大多数人把研究当作一项手动任务。
你打开 10 个标签页。你看视频。你读文章。你在某个地方记笔记。一个小时后，你得到一堆信息，却不知道该怎么处理。
有更好的方法。
这是一份逐步指南，教你使用 Claude Code、NotebookLM 和 Obsidian 构建一个研究工作流，它可以调研任何主题——市场动态、新兴技术、加密生态系统、内容细分领域等——而且每次使用都会变得更精准。
设置时间：不到 30 分钟。
工具组合及其原理
四个工具。每个处理问题的一个不同层面。
- Claude Code——执行引擎。它运行命令、调用技能、管理文件，并编排整个流程。你用自然语言与它对话，它来完成工作。
- Skill Creator——定制层。一个 Claude Code 插件，让你用自然语言构建可复用的技能。你描述你想要什么，它生成代码并安装技能。无需编程。
- NotebookLM——分析引擎。Google 的 AI 研究工具，能读取你的资料并生成深度分析、摘要、信息图、抽认卡、播客脚本等。当 Claude Code 将处理任务卸载给 NotebookLM 时，它使用的是 Google 的计算资源，而不是你的 Claude Token。
- Obsidian——记忆层。一个基于 Markdown 的本地知识系统，存储工作流产生的所有内容。随着时间的推移，Claude Code 会读取这些文件，了解你的思维方式、你关心什么，以及你希望分析结果如何呈现。
合起来：一个可按指令执行、可大规模分析、并能随着使用不断改进的研究系统。
第 1 步：安装 Skill Creator
打开 Claude Code。确保你在 Obsidian 的 Vault 文件夹内——这很重要，这样 Obsidian 才能拾取 Claude Code 生成的文件。
运行以下命令：
1/plugin
搜索 skill-creator。安装它。退出 Claude Code。重新启动 Claude Code。
现在，你可以通过用自然语言描述来创建任何技能了。
第 2 步：创建 YouTube 搜索技能
这个技能让 Claude Code 能够搜索 YouTube 并获取结构化视频数据——标题、频道、订阅数、观看数、上传日期、URL 以及互动率。
在 Claude Code 中运行以下命令：
1/skill-creator 我想创建一个技能，用于搜索 YouTube 并返回结构化的视频结果。2它应该使用 yt-dlp 按查询词搜索视频，3默认返回前 20 个结果，并包含每个视频的元数据——标题、频道名称、订阅数、4观看数、时长、上传日期和 URL。5默认应过滤最近 6 个月，但支持通过 --months 标志更改。6它还应该计算观看数/订阅数比率作为互动指标。7输出应格式美观，结果之间用分隔线隔开，数字采用人类可读格式。
Claude Code 将生成该技能，安装并确认。现在，你有了一个可用的命令 /yt-search。
注意：你的机器上需要安装 yt-dlp。如果没有安装，请先安装。
第 3 步：安装 notebooklm-py
NotebookLM 没有公开的 API。为了将 Claude Code 连接到 NotebookLM，我们使用一个名为 notebooklm-py 的开源项目。
仓库地址：github. com/teng-lin/notebooklm-py
在你的终端中（不是在 Claude Code 内部，打开一个单独的终端窗口）运行以下命令：
1pip install notebooklm-py
然后进行身份验证：
1notebooklm login
浏览器窗口会打开。登录你的 Google 账户。完成。连接已建立。
第 4 步：创建 NotebookLM 技能
现在你需要教 Claude Code 如何使用 notebooklm-py。在 Claude Code 中运行以下命令：
1/skill-creator 创建一个技能，以便我们能够最佳地使用 notebooklm-py 工具。2参考 GitHub 仓库 github. com/teng-lin/notebooklm-py3构建一个能够执行以下操作的技能：创建新笔记本、添加来源（YouTube URL、文本、文件）、4对这些来源进行分析，并生成成果，包括音频概览、思维导图、抽认卡和信息图。
这将为 Claude Code 提供一个完整的 NotebookLM 技能，包含 NotebookLM 支持的所有操作命令——每个笔记本最多 50 个来源，所有成果类型。
第 5 步：将所有内容整合成一个管道技能
这是工作流真正变得强大的地方。
无需手动运行 YouTube 搜索，然后将结果发送到 NotebookLM，再请求分析——你构建一个技能，只需一条命令即可按顺序完成所有操作。
在 Claude Code 中运行以下命令：
1/skill-creator 我想创建一个 YouTube 研究管道技能，2它结合了 yt-search 技能和 NotebookLM 技能。3当我使用这个管道技能时，我希望它：接受我告诉它要研究的内容，4然后使用 yt-search 技能在 YouTube 上找到 10 个相关视频，5使用 NotebookLM 技能创建一个新的笔记本，6将这些视频来源添加到笔记本中，7然后根据我调用技能时所说的内容对主题进行分析。8此外，询问我是否需要某个成果——NotebookLM 可以创建抽认卡、信息图、9思维导图、音频概览。10如果我没有指定成果，则假设不需要。11分析完成后，将所有结果以 Markdown 文件的形式保存到 Vault 中，12并在聊天中显示。输出内容需包含所有 YouTube 搜索元数据——使用的来源、13观看数、频道名称、互动率。
运行工作流
1/yt-pipeline 我想研究 2026 年的 AI Agent 框架。2开发者实际采用哪些框架？3LangGraph、CrewAI、AutoGen、Agno，还是其他？4我想了解是什么推动了该主题的观看量，5社区中存在哪些分歧，6有哪些异常值，以及哪些角度尚未得到充分报道。7找到 10 个相关来源，8推送到一个新的 NotebookLM 笔记本中，9运行全面分析，10并生成一幅展示格局的信息图。
在管道技能安装完成后，这就是实际研究会话的样子。
主题：AI Agent 框架。2026 年哪些框架真正在获得关注，哪些被过度炒作，以及现有报道中存在哪些空白。
Claude Code 启动管道。它调用 YouTube 搜索技能，找到 10 个涵盖框架教程、对比和开发者观点的视频——将 URL 传递给 NotebookLM，创建一个笔记本，运行分析，并请求生成信息图。
总处理时间：大约 6 分钟。
其中大部分时间是 NotebookLM 在 Google 服务器上处理——不消耗你的 Claude Token。
结果以以下形式返回：
- 完整分析，涵盖哪些框架正在上升 vs 停滞不前、开发者实际在抱怨什么、互动异常值，以及尚未有人报道的内容空白。
- 一幅 AI Agent 框架格局信息图。
- 一个直接保存到你的 Obsidian Vault 中的 Markdown 文件，所有内容都已结构化并链接好——可供未来的研究会话参考。
Obsidian 如何让它变得完全不同
以上所有内容都只是一次性研究任务。
Obsidian 能把它变成一种累积效应。
工作流产生的每个 Markdown 文件都会存入你的 Obsidian Vault。随着时间的推移，你的 Vault 会变成一个结构化的语料库，包含你研究过的所有内容——主题、来源、分析、模式、结论。
Claude Code 可以读取所有这些文件。它能看到它们之间的链接。它了解你反复研究的主题、你觉得有用的分析、你偏好的格式。
Vault 中的 claude.md 文件是这种能力显性化的地方。它是一个配置文件，告诉 Claude Code 如何与你协作——你的惯例、输出偏好、你希望事物如何结构化。
你可以通过以下方式更新它：
1我们能否更新 claude.md，使其更好地反映我的工作风格、分析方法2和输出偏好——基于我们最近的对话？
Claude Code 会读取最近的会话，识别你的模式，并更新文件。
每周做一次。一个月后，工作流已经足够了解你，输出结果无需大量提示就能符合你的实际需求。
一年后——如果你持续这样做——你将拥有一个吸收了数百次会话的研究系统，它理解你的思维方式，并像一个训练有素的助手而不是空白工具那样运作。
没人提及的模块化要点
YouTube 来源本身不是重点。
管道结构才是重点。
你可以将 YouTube 替换为 Claude Code 能访问的任何数据源：
- PDF——学术论文、行业报告、白皮书
- 公共网页——新闻文章、文档、博客文章
- 本地文件——你自己的笔记、导出的数据、转录文本
- Google Drive——你已经拥有的文档和电子表格
工作流模板保持不变。替换来源，保留结构。
使用白皮书和公共文档研究加密生态系统。使用 YouTube 上的演讲视频分析新兴技术。通过分析表现最好的内容来绘制内容细分领域。使用公开报告研究市场动态。
无论用例如何——管道、分析层和记忆系统都保持相同。
你最终会得到什么
一个研究系统，它能够：
- 单条命令即可执行完整的研究管道
- 通过 NotebookLM 将繁重的分析卸载到 Google 的基础设施上
- 自动生成结构化的成果——信息图、思维导图、音频、抽认卡
- 将每个结果保存到本地知识库
- 随着时间的推移学习你的偏好，并相应地改进输出
30 分钟的设置时间，在第一次使用时就已经值回票价了。
