명령에 따라 실행되고, 대규모로 분석하며, 사용할수록 개선되는 리서치 시스템입니다.
1단계: Skill Creator 설치
Claude Code를 엽니다. Obsidian 볼트 폴더 안에 있는지 확인하세요. 이는 Claude Code가 생성한 파일을 Obsidian이 인식하는 데 중요합니다.
다음 명령을 실행합니다:
1/plugin
skill-creator를 검색합니다. 설치합니다. Claude Code를 종료하고 다시 시작합니다.
이제 일상 언어로 설명하여 어떤 스킬이든 만들 수 있습니다.
2단계: YouTube 검색 스킬 생성
이 스킬을 통해 Claude Code가 YouTube를 검색하고 구조화된 비디오 데이터(제목, 채널, 구독자 수, 조회 수, 업로드 날짜, URL, 참여 비율)를 가져올 수 있습니다.
Claude Code 내에서 다음 명령을 실행합니다:
1/skill-creator YouTube를 검색하여 구조화된 비디오 결과를 반환하는 스킬을 만들고 싶습니다. yt-dlp를 사용하여 쿼리로 비디오를 검색하고, 기본적으로 상위 20개 결과를 반환하며, 각 비디오에 대한 메타데이터(제목, 채널 이름, 구독자 수, 조회 수, 길이, 업로드 날짜, URL)를 포함해야 합니다. 기본적으로 지난 6개월로 필터링하지만 --months 플래그로 변경할 수 있어야 합니다. 또한 참여 지표로 조회수 대 구독자 비율을 계산해야 합니다. 출력은 각 결과 사이에 구분선이 있고 가독성 있는 숫자로 깔끔하게 포맷되어야 합니다.
Claude Code가 스킬을 생성하고 설치한 후 확인합니다. 이제 /yt-search 명령을 사용할 수 있습니다.
참고: yt-dlp가 시스템에 설치되어 있어야 합니다. 설치되어 있지 않은 경우
3단계: NotebookLM-py 설치
NotebookLM에는 공개 API가 없습니다. Claude Code를 NotebookLM에 연결하려면 notebooklm-py라는 오픈소스 프로젝트를 사용합니다.
저장소: github. com/teng-lin/notebooklm-py
터미널에서 다음 명령을 실행하세요(Claude Code 내부가 아닌 별도의 터미널 창을 엽니다):
1pip install notebooklm-py
그런 다음 인증합니다:
1notebooklm login
브라우저 창이 열립니다. Google 계정으로 로그인하세요. 완료. 연결이 설정되었습니다.
4단계: NotebookLM 스킬 생성
이제 Claude Code에게 notebooklm-py 사용 방법을 가르쳐야 합니다. Claude Code 내에서 다음을 실행합니다:
1/skill-creator notebooklm-py 도구를 가장 잘 사용할 수 있는 스킬을 만들어 주세요. github. com/teng-lin/notebooklm-py 저장소를 참조하여 새 노트북 생성, 소스(YouTube URL, 텍스트, 파일) 추가, 해당 소스에 대한 분석 실행, 오디오 개요, 마인드맵, 플래시카드, 인포그래픽 등 결과물 생성이 가능한 스킬을 빌드하세요.
이렇게 하면 Claude Code가 NotebookLM에서 지원하는 모든 작업(노트북당 최대 50개 소스, 모든 결과물 유형)에 대한 명령을 갖춘 완전한 NotebookLM 스킬을 얻게 됩니다.
5단계: 모든 것을 하나의 파이프라인 스킬로 결합
이 단계에서 워크플로가 진정으로 강력해집니다.
YouTube 검색을 수동으로 실행한 다음 결과를 NotebookLM에 보내고 분석을 요청하는 대신, 단일 명령으로 모든 작업을 순차적으로 수행하는 하나의 스킬을 빌드합니다.
Claude Code 내에서 다음을 실행합니다:
1/skill-creator yt-search 스킬과 NotebookLM 스킬을 결합하는 YouTube 리서치 파이프라인 스킬을 만들고 싶습니다. 이 파이프라인 스킬을 사용할 때, 제가 조사하라고 한 내용을 받아서 YouTube에서 10개의 관련 비디오를 찾고(yt-search 스킬 사용), NotebookLM 스킬을 사용하여 새 노트북을 만들고, 해당 비디오 소스를 노트북에 추가한 다음, 제가 스킬을 호출할 때 말한 내용을 바탕으로 주제에 대한 분석을 수행하기를 원합니다. 또한 결과물을 원하는지 물어보세요. NotebookLM은 플래시카드, 인포그래픽, 마인드맵, 오디오 개요를 생성할 수 있습니다. 결과물을 지정하지 않으면 없다고 가정하세요. 분석 후에는 모든 내용을 볼트에 저장된 마크다운 파일로 가져오고 채팅에도 표시하세요. 출력에는 사용된 소스, 조회 수, 채널 이름, 참여 비율 등 모든 YouTube 검색 메타데이터를 포함하세요.
워크플로 실행
1/yt-pipeline 2026년의 AI 에이전트 프레임워크를 조사하고 싶습니다. 개발자들이 실제로 채택하고 있는 프레임워크는 무엇인가요? LangGraph, CrewAI, AutoGen, Agno, 아니면 다른 것? 이 주제에서 조회수를 견인하는 요소, 커뮤니티의 의견 차이, 이상치, 아직 잘 다루어지지 않은 각도가 무엇인지 이해하고 싶습니다. 10개의 관련 소스를 찾아서 새 NotebookLM 노트북에 푸시하고, 전체 분석을 실행한 후, 환경을 보여주는 인포그래픽을 생성하세요.
파이프라인 스킬이 설치된 상태에서 실제 리서치 세션은 이렇게 진행됩니다.
주제: AI 에이전트 프레임워크. 2026년에 실제로 주목받는 것은 무엇인지, 과대평가된 것은 무엇인지, 기존 자료의 공백은 무엇인지.
Claude Code가 파이프라인을 시작합니다. YouTube 검색 스킬을 호출하여 프레임워크 튜토리얼, 비교, 개발자 의견에 걸친 10개의 비디오를 찾습니다. URL을 NotebookLM에 전달하고, 노트북을 만들고, 분석을 실행한 후 인포그래픽을 요청합니다.
총 처리 시간: 약 6분.
대부분의 시간은 NotebookLM이 Google 서버에서 처리하는 시간이며, 여러분의 Claude 토큰이 소모되지 않습니다.
결과는 다음과 같이 반환됩니다:
- 어떤 프레임워크가 상승 중이고 정체 중인지, 개발자들이 실제로 불평하는 내용, 참여 이상치, 아직 다루지 않은 콘텐츠 격차를 다루는 전체 분석
- AI 에이전트 프레임워크 환경을 매핑한 인포그래픽
- 모든 내용이 구조화되고 연결되어 Obsidian 볼트에 직접 저장되는 마크다운 파일 - 향후 리서치 세션에서 참조할 준비 완료
Obsidian이 완전히 다른 도구로 만드는 이유
위의 모든 것은 일회성 리서치 작업으로 작동합니다.
Obsidian은 이것을 복리 효과를 내는 도구로 만듭니다.
워크플로가 생성하는 모든 마크다운 파일은 Obsidian 볼트에 저장됩니다. 시간이 지남에 따라 볼트는 여러분이 연구한 모든 것(주제, 소스, 분석, 패턴, 결론)의 구조화된 코퍼스가 됩니다.
Claude Code는 이 모든 파일을 읽을 수 있습니다. 파일들이 어떻게 연결되어 있는지, 어떤 주제로 돌아오는지, 어떤 분석이 유용했는지, 어떤 형식을 선호하는지 이해합니다.
볼트 안의 claude.md 파일이 바로 이 부분을 명시적으로 만듭니다. 이 파일은 Claude Code가 여러분과 협업하는 방식을 알려주는 설정 파일입니다. 여러분의 관례, 출력 선호도, 구조화 방식을 담고 있습니다.
다음과 같이 말하면 업데이트됩니다:
1최근 대화를 바탕으로 제 작업 스타일, 분석 접근 방식, 출력 선호도를 더 잘 반영하도록 claude.md를 업데이트할 수 있나요?
Claude Code가 최근 세션을 읽고 패턴을 식별하여 파일을 업데이트합니다.
일주일에 한 번씩 이 작업을 하세요. 한 달 후면 워크플로가 여러분을 충분히 이해하여 광범위한 프롬프트 없이도 원하는 결과물을 생성하기 시작합니다.
1년 후 - 일관되게 사용했다면 - 수백 개의 세션을 흡수하고, 여러분의 사고 방식을 이해하며, 백지 상태의 도구가 아닌 훈련된 어시스턴트로 작동하는 리서치 시스템을 갖게 됩니다.
아무도 언급하지 않는 모듈식 포인트
YouTube 소스가 중요한 것이 아닙니다.
파이프라인 구조가 중요합니다.
YouTube를 Claude Code가 접근할 수 있는 어떤 데이터 소스로든 대체할 수 있습니다:
- PDF - 학술 논문, 업계 보고서, 백서
- 공개 웹페이지 - 뉴스 기사, 문서, 블로그 포스트
- 로컬 파일 - 여러분의 메모, 내보낸 데이터, 대본
- Google Drive - 이미 보유한 문서 및 스프레드시트
워크플로 템플릿은 동일하게 유지됩니다. 소스를 교체하고 구조는 그대로 두세요.
백서와 공개 문서를 사용하여 암호화폐 생태계를 조사하세요. YouTube의 컨퍼런스 강연을 사용하여 신기술을 분석하세요. 성과를 분석하여 콘텐츠 틈새를 매핑하세요. 공개 보고서를 사용하여 시장 역학을 연구하세요.
어떤 사용 사례든 - 파이프라인, 분석 계층, 메모리 시스템은 동일하게 유지됩니다.
최종 결과
다음과 같은 리서치 시스템:
- 단일 명령으로 전체 리서치 파이프라인 실행
- 무거운 분석을 NotebookLM을 통해 Google 인프라에 오프로드
- 인포그래픽, 마인드맵, 오디오, 플래시카드 등 구조화된 결과물 자동 생성
- 모든 결과를 로컬 지식 베이스에 저장
- 시간이 지나면서 선호도를 학습하고 그에 따라 출력 개선
30분 설정 시간은 처음 사용할 때 그 가치를 증명합니다.
