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. Assistir vídeos. Ler 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 criar um fluxo de trabalho de pesquisa usando Claude Code, NotebookLM e Obsidian, capaz de investigar qualquer tópico — dinâmicas de mercado, tecnologias emergentes, ecossistemas cripto, nichos de conteúdo, qualquer coisa — e que fica mais afiado a cada uso.

Tempo de configuração: menos de 30 minutos

A Stack 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 deseja, 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 profundas, resumos, infográficos, flashcards, roteiros de podcast e muito mais. Quando o Claude Code transfere o processamento para o NotebookLM, ele está usando o poder de processamento 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 é importante para você e como você quer que suas análises sejam apresentadas.

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 estar dentro da pasta do seu vault do Obsidian — isso é importante para que o Obsidian capture os arquivos gerados pelo Claude Code.

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 simplesmente 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 obtenha dados estruturados dos vídeos — títulos, canais, número de inscritos, visualizações, datas de upload, URLs e métricas de engajamento.

Execute este comando dentro do Claude Code:

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

O Claude Code vai gerar a skill, instalá-la e confirmar. Agora você tem o comando /yt-search disponível.

Nota: o yt-dlp precisa estar instalado na sua máquina. Caso não tenha

Passo 3: Instale o NotebookLM-py

O NotebookLM não possui uma API pública. Para conectar o Claude Code ao NotebookLM, usamos um projeto open-source 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
2da melhor forma a ferramenta notebooklm-py. Consulte o
3repositório do GitHub em github. com/teng-lin/notebooklm-py
4e construa uma skill capaz de: criar novos notebooks,
5adicionar fontes (URLs do YouTube, textos, arquivos),
6executar análises nessas fontes e gerar entregáveis
7incluindo visão geral em áudio, mapa mental,
8flashcards e infográfico.

Isso dá ao Claude Code uma skill completa do NotebookLM com comandos para todas as ações 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 cria 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
2pesquisa no YouTube que combine a skill yt-search e a
3skill do NotebookLM. Quando eu usar esta skill de pipeline,
4quero que ela: pegue o que eu pedi para pesquisar, vá ao
5YouTube e encontre 10 vídeos relevantes usando a skill
6yt-search, use a skill do NotebookLM para criar um novo
7notebook, adicione essas fontes de vídeo ao notebook,
8e então faça uma análise sobre o tópico com base no que
9eu disse ao invocar a skill. Além disso, me pergunte se
10quero um entregável — o NotebookLM pode criar flashcards,
11infográficos, mapas mentais, visões gerais em áudio.
12Se eu não especificar um entregável, considere que não
13quero nenhum. Após a análise, traga tudo para mim em um
14arquivo Markdown salvo no vault e também mostre
15no chat. Inclua todos os metadados da pesquisa no YouTube
16na saída — fontes usadas, visualizações,
17nomes dos canais, razões de engajamento.

Executando o Fluxo de Trabalho

1/yt-pipeline Quero pesquisar sobre frameworks de
2agentes de IA em 2026. Quais frameworks os
3desenvolvedores estão realmente adotando —
4LangGraph, CrewAI, AutoGen, Agno ou outro?
5Quero entender o que está gerando visualizações
6sobre este tópico, onde há divergência na
7comunidade, quais são os outliers e quais ângulos
8ainda não foram bem cobertos. Encontre 10 fontes
9relevantes, envie-as para um novo notebook do
10NotebookLM, execute uma análise completa e gere
11um infográfico mostrando o cenário.

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

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, 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. quais estão estagnando, do que os desenvolvedores estão realmente reclamando, outliers de engajamento e lacunas de conteúdo que ninguém explorou ainda
2. Um infográfico mapeando o cenário de frameworks de agentes de IA
3. Um arquivo Markdown salvo diretamente no seu vault do Obsidian com tudo estruturado e vinculado — pronto para ser referenciado em futuras sessões de pesquisa

Onde o Obsidian a Torna uma Ferramenta Completamente Diferente

Tudo acima funciona como uma tarefa de pesquisa pontual.

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

Cada arquivo Markdown que o fluxo de trabalho produz cai no seu vault do Obsidian. Com o tempo, seu vault 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, quais análises você achou úteis, qual formato você prefere.

O arquivo claude.md dentro do seu vault 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
2melhor meu estilo de trabalho, minha abordagem de
3análise e minhas preferências de saída com base
4em 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 te 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 tem um sistema de pesquisa que absorveu centenas de sessões, entende seu estilo de pensamento e opera como um assistente treinado, não como 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 consiga acessar:

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

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

Pesquise um ecossistema cripto usando whitepapers e documentação pública. Analise uma tecnologia emergente usando palestras de conferências no YouTube. Mapeie um nicho de conteúdo analisando o que está performando. 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 completos de pesquisa com um único comando
• Transfere 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 com o tempo e melhora suas saídas de acordo

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