Ahorra un 80% en tokens de Claude dominando NotebookLM

El mes pasado, upgradée mi cuenta de Claude de Pro a Max por $200 al mes, pensando que finalmente sería suficiente.

Día 5: Límite semanal agotado.

Revisando los registros de uso, vi exactamente adónde se había ido el dinero. Una sola sesión de una tarde investigando 47 papers consumió el 10% de mi límite semanal de golpe. Repitiendo esto dos o tres veces por semana, el límite naturalmente no podía aguantar.

El problema era que seguía haciendo que Claude hiciera algo para lo que no es bueno: actuar como un motor de búsqueda de texto completo.

Meter un registro de 50k caracteres en una conversación y hacer una pregunta significa que todo el registro se cuenta como tokens de entrada cada vez. Incluso si usas el caché de prompt (donde el precio es 1/10), la sesión principal sigue acumulándose lentamente con cada interacción. Peor aún, el caché tiene un TTL de 1 hora; si esperas demasiado, tienes que reescribirlo al precio completo. Es como pedirle a un abogado que te responda, pero obligándolo a leer en voz alta tu contrato de 50 páginas cada vez antes de que pueda hablar.

Claude Code destaca en razonamiento, orquestación y codificación. Leer material fuente en bruto debería ser manejado por otras herramientas, dejando que Claude solo vea las conclusiones. Siguiendo esta lógica, pensé en NotebookLM.

Sigue esta guía de configuración y tu cuenta de $20 podrá hacer el trabajo de una de $200.

Guía

Este es un post extenso; siéntete libre de saltar a lo que te interese:

• I: ¿Qué es NotebookLM + ¿Qué puede hacer?
• II: ¿Por qué añadir una capa de Claude encima?
• III: Instalando la skill (configuración de 10 minutos)
• IV: Factura de tokens real + Desglose de principios
• V: Flujo de trabajo para Académicos / Estudiantes
• VI: Flujo de trabajo para OPIs / Lectura de Prospectos
• VII: Flujo de trabajo para Bases de Conocimiento Personal
• Resumen

Si quieres ver los flujos de trabajo primero, salta directamente a la Parte V.

Tesis en una frase:

La verdadera forma de ahorrar tokens de Claude no es solo activar el caché, es asegurarse de que los datos pesados nunca entren en Claude.

Específicamente: Deja que NotebookLM maneje el almacenamiento y la recuperación, mientras que Claude maneja el razonamiento y la orquestación. La división del trabajo es clara, resumida por esta analogía:

NotebookLM es el Profesor

: Los papers, informes financieros y notas que recopilas forman su base de conocimiento. Le preguntas, y él responde basándose en la experiencia con citas, manteniéndose dentro de los límites de la fuente sin alucinar.

Claude es el Asistente

: Responsable de escribir código, ejecutar scripts, organizar resultados y orquestar herramientas. Si no sabe algo, le pregunta al Profesor, obtiene la respuesta y continúa trabajando.

Tú eres el Líder del Proyecto

: Solo intervienes en los puntos clave de decisión.

Principios clave: Por qué esta división del trabajo ahorra dinero

1. RAG vs. Meter en el Contexto son dos modelos de costo diferentes.

Meter 50k caracteres en un chat de Claude cuenta como tokens de entrada. Cada pregunta requiere "mirar" el material de nuevo, y los costos crecen linealmente con el tamaño del material. Con RAG, NotebookLM usa búsqueda vectorial para encontrar fragmentos relevantes internamente, y Claude solo ve una respuesta destilada de unos cientos de palabras, haciendo que el costo sea casi constante.

2. El caché de prompt tiene un TTL de 1h, y las tasas de acierto son bajas en escenarios de investigación.

Muchos piensan que activar el caché lo soluciona todo. En realidad, el caché de prompt de Anthropic tiene un valor predeterminado de expiración de 1 hora. Si piensas unos minutos, cambias de tarea o abres una nueva sesión, la siguiente llamada debe reescribir el caché al precio completo de cache_creation. Las sesiones de investigación siguen un ritmo de "preguntar, pensar, preguntar de nuevo", donde las tasas de acierto son a menudo pésimas. Esta es la verdadera causa de las facturas disparadas.

3. La salida basada en hechos es más eficiente.

Las respuestas de NotebookLM están limitadas a tus fuentes subidas, con cada oración llevando citas [1][2] que enlazan de vuelta al texto. No inventa cosas. Cuando Claude usa estas respuestas para tomar decisiones, no tienes que pedirle constantemente que "verifique dos veces", ahorrando una cantidad incuantificable de tiempo.

Quién debería saltarse esto:

• Material < 5k tokens o solo consultas de una o dos veces—pregúntale directamente a Claude.
• Necesidades de solo preguntas y respuestas sin integración de flujo de trabajo—solo usa la interfaz web de NotebookLM.
• Aquellos que valoran la velocidad de respuesta por encima de la factura—esto es aproximadamente 3 veces más lento.
• Aquellos que necesitan entender estructura/definiciones de código—NotebookLM es mejor para RAG de texto.

Quién debería seguir leyendo:

• Aquellos que quieren pasos de instalación específicos y errores a evitar.
• Aquellos que quieren ver cómo los escenarios se traducen al nivel de comando.
• Usuarios de Claude Code que quieren convertir NotebookLM en una skill.

Parte I: Conociendo NotebookLM

Abrí NotebookLM por primera vez porque un amigo lo recomendó. Su lista de lectura para una tesis tenía más de 60 papers. Solía usar Ctrl-F en los PDFs; ahora los coloca todos en un solo notebook y pregunta: "¿Quién apoya la vista X, quién se opone y dónde están los desacuerdos?"—la respuesta vuelve con citas [1][2][3] que saltan al párrafo exacto al hacer clic.

Dijo que le ahorra más de diez horas a la semana.

Lo probé durante una semana con escepticismo y me enganché. Estas son las ventajas de NotebookLM:

1. Soporta 50 fuentes gratis / 300 en Pro.
2. El poder de procesamiento es gratuito—subir, indexar, generar y chatear usan el cómputo de Google.
3. Más allá de preguntas y respuestas, puede generar automáticamente podcasts de audio (genial para los desplazamientos), mapas mentales, PPTs, tarjetas de estudio, etc., desde un notebook.
4. Los podcasts son impresionantes—escuchar a dos "desconocidos" de IA discutir tu material desde ángulos que no habías considerado a menudo revela nuevas perspectivas.

El formato nunca es un problema: PDFs, URLs, transcripciones de YouTube, Google Docs, texto plano, OCR de imágenes y transcripciones de audio pueden ser fuentes.

Para muchos, NotebookLM ya es una herramienta independiente poderosa. Si tu necesidad es solo "sentarte y hacer preguntas", puedes dejar de leer aquí.

Pero encontré que se queda atascado en dos lugares:

1. El cambio de contexto arruina el flujo.

Investigando un tema: Hacer pregunta → obtener respuesta → hacer clic en la cita para ir a la fuente → leer una sección → volver al notebook para copiar la respuesta → cambiar a Claude Code para usarla → ejecutar experimento → encontrar una fuente faltante → cambiar a Google Search → descargar → volver al notebook para añadir la fuente → seguir preguntando... Cambiar de pestaña 200 veces en una tarde.

2. Está aislado de las herramientas locales.

Al solucionar incidentes en línea, puedo buscar registros en el notebook. Pero también necesito hacer grep de configuraciones locales en la terminal, ver eventos de k8s y levantar pods—la aplicación web no puede ejecutar comandos locales. Siempre es "leer en web → escribir manualmente → volver".

La aplicación web de NotebookLM se posiciona como el destino final. Preguntas, responde, fin de la historia. Pero yo quiero que sea un eslabón en la línea de montaje—programado, procesado por lotes, con la salida fluyendo al siguiente paso.

Aquí es donde entra Claude.

Parte II: Añadiendo una Capa de Claude Encima

Convierte NotebookLM en una herramienta para Claude. Una cosa es suficiente: Cuando Claude necesita conocimiento del dominio, le pregunta al Profesor.

El Flujo

El Profesor (NotebookLM) es un servicio de asistencia de solo lectura: Tiras 47 papers de una vez y los dejas ahí. Se quedan esperando preguntas. No hay necesidad de devolver notas o código—las opiniones en los papers son suficientes para respaldar todas las consultas.

El siguiente prompt codifica los seis pasos, la disciplina y el ID específico del notebook en un formato que Claude Code puede ejecutar (recuerda reemplazar el ID):

1# Rol
2Eres mi asistente de investigación. Mi profesor de la materia es un notebook fijo de NotebookLM 
3(id: 6634ad4d-0594-4700-bddf-4a400ad46fa2) que contiene 47 papers relevantes.
4Te comunicas con el profesor a través de la skill notebooklm instalada (comandos `/notecraft chat`).
5
6# Reglas de Hierro
71. Para cualquier pregunta que involucre puntos de vista de papers, fórmulas, métodos o errores conocidos, **pregunta primero al profesor a través de /notecraft chat**. 
8   No respondas de memoria y no me pidas que pegue el texto del paper en el chat.
92. El profesor es un **servicio de asistencia de solo lectura**: No devuelvas notas, código o resultados experimentales al notebook. 
10   La base de conocimiento permanece estática con los 47 papers.
113. Las respuestas del profesor incluyen citas [1][2]. Mantén estas citas exactamente como están en tu salida para mí.
124. Tú decides si preguntar al profesor de nuevo durante el proceso—no necesitas confirmar cada paso conmigo.
135. Si el profesor no puede responder o la cita es débil, di explícitamente "El profesor no tiene respuesta"; no alucines.
14
15# Flujo de Trabajo
16① Yo te doy un tema/subproblema.
17② Identifica los puntos que requieren conocimiento del dominio (opiniones de papers, métodos anteriores, fórmulas, modos de fallo).
18③ Consulta al profesor sobre estos puntos a través de /notecraft chat para obtener respuestas citadas.
19④ Impulsa la ejecución con las respuestas: escribe código, ejecuta scripts, haz grep de archivos locales, organiza resultados.
20⑤ Si surgen nuevas preguntas durante la ejecución, vuelve a ③ y pregunta al profesor hasta que se resuelvan.
21⑥ Salida final para mí:
22   - Conclusiones (con [citas] del profesor)
23   - Tu código / resultados experimentales
24   - Una sección separada para preguntas abiertas que el profesor no cubrió
25
26# Formato de Salida
27Usa este esqueleto para cada entrega:
28
29## El Profesor Dice
30(Puntos clave de /notecraft chat, manteniendo las [citas])
31
32## Lo Que Hice
33(Código que escribiste / comandos ejecutados / resultados observados)
34
35## Conclusión
36(Respuesta a mi tema original)
37
38## No Cubierto por el Profesor
39(Puntos que el profesor no pudo responder o tuvo citas débiles, para mi seguimiento manual)
40
41# Inicio
42Mi primer tema es: <Escribe tu pregunta aquí>

Conclusiones clave:

• Los 47 papers nunca entran en el chat de Claude—los tokens de la sesión principal se gastan solo en razonamiento y código.
• El Profesor solo es consultado, no participa en la ejecución—su fortaleza es la recuperación de dominio citada.
• Tú solo intervienes en el paso ①—Claude decide cuándo consultar al profesor.
• La base de conocimiento es estática—47 papers son suficientes.

Por eso "conectarlos" es más potente que "usarlos por separado": El ahorro de cambio de pestañas y tokens son beneficios adicionales. Veamos qué tan grandes son esos beneficios.

Parte III: Instalando el Cliente y la Skill de NotebookLM

Google no proporciona un cliente oficial de NotebookLM, pero @icebear0828 ha escrito un cliente de terceros. Una vez instalado, los agentes pueden acceder a NotebookLM a través de la línea de comandos o lenguaje natural.

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

Instalación básica:

1# Instalar cliente
2npm i notebooklm-client
3
4# Exportar sesión de inicio de sesión (abre el navegador para iniciar sesión con Google)
5npx notebooklm export-session
6
7# Chatear con un notebook
8# npx notebooklm chat <notebook-id> --transport auto --question "Resume esto para mí"
9
10# Usa `/notecraft` en el agente para automatizar las operaciones de NotebookLM después de la instalación
11npx notebooklm skill install

Después de la instalación, solo di "Revisa la parte X en ese notebook" en el chat, y Claude lo llamará automáticamente—sin necesidad de explicar la sintaxis cada vez.

Parte IV: Prueba en el Mundo Real—¿Cuánto Dinero se Ahorra? (Opus 4.7)

Estos números no están simulados; son de una sesión de investigación real extraída de los registros de sesión de Claude Code.

En el lado de NotebookLM, subir, recuperar y generar son completamente gratuitos por Google y no afectan tu factura. Todos los números a continuación solo cuentan el lado de Claude Opus.

Configuración de la Prueba:

• Material: 47 papers relacionados con SLAM de Imagen + LiDAR, todos en un mismo notebook de NotebookLM.
• Modelo: Claude Opus 4.7
• Turnos: 5 rondas de preguntas y respuestas profundas (desde "mejores métodos de reconstrucción SLAM" hasta "errores de los backends 3DGS vs NeRF").
• Método: Conversación normal en Claude Code, con el asistente llamando a /notecraft chat en cada ronda.

Resultados (Este Método):

La factura está determinada por la entrada de tokens + cache_creation y la salida. Las tarifas más baratas (cache_read + entrada) son menos de 1/10 del precio, así que nos centraremos en las partes costosas:

Total para 5 rondas: $0.55, con un promedio de aproximadamente $0.11 por ronda.

Cifra clave: cache_creation fue solo de 17,379.

cache_creation es el recuento de tokens por escribir nuevo contenido en el caché. En estas 5 rondas, solo las respuestas del profesor (~3-6k tokens) + pequeños incrementos del sistema se almacenaron en caché—totalizando 17,000.

Ni una sola palabra de los 47 papers entró en `cache_creation` de Claude—ese es el secreto del ahorro.

Comparación: Meter 47 papers directamente en el prompt

47 papers totalizan 384,000 palabras ≈ 500,000 tokens. El método tradicional de meter en el prompt se ve así:

La comparación más justa es la segunda fila (Una sola sesión, múltiples turnos)—el mejor escenario posible para los métodos tradicionales. Incluso así, la diferencia de costo para 5 rondas es de 17x ($9.59 vs $0.55). Los escenarios entre sesiones son aún peores (86x).

¿Por qué el caché no ayuda en el método tradicional? El caché de Anthropic tiene un valor predeterminado de 1 hora para los niveles de pago. Entre pensar, cambiar de ventana o iniciar una nueva sesión, el caché anterior a menudo se desaloja.

En este método, los papers nunca entran en Claude, por lo que los aciertos de caché no importan.

A medida que el material se duplica (100, 200 papers), la brecha se amplía linealmente. El cache_creation tradicional crece con el número de papers; este método se mantiene casi constante.

Para aquellos que investigan en Opus: Un año de sesiones de investigación podría significar una diferencia de $2,000—solo mantener los papers fuera de Claude ahorra lo suficiente para upgradear a Max de nuevo.

El Costo: 3 Veces Más Lento

Si te importan los segundos de tiempo de respuesta por encima de la factura mensual, esta configuración no es para ti.

Las siguientes secciones describen tres flujos de trabajo adecuados para NotebookLM.

Parte V: Flujo de Trabajo para Investigadores / Estudiantes

Una lista de lectura es un límite de conocimiento natural.

Punto Doloroso: Decenas de papers por semestre, revisando los mismos PDFs repetidamente. Ctrl-F es agotador, y ChatGPT podría alucinar sin citas.

Receta de Material (Sube una vez, usa todo el semestre):

• 20-50 PDFs de papers relacionados con el tema
• Plan de estudios del curso, transcripciones de clases
• Correos electrónicos del asesor, borradores de capítulos, notas de lectura

Preguntas Clave para el Profesor:

• "¿Qué dos papers tienen conclusiones contradictorias y en qué suposición?"
• "¿Cuántas veces aparece el método X en este corpus y cómo se usa?"
• "¿Son equivalentes la fórmula 3 del Paper A y la fórmula 7 del Paper B?"

Rol de Claude: Avanzar el proyecto—obtener conceptos/fórmulas del profesor → escribir código para replicar → ejecutar experimentos → organizar notas. Los papers en bruto nunca entran en la sesión de Claude.

Parte VI: Flujo de Trabajo para OPIs / Prospectos

Un prospecto tiene 300-600 páginas y la ventana de inversión es solo de tres días. Los humanos no pueden leerlo todo a tiempo.

Punto Doloroso: Las OPIs se mueven rápido. Los documentos tienen más de 500 páginas y cubren la historia de la empresa, modelos de negocio, finanzas, riesgos y patrocinadores. Leer uno lleva al menos 4 horas. Con 5-8 OPIs por semana, es imposible.

La información más valiosa no son las autoalabanzas; son las "banderas rojas" ocultas en los factores de riesgo y las transacciones con partes relacionadas. Los humanos las pasan por alto fácilmente.

Receta de Material (Un notebook por empresa):

• Prospecto Completo—El núcleo.
• Divulgaciones de Inversores Ancla—Quién los respalda y por cuánto tiempo.
• Informes Financieros de Pares—Puntos de referencia para la valoración.
• Investigación del Patrocinador/Asegurador—Lógica oficial de fijación de precios.
• Entrevistas con la Dirección y Rondas de Financiación Anteriores—Saltos de valoración.

Preguntas Clave para el Profesor:

Para decidir si invertir, haz estas 8 preguntas que normalmente toman horas encontrar:

1. "¿Cuál es el producto principal? ¿Cómo ha cambiado la estructura de ingresos en 3 años? ¿Concentración de clientes?"
2. "¿Cómo se compara esto con los pares (A, B, C) en margen bruto, crecimiento e I+D?"
3. "¿Quiénes son los inversores ancla, montos y períodos de bloqueo?"
4. "Desglosa el uso de los fondos. ¿Cuál es la parte más grande? ¿Dilución posterior a la OPI?"
5. "¿Qué factores de riesgo son de toda la industria vs. específicos de la empresa?"
6. "Valoración pasada: ¿Múltiplo de salto de la última ronda a la OPI? ¿Bloqueo de la última ronda?"
7. "¿Hay signos de ganancias únicas que inflan el beneficio? ¿Coincide el flujo de caja con el beneficio neto en 3 años?"
8. "¿Transacciones con partes relacionadas como % de los ingresos? ¿Alguna parte relacionada entre los cinco principales clientes?"

Cada respuesta incluye citas con [Número de Página].

Rol de Claude:

El procesamiento por lotes es el alma de este flujo de trabajo:

Grupo Semanal de OPIs = [Acción A, Acción B, Acción C, ...]

Claude resume las 8 empresas en una tabla de decisiones en markdown → Tú escaneas y ordenas en 15 minutos.

5-8 OPIs = 40-64 consultas. El material total es de aproximadamente 1 millón de tokens. Los métodos tradicionales quemarían $50+ por semana; este método cuesta menos de $2.

Parte VII: Flujo de Trabajo para la Base de Conocimiento Personal

Construye tu "Segundo Cerebro".

Punto Doloroso: La búsqueda de Obsidian solo reconoce palabras clave. No puede responder "¿Cómo ha cambiado mi opinión sobre X en tres años?" Las notas están dispersas y varían en formato.

Receta de Material:

• Exportaciones completas de Obsidian / Notion
• Destacados de Kindle, clips de Readwise
• Diarios de trabajo, actas de reuniones, documentos de revisión

Preguntas Clave para el Profesor:

• "¿Qué he escrito sobre 'enfoque' en los últimos tres años? ¿Ha cambiado mi opinión?"
• "¿Dónde se superponen o entran en conflicto 'Principios' y 'Pensar rápido, pensar despacio' sobre el sesgo cognitivo?"
• "¿Cuáles fueron las actitudes individuales hacia el Proyecto X en todas las actas de reuniones del mes pasado?"

Rol de Claude: Las preguntas sobre la evolución del pensamiento necesitan IA conversacional + material completo. Claude sintetiza las respuestas de múltiples rondas del profesor en resúmenes estructurados (líneas de tiempo, comparaciones de puntos de vista, listas de seguimiento).

Característica común de los tres flujos de trabajo: Consultas repetidas, documentos cruzados, límites privados. Si cumples con alguno de estos, el costo de configuración de 15 segundos se amortiza en una semana.

Reflexiones Finales

Puntos a tener en cuenta:

1. storage_state.json contiene tu sesión activa de Google. Mantenlo seguro.
2. notebooklm-client está hecho mediante ingeniería inversa. Google no lo admite oficialmente; los backends podrían cambiar.

El núcleo de esto es la División del Trabajo:

• NotebookLM como Profesor: Responde conocimiento del dominio con citas, sin alucinaciones.
• Claude como Asistente: Orquesta herramientas, escribe código, organiza resultados, pregunta al profesor cuando se atasca.
• Tú como Líder del Proyecto: Intervienes solo en los puntos clave de decisión.

He usado esto durante un mes, y el ahorro es suficiente para varias cenas buenas. Más importante aún, investigar docenas de papers ya no me preocupa por mi límite—la libertad de "no tener que contar tokens" es más adictiva que el ahorro en sí mismo.

Si te gustó este post, sígueme @MinLiBuilds.

Finalmente, recomiendo la primera parte de mi serie sobre caché, que explica el mecanismo de caché de manera simple para ayudarte a ahorrar tokens:

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