Claude Code + NotebookLM + Obsidian: Her Kullanımda Daha da Akıllanan Araştırma Canavarı

Çoğu insan araştırmayı manuel bir iş olarak görür.

10 sekme açarsın. Videolar izlersin. Makaleler okursun. Bir yerlere not alırsın. Bir saat sonra elinde ne yapacağını bilemediğin bir bilgi yığını olur.

Daha iyi bir yol var.

Bu, Claude Code, NotebookLM ve Obsidian kullanarak bir araştırma iş akışı oluşturmak için adım adım bir kılavuzdur. Bu sistem, pazar dinamikleri, yeni gelişen teknolojiler, kripto ekosistemleri, içerik nişleri gibi herhangi bir konuyu araştırabilir ve her kullanışınızda daha da keskinleşir.

Kurulum süresi: 30 dakikanın altında

Yığın ve Neden Çalışır

Dört araç. Her biri sorunun farklı bir katmanını ele alır.

• Claude Code - yürütme motoru. Komutları çalıştırır, becerileri (skills) çağırır, dosyaları yönetir ve tüm hattı (pipeline) düzenler. Onunla düz bir dille konuşursun, o da işi yapar.
• Skill Creator - özelleştirme katmanı. Doğal dilde yeniden kullanılabilir beceriler (skills) oluşturmanı sağlayan bir Claude Code eklentisi. Ne istediğini tanımlarsın, kod üretir ve beceriyi yükler. Programlama bilgisi gerekmez.
• NotebookLM - analiz motoru. Kaynaklarını okuyan ve derinlemesine analizler, özetler, infografikler, bilgi kartları, podcast senaryoları ve daha fazlasını oluşturan Google'ın yapay zeka araştırma aracı. Claude Code işlemeyi NotebookLM'ye devrettiğinde, senin Claude token'larını değil, Google'ın bilgi işlem gücünü kullanır.
• Obsidian - bellek katmanı. İş akışının ürettiği her şeyi depolayan, yerel, markdown tabanlı bir bilgi sistemi. Zamanla Claude Code bu dosyaları okur ve nasıl düşündüğünü, neyi önemsediğini ve analizinin nasıl sunulmasını istediğini öğrenir.

Birleşince: komutla çalışan, büyük ölçekte analiz yapan ve kullanıldıkça gelişen bir araştırma sistemi.

Adım 1: Skill Creator'ı Yükleyin

Claude Code'u açın. Obsidian kasa (vault) klasörünüzün içinde olduğunuzdan emin olun - bu, Obsidian'ın Claude Code'un oluşturduğu dosyaları alması için önemlidir.

Bu komutu çalıştırın:

1/plugin

skill-creator'ı arayın. Yükleyin. Claude Code'dan çıkın. Claude Code'u yeniden başlatın.

Artık herhangi bir beceriyi (skill) düz bir dille tanımlayarak oluşturma yeteneğine sahipsiniz.

Adım 2: YouTube Arama Becerisini (Skill) Oluşturun

Bu beceri, Claude Code'un YouTube'da arama yapmasını ve yapılandırılmış video verilerini (başlıklar, kanallar, abone sayıları, görüntülenme sayıları, yüklenme tarihleri, URL'ler ve etkileşim oranları) çekmesini sağlar.

Bu komutu Claude Code'un içinde çalıştırın:

1/skill-creator YouTube'da arama yapan ve yapılandırılmış
2video sonuçları döndüren bir beceri oluşturmak istiyorum.
3Sorguya göre video aramak için yt-dlp kullanmalı,
4varsayılan olarak ilk 20 sonucu döndürmeli ve her video
5için başlık, kanal adı, abone sayısı, görüntülenme sayısı,
6süre, yüklenme tarihi ve URL gibi meta verileri içermeli.
7Varsayılan olarak son 6 ayı filtrelemeli ancak bunu
8değiştirmek için bir --months bayrağını (flag) desteklemeli.
9Ayrıca bir etkileşim metriği olarak görüntülenme-abone
10oranını hesaplamalı. Çıktı, her sonuç arasında ayırıcılar
11ve insan tarafından okunabilir sayılarla güzel bir şekilde
12biçimlendirilmelidir.

Claude Code beceriyi oluşturacak, yükleyecek ve onaylayacak. Artık bir komut olarak /yt-search kullanıma hazır.

Not: yt-dlp'nin makinenizde yüklü olması gerekir. Eğer yoksa...

Adım 3: NotebookLM-py'yi Yükleyin

NotebookLM'nin herkese açık bir API'si yoktur. Claude Code'u NotebookLM'ye bağlamak için notebooklm-py adlı açık kaynaklı bir proje kullanıyoruz.

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

Bu komutları terminalinizde çalıştırın (Claude Code'un içinde değil - ayrı bir terminal penceresi açın):

1pip install notebooklm-py

Ardından kimlik doğrulaması yapın:

1notebooklm login

Bir tarayıcı penceresi açılacaktır. Google hesabınıza giriş yapın. İşlem tamam. Bağlantı kuruldu.

Adım 4: NotebookLM Becerisini (Skill) Oluşturun

Şimdi Claude Code'a notebooklm-py'yi nasıl kullanacağını öğretmeniz gerekiyor. Bunu Claude Code'un içinde çalıştırın:

1/skill-creator notebooklm-py aracını en iyi şekilde
2kullanabilmemiz için bir beceri oluştur. github.com/teng-lin/notebooklm-py
3adresindeki GitHub deposuna başvur ve şunları yapabilen
4bir beceri inşa et: yeni not defterleri oluşturma,
5kaynak ekleme (YouTube URL'leri, metin, dosyalar),
6bu kaynaklar üzerinde analiz çalıştırma ve sesli genel bakış,
7zihin haritası, bilgi kartı ve infografik dahil olmak üzere
8çıktılar üretme.

Bu, Claude Code'a NotebookLM'nin desteklediği her eylem için (not defteri başına 50 kaynağa kadar, tüm çıktı türleri) komutlar içeren eksiksiz bir NotebookLM becerisi kazandırır.

Adım 5: Her Şeyi Tek Bir Hat (Pipeline) Becerisinde Birleştirin

İş akışının gerçekten güçlü hale geldiği yer burasıdır.

YouTube aramasını manuel olarak çalıştırıp, ardından sonuçları NotebookLM'ye gönderip, ardından analiz talep etmek yerine - tüm bunları tek bir komutla sırayla yapan tek bir beceri oluşturursunuz.

Bunu Claude Code'un içinde çalıştırın:

1/skill-creator yt-search becerisi ile NotebookLM becerisini
2birleştiren bir YouTube araştırma hattı (pipeline) becerisi
3oluşturmak istiyorum. Bu hat becerisini kullandığımda
4şunları yapmasını istiyorum: araştırmamı söylediğim şeyi
5almasını, YouTube'a gidip yt-search becerisini kullanarak
610 ilgili video bulmasını, NotebookLM becerisini kullanarak
7yeni bir not defteri oluşturmasını, bu video kaynaklarını
8not defterine eklemesini ve ardından beceriyi çağırdığımda
9söylediklerime dayanarak konu hakkında analiz yapmasını.
10Ayrıca bana bir çıktı isteyip istemediğimi sormasını -
11NotebookLM bilgi kartları, infografikler, zihin haritaları,
12sesli genel bakışlar oluşturabilir. Bir çıktı belirtmezsem
13hiçbiri varsayılsın. Analizden sonra her şeyi kasaya (vault)
14kaydedilmiş bir markdown dosyası olarak bana getirsin
15ve ayrıca sohbette göstersin. Çıktıya tüm YouTube arama
16meta verilerini dahil etsin - kullanılan kaynaklar,
17görüntülenme sayıları, kanal adları, etkileşim oranları.

İş Akışını Çalıştırma

1/yt-pipeline 2026'daki yapay zeka ajan çerçevelerini
2araştırmak istiyorum. Geliştiriciler hangi çerçeveleri
3gerçekten benimsiyor - LangGraph, CrewAI, AutoGen, Agno
4veya başka bir şey? Bu konudaki görüntülenmeleri neyin
5yönlendirdiğini, toplulukta nerede anlaşmazlık olduğunu,
6aykırı değerlerin neler olduğunu ve hangi açıların henüz
7iyi kapsanmadığını anlamak istiyorum. 10 ilgili kaynak bul,
8bunları yeni bir NotebookLM not defterine aktar,
9tam bir analiz çalıştır ve manzarayı gösteren bir
10infografik oluştur.

Hat (pipeline) becerisi yüklendiğinde, gerçek bir araştırma oturumu böyle görünür.

Konu: Yapay zeka ajan çerçeveleri. 2026'da gerçekten ne ilgi görüyor, ne abartılıyor ve mevcut kapsamdaki boşluklar nerede?

Claude Code hattı başlatır. YouTube arama becerisini çağırır, çerçeve eğitimleri, karşılaştırmalar ve geliştirici yorumları arasından 10 video bulur - URL'leri NotebookLM'ye iletir, bir not defteri oluşturur, analiz çalıştırır ve bir infografik talep eder.

Toplam işlem süresi: yaklaşık 6 dakika.

Bu sürenin çoğu, NotebookLM'nin Google sunucularında işlem yapmasıyla geçer - senin Claude token'larınla değil.

Sonuç şu şekilde geri gelir:

1. Hangi çerçevelerin yükseldiğine karşı platoya ulaştığına, geliştiricilerin gerçekte nelerden şikayet ettiğine, etkileşim aykırı değerlerine ve henüz kimsenin kapsamadığı içerik boşluklarına ilişkin eksiksiz bir analiz
2. Yapay zeka ajan çerçevesi manzarasını haritalayan bir infografik
3. Her şeyin yapılandırılmış ve bağlantılı olduğu, doğrudan Obsidian kasanıza kaydedilmiş bir markdown dosyası - gelecekteki araştırma oturumlarında başvurmaya hazır

Obsidian'ın Onu Tamamen Farklı Bir Araç Haline Getirdiği Yer

Yukarıdakilerin hepsi tek seferlik bir araştırma görevi olarak çalışır.

Obsidian, onu biriken bir şeye dönüştüren şeydir.

İş akışının ürettiği her markdown dosyası Obsidian kasanıza düşer. Zamanla kasanız, araştırdığınız her şeyin yapılandırılmış bir külliyatı haline gelir - konular, kaynaklar, analizler, kalıplar, sonuçlar.

Claude Code tüm bu dosyaları okuyabilir. Nasıl bağlantılı olduklarını görür. Hangi konulara geri döndüğünüzü, hangi analizi yararlı bulduğunuzu, hangi formatı tercih ettiğinizi anlar.

Kasanızın içindeki claude.md dosyası, bunun açık hale geldiği yerdir. Claude Code'a sizinle nasıl çalışacağını söyleyen bir yapılandırma dosyasıdır - sözleşmeleriniz, çıktı tercihleriniz, işlerin nasıl yapılandırılmasını istediğiniz.

Bunu şöyle diyerek güncellersiniz:

1Son konuşmalarımıza dayanarak çalışma tarzımı, analiz
2yaklaşımımı ve çıktı tercihlerimi daha iyi yansıtması
3için claude.md'yi güncelleyebilir miyiz?

Claude Code son oturumu okur, kalıplarınızı belirler ve dosyayı günceller.

Bunu haftada bir kez yapın. Bir ay sonra iş akışı sizi, kapsamlı bir yönlendirme gerektirmeden çıktıların gerçekten istediğiniz şeyle eşleşmeye başlayacağı kadar iyi tanır.

Bir yıl sonra - bunu tutarlı bir şekilde yapıyorsanız - yüzlerce oturumu özümsemiş, düşünce tarzınızı anlayan ve boş bir araçtan ziyade eğitimli bir asistan olarak çalışan bir araştırma sisteminiz olur.

Kimsenin Bahsetmediği Modüler Nokta

YouTube kaynağı asıl mesele değil.

Hat (pipeline) yapısı asıl mesele.

YouTube'u, Claude Code'un erişebildiği herhangi bir veri kaynağıyla değiştirebilirsiniz:

• PDF'ler - akademik makaleler, sektör raporları, teknik incelemeler (whitepapers)
• Genel web sayfaları - haber makaleleri, dokümantasyon, blog yazıları
• Yerel dosyalar - kendi notlarınız, dışa aktarılmış veriler, transkriptler
• Google Drive - zaten sahip olduğunuz belgeler ve e-tablolar

İş akışı şablonu aynı kalır. Kaynağı değiştirin, yapıyı koruyun.

Teknik incelemeler ve genel dokümantasyon kullanarak bir kripto ekosistemini araştırın. YouTube'daki konferans konuşmalarını kullanarak yeni gelişen bir teknolojiyi analiz edin. Neyin performans gösterdiğini analiz ederek bir içerik nişini haritalayın. Kamuya açık raporları kullanarak pazar dinamiklerini inceleyin.

Kullanım durumu ne olursa olsun - hat, analiz katmanı ve bellek sistemi aynı kalır.

Elinizde Ne Olacak

Şunları yapabilen bir araştırma sistemi:

• Tek bir komutla tam araştırma hatlarını yürütür
• Ağır analizleri NotebookLM aracılığıyla Google'ın altyapısına devreder
• Otomatik olarak yapılandırılmış çıktılar üretir - infografikler, zihin haritaları, ses, bilgi kartları
• Her sonucu yerel bir bilgi tabanına kaydeder
• Zaman içinde tercihlerinizi öğrenir ve çıktılarını buna göre iyileştirir

30 dakikalık kurulum, ilk kullanışınızda kendini amorti eder.