Claude Code + NotebookLM + Obsidian：讓你越用越聰明的究極研究利器

大多數人把研究視為一項手動任務。

你打開 10 個分頁。你看影片。你讀文章。你在某處做筆記。一小時後，你得到一堆不確定該如何處理的資訊。

有更好的方法。

這是一份逐步指南，教你如何使用 Claude Code、NotebookLM 和 Obsidian 建立一個研究流程，這個流程可以調查任何主題——市場動態、新興技術、加密貨幣生態系、內容利基市場，任何主題都可以——而且每次使用都會變得更精準。

設定時間：少於 30 分鐘

技術棧及其運作原理

四個工具。每個工具處理問題的不同層面。

• Claude Code - 執行引擎。它執行指令、呼叫技能、管理檔案，並編排整個流程。你用日常語言與它交談，它負責完成工作。
• Skill Creator - 自訂層。一個 Claude Code 外掛，讓你能用自然語言建立可重複使用的技能。你描述你想要的功能，它會產生程式碼並安裝該技能。無需程式設計。
• NotebookLM - 分析引擎。Google 的 AI 研究工具，能讀取你的來源並產生深入分析、摘要、資訊圖表、閃卡、Podcast 腳本等。當 Claude Code 將處理工作卸載給 NotebookLM 時，它使用的是 Google 的運算資源，而不是你的 Claude Token。
• Obsidian - 記憶層。一個基於 Markdown 的本地知識系統，儲存流程產生的所有內容。隨著時間推移，Claude Code 會讀取這些檔案，並學習你的思考方式、你關心什麼，以及你希望分析結果以何種方式呈現。

結合起來：一個按指令執行、大規模分析，並在使用中持續改進的研究系統。

步驟 1：安裝 Skill Creator

打開 Claude Code。確保你位於 Obsidian 筆記庫資料夾內——這對於 Obsidian 擷取 Claude Code 產生的檔案很重要。

執行此指令：

1/plugin

搜尋 skill-creator。安裝它。退出 Claude Code。重新啟動 Claude Code。

你現在可以透過用日常語言描述來建立任何技能。

步驟 2：建立 YouTube 搜尋技能

這個技能讓 Claude Code 能夠搜尋 YouTube 並提取結構化的影片資料——標題、頻道、訂閱者數、觀看次數、上傳日期、URL 和互動率。

在 Claude Code 內部執行此指令：

1/skill-creator 我想建立一個技能，用於搜尋
2YouTube 並回傳結構化的影片結果。
3它應該使用 yt-dlp 根據查詢來搜尋影片，
4預設回傳前 20 個結果，並包含每個影片的
5中繼資料——標題、頻道名稱、訂閱者
6數量、觀看次數、時長、上傳日期和 URL。
7它應該預設篩選過去 6 個月的內容，但支援
8使用 --months 標誌來更改此設定。
9它還應該計算觀看次數與訂閱者數的比率
10作為互動指標。
11輸出格式應美觀，每個結果之間有
12分隔線，並使用人類可讀的數字。

Claude Code 將產生該技能、安裝它並確認。你現在可以使用 \/yt-search\ 作為指令。

注意：你的機器上需要安裝 yt-dlp。如果你沒有安裝

步驟 3：安裝 NotebookLM-py

NotebookLM 沒有公開 API。為了將 Claude Code 連接到 NotebookLM，我們使用一個名為 **notebooklm-py*\* 的開源專案。

儲存庫：github. com/teng-lin/notebooklm-py

在你的終端機中執行這些指令（不是在 Claude Code 內部——打開一個單獨的終端機視窗）：

1pip install notebooklm-py

然後進行身份驗證：

1notebooklm login

將會打開一個瀏覽器視窗。登入你的 Google 帳戶。完成。連線已建立。

步驟 4：建立 NotebookLM 技能

現在你需要教導 Claude Code 如何使用 notebooklm-py。在 Claude Code 內部執行此指令：

1/skill-creator 建立一個技能，以便我們能最佳地使用
2notebooklm-py 工具。參考位於
3github. com/teng-lin/notebooklm-py 的 GitHub 儲存庫，
4並建立一個能夠執行以下操作的技能：建立新筆記本、新增來源
5（YouTube URL、文字、檔案）、對這些來源執行分析，
6以及產生包括音訊概覽、心智圖、閃卡和資訊圖表在內的產出物。

這為 Claude Code 提供了一個完整的 NotebookLM 技能，包含 NotebookLM 支援的所有動作指令——每個筆記本最多 50 個來源，以及所有可交付成果類型。

步驟 5：將所有功能結合成一個管線技能

這就是工作流程變得真正強大的地方。

與其手動執行 YouTube 搜尋，然後將結果發送給 NotebookLM，再請求分析——不如建立一個技能，只需一個指令就能按順序完成所有這些操作。

在 Claude Code 內部執行此指令：

1/skill-creator 我想建立一個 YouTube 研究管線
2技能，它結合了 yt-search 技能和
3NotebookLM 技能。當我使用這個管線技能時，我希望它
4能夠：接收我告訴它要研究的內容，前往 YouTube 並
5使用 yt-search 技能找到 10 個相關影片，使用
6NotebookLM 技能建立一個新筆記本，
7將這些影片來源新增到筆記本中，然後根據我呼叫
8該技能時所說的內容對該主題進行分析。
9此外，詢問我是否需要
10可交付成果——NotebookLM 可以建立閃卡、資訊圖表、
11心智圖、音訊概覽。
12如果我沒有指定可交付成果，則預設為無。
13分析完成後，將所有內容以 Markdown 檔案形式
14儲存到筆記庫中，並同時在聊天中顯示。
15在輸出中包含所有 YouTube 搜尋中繼資料——使用的來源、
16觀看次數、頻道名稱、互動率。

執行工作流程

1/yt-pipeline 我想研究 2026 年的 AI Agent 框架。
2開發者實際上正在採用哪些框架——
3LangGraph、CrewAI、AutoGen、Agno 還是其他？
4我想了解是什麼驅動了這個主題的觀看次數，
5社群中存在哪些分歧，
6有哪些異常值，以及哪些角度尚未被
7充分報導。找到 10 個相關來源，
8將它們推送到一個新的 NotebookLM 筆記本中，
9執行完整分析，並產生一個顯示該領域
10概況的資訊圖表。

安裝了管線技能後，這就是實際研究階段的樣子。

主題：AI Agent 框架。2026 年哪些框架真正獲得關注，哪些被過度炒作，以及現有報導中存在哪些空白。

Claude Code 啟動管線。它呼叫 YouTube 搜尋技能，找到 10 個涵蓋框架教學、比較和開發者觀點的影片——將 URL 傳遞給 NotebookLM，建立一個筆記本，執行分析，並請求一個資訊圖表。

總處理時間：大約 6 分鐘。

大部分時間是 NotebookLM 在 Google 伺服器上處理——而不是消耗你的 Claude Token。

結果會以以下形式回傳：

1. 一份完整的分析，涵蓋哪些框架正在崛起 vs. 趨於平穩、開發者實際上在抱怨什麼、互動異常值，以及尚未有人報導的內容空白。
2. 一個描繪 AI Agent 框架領域地圖的資訊圖表。
3. 一個直接儲存到你的 Obsidian 筆記庫中的 Markdown 檔案，所有內容都結構化且相互連結——準備好在未來的研究階段中參考。

Obsidian 如何讓它成為一個完全不同的工具

以上所有內容都可以作為一次性研究任務來執行。

Obsidian 是讓它產生複合效應的關鍵。

工作流程產生的每個 Markdown 檔案都會存入你的 Obsidian 筆記庫。隨著時間推移，你的筆記庫會成為一個結構化的知識庫，包含你研究過的所有內容——主題、來源、分析、模式、結論。

Claude Code 可以讀取所有這些檔案。它能看到它們是如何連結的。它理解你反覆研究哪些主題、你覺得哪些分析有用、你偏好什麼格式。

筆記庫中的 \claude.md\ 檔案是讓這一點變得明確的地方。它是一個設定檔，告訴 Claude Code 如何與你協作——你的慣例、你的輸出偏好、你希望事物如何組織。

你可以透過這樣說來更新它：

1我們可以更新 claude.md，讓它根據我們最近的對話，
2更好地反映我的工作風格、分析方法和輸出偏好嗎？

Claude Code 會讀取最近的對話記錄，識別你的模式，並更新該檔案。

每週執行一次。一個月後，這個工作流程對你的了解已經足夠深入，以至於輸出結果開始符合你的實際需求，而無需大量的提示。

一年後——如果你持續這樣做——你將擁有一個吸收了數百次對話、理解你的思考風格，並作為一個訓練有素的助手而非空白工具來運作的研究系統。

沒有人提到的模組化重點

YouTube 來源不是重點。

管線結構才是重點。

你可以用 Claude Code 能存取的任何資料來源取代 YouTube：

• PDF - 學術論文、產業報告、白皮書
• 公開網頁 - 新聞文章、文件、部落格文章
• 本地檔案 - 你自己的筆記、匯出的資料、逐字稿
• Google Drive - 你已有的文件和試算表

工作流程模板保持不變。更換來源，保留結構。

使用白皮書和公開文件研究加密貨幣生態系。使用 YouTube 上的會議演講分析新興技術。透過分析表現來繪製內容利基市場地圖。使用公開報告研究市場動態。

無論用例是什麼——管線、分析層和記憶系統都保持不變。

你最終會得到什麼

一個研究系統，它能夠：

• 在單一指令下執行完整的研究管線
• 透過 NotebookLM 將繁重的分析卸載到 Google 的基礎設施
• 自動產生結構化的可交付成果——資訊圖表、心智圖、音訊、閃卡
• 將每個結果儲存到本地知識庫
• 隨著時間推移學習你的偏好，並相應地改進其輸出

這 30 分鐘的設定時間，在你第一次使用時就值回票價。