当前位置：首页 > news >正文

研究神器组合：Claude Code + NotebookLM + Obsidian

news 2026/6/1 13:25:13

Claude Code + NotebookLM + Obsidian：研究神器组合

导语

本文介绍如何用Claude Code skill把 NotebookLM 里的内容全部导出到 Obsidian，生成可跳转的知识图谱。核心价值在于：只需三条终端命令，就能把 20 个 YouTube 视频变成带引用溯源的问答结果，并自动存入本地知识库。引用准确率约 60% 精确匹配、31% 部分匹配，远胜于看完全部视频后凭记忆整理。适合需要系统化处理大量视频、论文、文档的研究者。

你的研究被困在 NotebookLM 里。我的研究变成了知识图谱。

NotebookLM 能阅读 300 个来源。但然后呢？你把答案复制粘贴到笔记里，引用就丢了。研究留在一个你永远不会重新打开的浏览器窗口里。

所以我写了一个 Claude Code skill，把所有东西拉出来。三条终端命令——搜索 YouTube、添加 20 个视频作为来源、提问。每个答案都带引用，精确指向具体哪个视频说了什么。

然后一切落入 Obsidian，变成知识图谱。每个来源对应一个文件，每个主题对应一个文件，引用在它们之间创建链接。我打开"Claude Code"这个主题，就能看到哪 6 个视频提到过它、说了什么，并顺着链接找到原始段落。

我几个月前试过把 NotebookLM 连接到研究工作流，放弃了。太慢了。要在浏览器里手动一个一个添加来源，点来点去。NotebookLM 支持最多 300 个来源——这正是它区别于直接问 Claude 的地方——但谁会把 300 个文件拖进浏览器窗口呢？

现在不一样了。我写了一个 Claude Code skill，在终端里搞定一切。20 个 YouTube 视频变成一个可以漫游的知识图谱。

改造前：20 个浏览器标签页，复制粘贴，引用丢失。

改造后：一条终端命令。

NotebookLM 是 Google 的研究工具。你给它来源——YouTube 视频、PDF、网页文章、你自己的笔记——它全部读取。当你提问时，它给出一个带引用的答案，精确指向具体哪个来源说了什么。不会幻觉，因为它只使用你给它的内容。

与浏览器工作流的关键区别：我对来源有更精细的控制。不用 NotebookLM 内置的推荐（它推荐什么就推荐什么），我精确选择放进哪些来源。我可以从终端搜索 YouTube，看到结果后选择添加哪些视频。这样提高了信噪比。

为什么 AI 编程工具都在"复古"做 CLI？

可以用自定义 persona 来设置每个笔记本——告诉 NotebookLM 简洁直接地回答，或用适合你研究的任何风格。

研究工作流

我想研究其他人用 Claude Code 和 Obsidian 在做什么。不必以 2 倍速看完 20 个 YouTube 视频、看到第 6 个视频时已经忘了第 2 个视频说了什么，我跑了三条命令：

搜索相关 YouTube 视频
创建一个 NotebookLM 笔记本，把 20 个视频全部添加为来源
提问，获取带引用的答案

notebooklm ask --new --json "这些视频的 gap 在哪里？"

一条终端。没有浏览器标签页。Claude Code 编排了整个流程。

引用是这件事变得有用的原因。当 NotebookLM 说"三位创作者提到用 Obsidian Bases 做上下文管理"，它会精确指向哪个视频、哪个时间戳。我测试了引用准确率：约 60% 是对精确段落的强匹配，31% 部分匹配，10-15% 弱匹配。不完美，但远比我看完 20 个视频后凭记忆整理要好。

在底层，每个答案都以结构化 JSON 形式返回——每个声明都有一个标记如 [1] 或 [2]，追溯到具体来源和段落：

引用工作原理：每个声明都能追溯回具体来源和段落

实际上，这意味着你可以点击进入原始视频和时间戳：

引用标记在实际中——答案指向精确的来源，带段落级深链接

每个答案都有依据——你可以把声明追溯回来源。作为研究起点足够可靠，但不经验证就用于论文引用还不行。

这就是带引用的答案落入 Obsidian 时的样子——来自来源的确切段落，带有返回原始依据的链接：

2026年金融分析的生产力革命。每天花3小时整理数据？你的投研工作流该升级了#Mixlab 投研AgentOS#N2期

知识图谱

一切最终都回到 Obsidian。不是平铺dump，而是链接的知识图谱。

每个来源变成一个文件。每个主题变成一个文件。引用在它们之间创建 wikilinks。所以当我在保险库里打开"Claude Code"这个主题时，可以看到哪 6 个视频提到过它、说了什么，并顺着链接找到确切段落。

以前会消失在浏览器标签页里的研究，现在活在知识库里，与其他一切连接在一起。因为它们都是你电脑上作为 markdown 文件存在的——你拥有它。Claude 能读取，你能搜索，它不会被困在 NotebookLM 浏览器窗口里。

Claude Code 在 Obsidian 里创建研究仪表板。带有 YouTube 缩略图的来源、作为图谱中心的主题，以及显示每个视频在你的问答答案中被引用的位置的引用反向链接。所有在一张视图里。

引用变成 wiki links。当你打开一个问答答案时，每个声明都链接回它来自的来源段落：

打开图谱视图，你可以看到整个网络——来源、主题和引用全部连接：

这就是从输入到输出的完整流程：

播客风格音频概览

知识图谱是一种输出。音频是另一种。NotebookLM 可以从你所有来源生成播客风格的音频概览——两个 AI 主持讨论你的研究，引用你的材料。同样的来源，不同的格式。

我输入一条命令，它生成音频，落入我的保险库，通过 Obsidian Sync 同步到手机。

notebooklm audio generate --topic "Claude Code + Obsidian 工作流的 gap"

播客落入你的知识库，通过 Obsidian Sync 同步到手机。我在走路时听着 20 个视频的摘要——我自己的研究，作为播客，在手机上。

我在 Obsidian Mobile 上播放音频概览——闪卡、音频，全部从桌面同步

我不知道这是研究的未来还是一个有趣的把戏。但我在用。当我有一个含 15 个来源的笔记本，想在深入研究前了解大概，我会生成音频，边做其他事边听。

还能做什么

视频用 33 分钟覆盖了完整循环，但这个 skill 的能力不止 YouTube 研究。

我把 282 篇自己的每日笔记上传到一个笔记本。全程从终端，两分钟内完成。现在我可以和过去的自己聊天——"给我 2 月 10-16 日的周总结，什么做得好、什么没做好"——获得指向具体日子的带引用答案。睡眠维护胜利、健身一致性、深夜破坏模式——全部从我自己日记条目中拉出来，引用回具体每日笔记。

与去年 282 篇每日笔记聊天——带引用答案的周总结，来自我自己的日记

这就是"知识库即来源"的角度：你自己的写作变成可查询的。

我还试了其他的：

闪卡
——NotebookLM 从任何来源集生成学习卡。我从 20 个视频得到 58 张闪卡，导入 Obsidian。"项目记忆的主要目标是什么？"——翻面——带引用的答案。
幻灯片
——从你的研究中生成演示幻灯片。同样带引用的来源，不同的输出格式。
学术研究
——搜索 arXiv 上你主题的论文，喂给 NotebookLM，获得有依据的引用。全程可观测——回答不是胡编的。
播客研究
——Lex Fridman 节目，每期 4 小时。喂一堆进去，跨所有集问具体问题。
公司入职
——把你的公司文档放进 NotebookLM。新员工从终端提问而不是打扰团队。
市场研究
——喂竞品的博客文章、YouTube 视频。获得带引用的分析。

案例 | 用一套文件夹结构+循环构建你的AgentOS