# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：monokern (@monokern) · 平台：X (Twitter) · 日期：2026-06-01

> 原始來源：https://x.com/monokern/status/2061044198418031017

## 中文摘要

# Claude Code + NotebookLM + Obsidian：越用越聰明的研究怪獸

大多數人把研究當成一種手動任務。

你打開 10 個分頁、看影片、讀文章，然後在某個地方做筆記。一小時後，你得到了一堆資訊，卻不知道該怎麼處理。

其實有更好的方法。

這是一份逐步指南，教你如何使用 Claude Code、NotebookLM 和 Obsidian 建立一套研究工作流。這套系統可以調查任何主題——市場動態、新興技術、加密貨幣生態系、內容利基市場，甚至是任何事物——而且它會隨著你的使用次數，變得越來越精準。

設定時間：不到 30 分鐘

## 技術堆疊及其運作原理

這套系統由四個工具組成，每個工具負責解決問題的不同層面。

- **Claude Code** - 執行引擎。它負責執行指令、呼叫 skill、管理檔案，並統籌整個流程。你只需要用自然語言與它對話，它就會完成工作。

- **Skill Creator** - 客製化層。這是 Claude Code 的一個 plugin，讓你能夠用自然語言建立可重複使用的 skill。你只需描述你的需求，它就會自動產生程式碼並安裝該 skill。完全不需要程式撰寫能力。

- **NotebookLM** - 分析引擎。這是 Google 的 AI 研究工具，能讀取你的來源資料，並產生深度分析、摘要、資訊圖表、快閃卡片、Podcast 腳本等內容。當 Claude Code 將處理任務交給 NotebookLM 時，使用的是 Google 的運算資源，不會消耗你的 Claude token。

- **Obsidian** - 記憶層。這是一個基於 Markdown 的本機知識系統，用來儲存工作流產出的所有內容。隨著時間推移，Claude Code 會讀取這些檔案，進而了解你的思考方式、你關注的重點，以及你偏好的分析呈現方式。

結合起來，這就是一套能隨指令執行、大規模分析，並隨使用而進化的研究系統。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1780275235741-iaHJf5OFlWsAAis7Njpg.jpg)

---

## 第一步：安裝 Skill Creator

開啟 Claude Code。請確保你位於 Obsidian 的 vault 資料夾內——這對於讓 Obsidian 讀取 Claude Code 產生的檔案至關重要。

執行以下指令：

```
/plugin
```

搜尋 `skill-creator` 並安裝。退出 Claude Code 後重新啟動。

現在，你已經具備透過自然語言描述來建立任何 skill 的能力了。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1780275235747-iaHJf5jV5XIAIgUOnjpg.jpg)

## 第二步：建立 YouTube 搜尋 Skill

這個 skill 能讓 Claude Code 搜尋 YouTube 並抓取結構化的影片資料，包含標題、頻道名稱、訂閱數、觀看次數、上傳日期、URL 以及互動率。

在 Claude Code 中執行以下指令：

```
/skill-creator I want to create a skill that searches 
YouTube and returns structured video results. 
It should use yt-dlp to search for videos by query, 
return the top 20 results by default, and include 
metadata for each video - title, channel name, subscriber 
count, view count, duration, upload date, and URL. 
It should filter to the last 6 months by default but support 
a --months flag to change that. 
It should also calculate a views-to-subscribers 
ratio as an engagement metric. 
The output should be nicely formatted with 
dividers between each result and human-readable numbers.
```

Claude Code 會自動產生該 skill、進行安裝並確認。現在，你就可以使用 `/yt-search` 指令了。

注意：你的電腦必須先安裝 `yt-dlp`。

## 第三步：安裝 NotebookLM-py

NotebookLM 沒有公開的 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（不是 Claude Code 內部，請另外開啟一個終端機視窗）執行以下指令：

```bash
pip install notebooklm-py
```

接著進行驗證：

```bash
notebooklm login
```

瀏覽器視窗會自動開啟，登入你的 Google 帳號即可。連線完成。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1780275236604-iaHJf6yLOW0AQg267jpg.jpg)

---

## 第四步：建立 NotebookLM Skill

現在你需要教 Claude Code 如何使用 `notebooklm-py` 工具。在 Claude Code 中執行：

```
/skill-creator create a skill so we can best use the 
notebooklm-py tool. Reference the GitHub repo at 
github. com/teng-lin/notebooklm-py and build 
a skill that can: create new notebooks, add sources 
(YouTube URLs, text, files), run analysis on those sources, 
and generate deliverables including audio overview, 
mindmap, flashcards, and infographic.
```

這會為 Claude Code 建立一個完整的 NotebookLM skill，包含 NotebookLM 支援的所有動作指令——每個筆記本最多可支援 50 個來源，並能產出所有類型的交付成果。

---

## 第五步：將所有功能整合為一個 Pipeline Skill

這就是整個工作流真正強大的地方。

與其手動執行 YouTube 搜尋、將結果傳送給 NotebookLM、再請求分析，不如建立一個能透過單一指令依序完成所有動作的 skill。

在 Claude Code 中執行：

```
/skill-creator I want to create a YouTube research pipeline 
skill that combines the yt-search skill and the 
NotebookLM skill. When I use this pipeline skill I want 
it to: take what I told it to research, go to YouTube and 
find 10 relevant videos using the yt-search skill, use 
the NotebookLM skill to create a new notebook, 
add those video sources to the notebook, then do 
analysis on the topic based on what I said when 
I invoked the skill. Furthermore ask me if I want 
a deliverable - NotebookLM can create flashcards, 
infographics, mindmaps, audio overviews. 
If I don't specify a deliverable assume none. 
After analysis bring everything back to me in a
 markdown file saved to the vault, and also show 
it in chat. Include all YouTube search metadata 
in the output - sources used, view counts, 
channel names, engagement ratios.
```

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1780275235929-iaHJf8psnXAAMU9fqjpg.jpg)

---

## 執行工作流

```
/yt-pipeline I want to research AI agent frameworks in 2026. 
Which frameworks are developers actually adopting -
- LangGraph, CrewAI, AutoGen, Agno, or something else? 
I want to understand what's driving views on this topic, 
where there's disagreement in the community, 
what the outliers are, and what angles haven't been 
covered well yet. Find 10 relevant sources, 
push them to a new NotebookLM notebook, 
run a full analysis, and generate an infographic 
showing the landscape.
```

安裝好 Pipeline skill 後，實際的研究過程會像這樣：

主題是「2026 年的 AI Agent 框架」。探討哪些框架在 2026 年真正獲得採用、哪些過度炒作，以及現有報導中遺漏的缺口。

Claude Code 啟動流程。它呼叫 YouTube 搜尋 skill，找到 10 部涵蓋框架教學、比較與開發者觀點的影片，將 URL 傳給 NotebookLM，建立筆記本，執行分析，並要求產出一張資訊圖表。

總處理時間：約 6 分鐘。

其中大部分時間是 NotebookLM 在 Google 伺服器上進行處理——不會消耗你的 Claude token。

最終結果包含：

1. 一份完整的分析報告，涵蓋哪些框架正在崛起或陷入停滯、開發者實際的抱怨點、互動異常值，以及尚未被充分討論的內容缺口。

2. 一張描繪 AI Agent 框架生態系的資訊圖表。

3. 一份直接儲存到你 Obsidian vault 的 Markdown 檔案，內容結構化且包含連結，方便你在未來的研究中隨時參閱。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1780275236360-iaHJf9EgHXEAAGdabjpg.jpg)

---

## Obsidian 如何讓這一切變得與眾不同

上述所有步驟都可以作為單次研究任務來運作。

但 Obsidian 讓這一切產生了「複利效應」。

工作流產出的每一份 Markdown 檔案都會進入你的 Obsidian vault。隨著時間累積，你的 vault 會變成一個結構化的知識庫，包含你研究過的所有主題、來源、分析、模式與結論。

Claude Code 可以讀取這些檔案。它能看到檔案間的連結，理解你經常回顧的主題、你認為有用的分析，以及你偏好的格式。

Vault 中的 `claude.md` 檔案就是關鍵所在。這是一個設定檔，告訴 Claude Code 如何與你協作——包含你的慣例、輸出偏好，以及你希望內容如何結構化。

你可以透過以下方式更新它：

```
Can we update claude.md so it better reflects 
my work style, analysis approach, and output 
preferences based on our latest conversations?
```

Claude Code 會讀取最近的對話紀錄，識別你的模式，並更新該檔案。

每週執行一次。一個月後，工作流就能夠充分了解你，輸出的內容將會直接符合你的需求，而無需繁瑣的 Prompt。

一年後——如果你持續這樣做——你將擁有一套吸收了數百次研究經驗、理解你的思考風格，並像專業助理一樣運作的系統，而不僅僅是一個空白的工具。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1780275236344-diaHJf9ebvXkAESx1jpg.jpg)

---

## 沒人提到的模組化重點

重點不在於 YouTube 來源。

重點在於「Pipeline 結構」。

你可以將 YouTube 替換成任何 Claude Code 能存取的資料來源：

- PDF - 學術論文、產業報告、白皮書

- 公開網頁 - 新聞文章、技術文件、部落格文章

- 本機檔案 - 你自己的筆記、匯出的資料、逐字稿

- Google Drive - 你已有的文件與試算表

工作流模板保持不變。只需替換來源，維持結構即可。

你可以利用白皮書和公開文件研究加密貨幣生態系；利用 YouTube 上的研討會影片分析新興技術；透過分析表現優異的內容來規劃利基市場；利用公開報告研究市場動態。

無論使用場景為何，Pipeline、分析層與記憶系統都保持一致。

---

## 你最終將獲得什麼

一套能夠：

- 透過單一指令執行完整研究流程

- 透過 NotebookLM 將繁重的分析任務卸載至 Google 基礎設施

- 自動產出結構化的交付成果——資訊圖表、心智圖、音訊、快閃卡片

- 將所有結果儲存至本機知識庫

- 隨著時間學習你的偏好，並相應地改善輸出品質

這 30 分鐘的設定，在你第一次使用時就已經回本了。

## 標籤

Claude Code, CLI, 教學資源, 自動化, Anthropic, Claude, Google, Obsidian