Claude Code + NotebookLM + Obsidian：越用越聪明的调研怪兽

Claude Code + NotebookLM + Obsidian：越用越聪明的研究怪兽 2026 年 5 月 31 日 · 8 分钟阅读 · 查看原文 ↗ Claude Youtube Obsidian AI 大多数人把研究当成一项手工活。 你打开 10 个标签页。你看视频。你读文章。你在某处记笔记。一小时后，你得到一堆不知道该怎么办的信息。 有更好的办法。 这是一份分步指南，教你用 Claude Code、NotebookLM 和 Obsidian 搭建一个研究工作流，它能调研任何主题——市场动态、新兴技术、加密生态、内容细分赛道、任何东西——而且每次使用都会变得更锋利。 搭建时间：30 分钟以内 技术栈及它为什么有效 四个工具。每一个处理问题的一个不同层。 Claude Code —— 执行引擎。它运行命令、调用 skills、管理文件、编排整条流水线。你用自然语言跟它说话，它干活。 Skill Creator —— 定制层。一个 Claude Code 插件，让你用自然语言构建可复用的 skills。你描述你想要什么，它生成代码并安装这个 skill。不需要编程。 NotebookLM —— 分析引擎。Google 的 AI 研究工具，读取你的来源并生成深度分析、摘要、信息图、闪卡、播客脚本等等。当 Claude Code 把处理卸载给 NotebookLM 时，它用的是 Google 的算力，而不是你的 Claude token。 Obsidian —— 记忆层。一个基于本地 markdown 的知识系统，存储工作流产出的一切。随着时间推移，Claude Code 读取这些文件，学习你怎么思考、你在意什么、以及你希望分析怎么交付。 合在一起：一个按命令执行、规模化分析、并随使用而改进的研究系统。 第 1 步：安装 Skill Creator 打开 Claude Code。确保你在 Obsidian vault 文件夹里——这一点很重要，好让 Obsidian 能拾取 Claude Code 生成的文件。 运行这个命令： /plugin 搜索 skill-creator。安装它。退出 Claude Code。重启 Claude Code。 你现在有能力通过自然语言描述来创建任何 skill 了。 第 2 步：创建 YouTube 搜索 Skill 这个 skill 让 Claude Code 能搜索 YouTube 并拉取结构化视频数据——标题、频道、订阅数、观看数、上传日期、URL、和互动比率。 在 Claude Code 里运行这个命令： /skill-creator 我想创建一个能搜索 YouTube 并返回结构化视频结果的 skill。 它应该用 yt-dlp 按查询搜索视频， 默认返回前 20 条结果，并为每个视频包含 元数据——标题、频道名、订阅数、 观看数、时长、上传日期、和 URL。 它应该默认过滤到最近 6 个月，但支持 一个 --months 标志来改这个。 它还应该计算一个 观看数/订阅数 比率，作为互动指标。 输出应该排版美观， 每条结果之间带分隔线，数字易读。 Claude Code 会生成这个 skill、安装它、并确认。你现在有了 /yt-search 这个命令可用。 注意：yt-dlp 需要装在你的机器上。如果你没有的话（译者注：请先安装 yt-dlp）。 第 3 步：安装 NotebookLM-py NotebookLM 没有公开 API。要把 Claude Code 连接到 NotebookLM，我们用一个叫 notebooklm-py 的开源项目。 仓库：github. com/teng-lin/notebooklm-py 在你的终端里运行这些命令（不是在 Claude Code 里——另开一个终端窗口）： pip install notebooklm-py 然后认证： notebooklm login 会打开一个浏览器窗口。登录你的 Google 账号。完成。连接建立好了。 第 4 步：创建 NotebookLM Skill 现在你需要教 Claude Code 怎么用 notebooklm-py。在 Claude Code 里运行这个： /skill-creator 创建一个 skill，好让我们最好地使用 notebooklm-py 工具。参考 GitHub 仓库 github. com/teng-lin/notebooklm-py，构建 一个能：创建新 notebook、添加来源 （YouTube URL、文本、文件）、对这些来源运行分析、 并生成交付物（包括音频概览、 思维导图、闪卡、和信息图）的 skill。 这给了 Claude Code 一个完整的 NotebookLM skill，带 NotebookLM 支持的每个动作的命令——每个 notebook 最多 50 个来源，所有交付物类型。 第 5 步：把所有东西合并成一条流水线 Skill 这是工作流变得真正强大的地方。 与其手动运行 YouTube 搜索、再把结果发给 NotebookLM、再请求分析——你不如建一个 skill，在一条命令里按顺序做完这一切。 在 Claude Code 里运行这个： /skill-creator 我想创建一个 YouTube 研究流水线 skill，把 yt-search skill 和 NotebookLM skill 组合起来。当我用这个流水线 skill 时，我希望它： 接收我告诉它要研究的内容，用 yt-search skill 去 YouTube 找 10 个相关视频，用 NotebookLM skill 创建一个新 notebook， 把这些视频来源加进 notebook，然后 基于我调用这个 skill 时说的话， 对这个主题做分析。此外，问我是否想要 一个交付物——NotebookLM 能创建闪卡、 信息图、思维导图、音频概览。 如果我没指定交付物，就假设没有。 分析完成后，把一切带回来给我，存成一个 markdown 文件存进 vault，同时也 显示在聊天里。在输出里包含所有 YouTube 搜索元数据 ——用到的来源、观看数、 频道名、互动比率。 运行工作流 /yt-pipeline 我想研究 2026 年的 AI agent 框架。 开发者实际在采用哪些框架—— LangGraph、CrewAI、AutoGen、Agno，还是别的？ 我想理解是什么在驱动这个话题的观看量、 社区里哪里存在分歧、 离群值是什么、以及哪些角度还没 被覆盖好。找 10 个相关来源， 把它们推到一个新的 NotebookLM notebook， 跑一个完整分析，并生成一张 展示格局的信息图。 装好流水线 skill 之后，这就是一次真实研究会话的样子。 主题：AI agent 框架。2026 年什么在真正获得牵引力，什么被过度炒作，以及现有覆盖里哪里有缺口。 Claude Code 启动流水线。它调用 YouTube 搜索 skill，找到 10 个视频，涵盖框架教程、对比、和开发者观点——把 URL 传给 NotebookLM，创建一个 notebook，运行分析，并请求一张信息图。 总处理时间：约 6 分钟。 其中大部分时间是 NotebookLM 在 Google 服务器上的处理——不是你的 Claude token。 结果回来时是： 一份完整分析，涵盖哪些框架在上升 vs 平台化、开发者实际在抱怨什么、互动离群值、以及没人覆盖过的内容缺口 一张描绘 AI agent 框架格局的信息图 一个直接存进你 Obsidian vault 的 markdown 文件，一切结构化并链接好——随时可在未来的研究会话里引用 Obsidian 在哪里让它变成一种完全不同的工具 上面这一切，作为一次性研究任务就能工作。 Obsidian 是把它变成会复利的东西的那个。 工作流产出的每一个 markdown 文件都落进你的 Obsidian vault。随着时间推移，你的 vault 变成一份结构化语料库，装着你研究过的一切——主题、来源、分析、规律、结论。 Claude Code 能读所有这些文件。它看到它们怎么链接。它理解你会回到哪些主题、你觉得哪些分析有用、你喜欢什么格式。 vault 里的 claude.md 文件，是这一切变得明确的地方。它是一个配置文件，告诉 Claude Code 怎么跟你一起工作——你的惯例、你的输出偏好、你希望东西怎么结构化。 你通过这样说去更新它： 我们能不能更新 claude.md，好让它基于 我们最近的对话，更好地反映我的 工作风格、分析方法和输出偏好？ Claude Code 读取最近的会话，识别你的模式，并更新文件。 每周做一次。一个月后，工作流对你的了解就足够深，输出开始匹配你真正想要的，而不需要大量提示。 一年后——如果你坚持这么做——你就有了一个吸收了几百次会话的研究系统，它理解你的思考风格，像一个训练有素的助手而不是一个空白工具那样运作。 没人提到的模块化要点 YouTube 来源不是重点。 流水线结构才是重点。 你可以把 YouTube 换成任何 Claude Code 能访问的数据源： PDF —— 学术论文、行业报告、白皮书 公开网页 —— 新闻文章、文档、博客文章 本地文件 —— 你自己的笔记、导出的数据、转录 Google Drive —— 你已有的文档和表格 工作流模板不变。换掉来源，保留结构。 用白皮书和公开文档研究一个加密生态。用 YouTube 上的会议演讲分析一项新兴技术。通过分析什么在表现好来绘制一个内容细分赛道。用公开报告研究市场动态。 无论用哪种场景——流水线、分析层、和记忆系统都保持不变。 你最终得到什么 一个研究系统，它能： 在一条命令里执行完整的研究流水线 通过 NotebookLM 把重分析卸载给 Google 的基础设施 自动产出结构化交付物——信息图、思维导图、音频、闪卡 把每个结果存进一个本地知识库 随时间学习你的偏好并相应改进它的输出 30 分钟的搭建，你第一次使用就值回票价了。 标签：# X # Claude # Youtube # Obsidian # AI # Crypto # Guide 相关文章 5 Hacks to Instantly Level Up Your AI Second Brain The number one question I get right now is how my AI operating system is organized. Where files should route, how wikis should be structured, where client projects go. Claude AI Obsidian Youtube