Claude Code + NotebookLM + Obsidian: O monstro da pesquisa que fica mais inteligente a cada uso

A maioria das pessoas trata a pesquisa como uma tarefa manual.

Você abre 10 abas. Assiste a vídeos. Lê artigos. Faz anotações em algum lugar. Uma hora depois, você tem uma pilha de informações sem saber o que fazer com elas.

Existe um jeito melhor.

Este é um guia passo a passo para construir um fluxo de trabalho de pesquisa usando Claude Code, NotebookLM e Obsidian, capaz de investigar qualquer tópico - dinâmicas de mercado, tecnologias emergentes, ecossistemas de criptomoedas, nichos de conteúdo, qualquer coisa - e que fica mais afiado a cada uso.

Tempo de configuração: menos de 30 minutos

A Pilha de Tecnologias e Por Que Funciona

Quatro ferramentas. Cada uma lida com uma camada diferente do problema.

• Claude Code - o motor de execução. Ele executa comandos, chama skills, gerencia arquivos e orquestra todo o pipeline. Você fala com ele em linguagem natural, ele faz o trabalho.
• Skill Creator - a camada de personalização. Um plugin do Claude Code que permite criar skills reutilizáveis em linguagem natural. Você descreve o que quer, ele gera o código e instala a skill. Sem necessidade de programação.
• NotebookLM - o motor de análise. A ferramenta de pesquisa de IA do Google que lê suas fontes e gera análises aprofundadas, resumos, infográficos, flashcards, roteiros de podcast e muito mais. Quando o Claude Code descarrega o processamento para o NotebookLM, ele está usando a computação do Google, não seus tokens do Claude.
• Obsidian - a camada de memória. Um sistema de conhecimento local baseado em Markdown que armazena tudo que o fluxo de trabalho produz. Com o tempo, o Claude Code lê esses arquivos e aprende como você pensa, o que te importa e como você quer que sua análise seja entregue.

Combinados: um sistema de pesquisa que executa sob comando, analisa em escala e melhora com o uso.

Passo 1: Instale o Skill Creator

Abra o Claude Code. Certifique-se de que está dentro da pasta do seu cofre (vault) do Obsidian - isso é importante para o Obsidian capturar os arquivos que o Claude Code gera.

Execute este comando:

1/plugin

Pesquise por skill-creator. Instale-o. Saia do Claude Code. Reinicie o Claude Code.

Agora você tem a capacidade de criar qualquer skill descrevendo-a em linguagem natural.

Passo 2: Crie a Skill de Pesquisa no YouTube

Esta skill permite que o Claude Code pesquise no YouTube e extraia dados estruturados de vídeos - títulos, canais, número de inscritos, visualizações, datas de upload, URLs e taxas de engajamento.

Execute este comando dentro do Claude Code:

1/skill-creator Quero criar uma skill que pesquise no
2YouTube e retorne resultados de vídeo estruturados.
3Ela deve usar yt-dlp para pesquisar vídeos por consulta,
4retornar os 20 melhores resultados por padrão e incluir
5metadados para cada vídeo - título, nome do canal, número
6de inscritos, visualizações, duração, data de upload e URL.
7Ela deve filtrar pelos últimos 6 meses por padrão, mas suportar
8uma flag --months para alterar isso.
9Ela também deve calcular uma proporção de visualizações por
10inscrito como uma métrica de engajamento.
11A saída deve ser bem formatada com
12divisores entre cada resultado e números legíveis.

O Claude Code gerará a skill, a instalará e confirmará. Agora você tem o comando \/yt-search\ disponível.

Nota: o yt-dlp precisa estar instalado na sua máquina. Se você não o tiver...

Passo 3: Instale o NotebookLM-py

O NotebookLM não possui uma API pública. Para conectar o Claude Code ao NotebookLM, usamos um projeto de código aberto chamado **notebooklm-py*\*.

Repositório: github. com/teng-lin/notebooklm-py

Execute estes comandos no seu terminal (não dentro do Claude Code - abra uma janela de terminal separada):

1pip install notebooklm-py

Em seguida, autentique-se:

1notebooklm login

Uma janela do navegador será aberta. Faça login na sua conta do Google. Pronto. A conexão está estabelecida.

Passo 4: Crie a Skill do NotebookLM

Agora você precisa ensinar o Claude Code a usar o notebooklm-py. Execute isto dentro do Claude Code:

1/skill-creator crie uma skill para que possamos usar melhor a
2ferramenta notebooklm-py. Consulte o repositório GitHub em
3github. com/teng-lin/notebooklm-py e construa
4uma skill que possa: criar novos notebooks, adicionar fontes
5(URLs do YouTube, texto, arquivos), executar análises nessas fontes
6e gerar entregáveis, incluindo visão geral em áudio,
7mapa mental, flashcards e infográfico.

Isso dá ao Claude Code uma skill completa do NotebookLM com comandos para cada ação que o NotebookLM suporta - até 50 fontes por notebook, todos os tipos de entregáveis.

Passo 5: Combine Tudo em Uma Única Skill de Pipeline

É aqui que o fluxo de trabalho se torna verdadeiramente poderoso.

Em vez de executar manualmente a pesquisa no YouTube, depois enviar os resultados para o NotebookLM e então solicitar a análise - você constrói uma skill que faz tudo isso em sequência com um único comando.

Execute isto dentro do Claude Code:

1/skill-creator Quero criar uma skill de pipeline de pesquisa
2no YouTube que combine a skill yt-search e a
3skill do NotebookLM. Quando eu usar esta skill de pipeline, quero
4que ela: pegue o que eu pedi para pesquisar, vá ao YouTube e
5encontre 10 vídeos relevantes usando a skill yt-search, use
6a skill do NotebookLM para criar um novo notebook,
7adicione essas fontes de vídeo ao notebook e, em seguida, faça
8uma análise sobre o tópico com base no que eu disse quando
9invoquei a skill. Além disso, me pergunte se quero
10um entregável - o NotebookLM pode criar flashcards,
11infográficos, mapas mentais, visões gerais em áudio.
12Se eu não especificar um entregável, assuma nenhum.
13Após a análise, traga tudo de volta para mim em um
14arquivo Markdown salvo no cofre (vault) e também mostre-o
15no chat. Inclua todos os metadados da pesquisa no YouTube
16na saída - fontes usadas, contagens de visualizações,
17nomes de canais, taxas de engajamento.

Executando o Fluxo de Trabalho

1/yt-pipeline Quero pesquisar sobre frameworks de agentes de IA em 2026.
2Quais frameworks os desenvolvedores estão realmente adotando -
3- LangGraph, CrewAI, AutoGen, Agno ou algo diferente?
4Quero entender o que está impulsionando as visualizações neste tópico,
5onde há discordância na comunidade,
6quais são os outliers e quais ângulos ainda não foram
7bem cobertos. Encontre 10 fontes relevantes,
8envie-as para um novo notebook do NotebookLM,
9execute uma análise completa e gere um infográfico
10mostrando o panorama.

Com a skill de pipeline instalada, é assim que se parece uma sessão de pesquisa real.

O tópico: Frameworks de agentes de IA. O que está realmente ganhando tração em 2026, o que é superestimado e onde estão as lacunas na cobertura existente.

O Claude Code inicia o pipeline. Ele chama a skill de pesquisa no YouTube, encontra 10 vídeos entre tutoriais de frameworks, comparações e opiniões de desenvolvedores - passa as URLs para o NotebookLM, cria um notebook, executa a análise e solicita um infográfico.

Tempo total de processamento: cerca de 6 minutos.

A maior parte desse tempo é o processamento do NotebookLM nos servidores do Google - não seus tokens do Claude.

O resultado retorna como:

1. Uma análise completa cobrindo quais frameworks estão em ascensão vs. estabilizando, do que os desenvolvedores estão realmente reclamando, outliers de engajamento e lacunas de conteúdo que ninguém cobriu ainda.
2. Um infográfico mapeando o panorama dos frameworks de agentes de IA.
3. Um arquivo Markdown salvo diretamente no seu cofre do Obsidian com tudo estruturado e vinculado - pronto para ser referenciado em futuras sessões de pesquisa.

Onde o Obsidian o Torna Uma Ferramenta Completamente Diferente

Tudo acima funciona como uma tarefa de pesquisa única.

O Obsidian é o que transforma isso em algo que se acumula.

Cada arquivo Markdown que o fluxo de trabalho produz cai no seu cofre do Obsidian. Com o tempo, seu cofre se torna um corpus estruturado de tudo que você pesquisou - tópicos, fontes, análises, padrões, conclusões.

O Claude Code pode ler todos esses arquivos. Ele vê como eles estão vinculados. Ele entende a quais tópicos você retorna, qual análise você achou útil, qual formato você prefere.

O arquivo \claude.md\ dentro do seu cofre é onde isso se torna explícito. É um arquivo de configuração que diz ao Claude Code como trabalhar com você - suas convenções, suas preferências de saída, como você quer que as coisas sejam estruturadas.

Você o atualiza dizendo:

1Podemos atualizar o claude.md para que ele reflita melhor
2meu estilo de trabalho, abordagem de análise e preferências
3de saída com base em nossas conversas mais recentes?

O Claude Code lê a sessão recente, identifica seus padrões e atualiza o arquivo.

Faça isso uma vez por semana. Depois de um mês, o fluxo de trabalho o conhece bem o suficiente para que as saídas comecem a corresponder ao que você realmente quer, sem necessidade de prompts extensos.

Depois de um ano - se você fizer isso consistentemente - você terá um sistema de pesquisa que absorveu centenas de sessões, entende seu estilo de pensamento e opera como um assistente treinado, em vez de uma ferramenta em branco.

O Ponto Modular Que Ninguém Menciona

A fonte do YouTube não é o ponto principal.

A estrutura do pipeline é o ponto principal.

Você pode substituir o YouTube por qualquer fonte de dados que o Claude Code possa acessar:

• PDFs - artigos acadêmicos, relatórios do setor, white papers
• Páginas da web públicas - artigos de notícias, documentação, postagens de blog
• Arquivos locais - suas próprias anotações, dados exportados, transcrições
• Google Drive - documentos e planilhas que você já possui

O modelo do fluxo de trabalho permanece o mesmo. Troque a fonte, mantenha a estrutura.

Pesquise um ecossistema de criptomoedas usando white papers e documentação pública. Analise uma tecnologia emergente usando palestras de conferências no YouTube. Mapeie um nicho de conteúdo analisando o que está performando bem. Estude dinâmicas de mercado usando relatórios públicos.

Seja qual for o caso de uso - o pipeline, a camada de análise e o sistema de memória permanecem idênticos.

O Que Você Obtém no Final

Um sistema de pesquisa que:

• Executa pipelines de pesquisa completos com um único comando
• Descarrega análises pesadas para a infraestrutura do Google via NotebookLM
• Produz entregáveis estruturados - infográficos, mapas mentais, áudio, flashcards - automaticamente
• Salva cada resultado em uma base de conhecimento local
• Aprende suas preferências ao longo do tempo e melhora suas saídas de acordo

A configuração de 30 minutos se paga na primeira vez que você a usa.