/ 目錄 / 演練場 / notebooklm-skill
← 全部伺服器 ↗ GitHub
● 社群 claude-world ⚡ 即開即用

notebooklm-skill

作者 claude-world · claude-world/notebooklm-skill

NotebookLM 負責帶引用來源的研究，Claude 負責撰寫內容——四個階段的工作流程：收集 → 研究 → 生成 → 發布。

NotebookLM Skill 將 Google 的 NotebookLM 研究環境與 Claude 的內容生成能力串接起來。你將網址、PDF、YouTube 匯入筆記本後，NotebookLM 提取帶引用的洞見，再由 Claude 起草文章、社群貼文、電子報或自訂格式內容。可作為 Claude Code skill 或獨立 MCP 伺服器使用。透過瀏覽器進行 Google 驗證，無需 API 金鑰。

▶ 觀看演示 📦 安裝 💡 使用場景

為什麼要用

核心特性

即時演示

實際使用效果

notebooklm-skill.replay ▶ 就緒
0/0

安裝

作者儲存庫 · Claude Skills 官方文件

使用場景

實戰用法： notebooklm-skill

如何將一批來源資料轉化為附引用的研究文章

👤 發布深度長文的內容行銷人員與技術寫作者 ⏱ ~45 min intermediate

何時使用： 你手上有 5–20 個與某主題相關的網址和 PDF，需要在一小時內產出一篇附引用的精緻文章。

前置條件
  • Python 3.10+ — pyenv install 3.10 或使用系統內建的 python3
  • 具備 NotebookLM 存取權限的 Google 帳號 — 在 notebooklm.google.com 登入一次；之後會重複使用瀏覽器 session
  • notebooklm-py 函式庫 — pip install notebooklm-py
步驟
  1. 將來源資料加入筆記本
    建立一個名為 'CRDT-landscape-2026' 的筆記本，並加入這 8 個網址和這份 PDF。✓ 已複製
    → 回傳筆記本 ID；確認來源數量
  2. 執行研究查詢
    向筆記本提問：'CRDT 的主要類型有哪些，各自的取捨為何？每個論點請附來源引用。'✓ 已複製
    → 包含內嵌引用且指向特定來源的結構化回答
  3. 生成文章
    根據上述研究結果，為後端開發者受眾起草一篇 1500 字的文章，引用格式使用腳注。✓ 已複製
    → 含 [n] 引用標記並對應來源網址的草稿
  4. 發布
    儲存至 drafts/crdt-landscape.md，並加上 frontmatter（標題、日期、標籤）。✓ 已複製
    → 磁碟上的 Markdown 檔案

結果： 一份以具體來源為依據、附引用、可直接發布的草稿——而非憑空捏造的內容。

注意事項
  • 瀏覽器驗證無聲失效 — 重新開啟 notebooklm.google.com 並重新整理；skill 會重複使用 cookie jar
  • Claude 在轉述論點時遺漏引用 — 明確指示：'每句陳述事實的句子結尾都必須附上 [n] 引用。'
搭配使用： smart-illustrator-skill

將研究來源轉化為 Podcast 風格的音訊概覽

👤 希望從閱讀材料製作音訊摘要的 Podcast 創作者與教育工作者 ⏱ ~15 min beginner

何時使用： 你想透過代理程式觸發 NotebookLM 的音訊概覽功能，而不必開啟網頁介面。

步驟
  1. 加入來源並請求音訊
    從這 6 篇論文建立筆記本，然後觸發音訊概覽。✓ 已複製
    → 音訊生成已啟動；回傳狀態
  2. 輪詢並下載
    等待音訊完成，然後儲存為 overview.mp3 至我的下載資料夾。✓ 已複製
    → 本地端 MP3 檔案

結果： 無需開啟 NotebookLM 網頁介面即可下載音訊概覽。

注意事項
  • 音訊需要 2–5 分鐘才能算繪完成 — 使用輪詢流程；不要預期同步完成

將一個筆記本的內容改寫為一週的社群貼文

👤 將單一研究成果散布至各平台的創辦人與獨立行銷人員 ⏱ ~30 min beginner

何時使用： 你剛完成一個深度研究筆記本，想從中產出 7 篇 LinkedIn 貼文和 5 則推文。

步驟
  1. 提取亮點
    從筆記本 'CRDT-landscape-2026' 中，列出 12 個最值得分享的具體事實，並附上來源引用。✓ 已複製
    → 附引用的條列式亮點清單
  2. 起草貼文
    將每個亮點分別改寫為一篇 LinkedIn 貼文（200–280 字）和一則推文（280 字以內），引用以連結形式保留。✓ 已複製
    → 每個亮點對應一組 LinkedIn 貼文與推文

結果： 一週份已排程、附引用的社群媒體內容。

注意事項
  • 社群草稿聽起來流於一般 — 在起草前先提供 Claude 你過去的 3 篇貼文以對齊語氣風格
搭配使用： ai-marketing-claude-code-skill

組合

與其他 MCP 搭配，撬動十倍槓桿

notebooklm-skill + smart-illustrator-skill

NotebookLM 研究 → Claude 起草 → Smart Illustrator 加入圖表

用 notebooklm 研究「向量資料庫全景」，起草一篇 2000 字文章，再用 smart-illustrator 加入插圖。✓ 已複製
notebooklm-skill + ai-marketing-claude-code-skill

將研究內容轉化為附真實引用的行銷活動素材

取用筆記本 XYZ 的研究結果，執行 go-to-market skill，產出一份附引用論點的上市計畫。✓ 已複製
notebooklm-skill + claude-skills-journalism-skill

需要來源核實的新聞報導工作流程

在發布前，使用 notebooklm 將草稿中的每個論點與上傳的原始來源進行比對核實。✓ 已複製

工具

此 MCP 暴露的能力

工具輸入參數何時呼叫成本
create_notebook title: str, sources: list[url|pdf|youtube] 任何研究任務的第一步 NotebookLM free quota
add_sources notebook_id, sources 擴充既有筆記本的來源 free
ask notebook_id, question 主要的研究互動操作 NotebookLM free quota
generate_audio_overview notebook_id, style? 需要 Podcast 風格概覽時使用 free, async
export_artifacts notebook_id, type: 'slides'|'report'|'quiz'|'flashcards' 將研究成果改寫為其他格式時使用 free

成本與限制

運行它的成本

API 配額
NotebookLM 免費方案額度相當充裕，但未公開具體上限。大量使用可能觸發速率限制。
每次呼叫 Token 數
研究回答使用 Google 的配額；Claude 的 token 用量取決於起草內容的長度
費用
使用 Google 帳號即可免費使用
提示
在同一個筆記本 session 中批次提問——避免跨筆記本重複上傳相同來源。

安全

權限、密鑰、影響範圍

憑證儲存： 使用 Google 的瀏覽器 cookie session，無需 API 金鑰。Session 儲存於 notebooklm-py 的本地快取中。
資料出站： 所有來源內容都會上傳至 NotebookLM（Google）。請勿上傳機密資料。

故障排查

常見錯誤與修復

Auth failed / 'please sign in'

在預設瀏覽器中開啟 notebooklm.google.com 並登入，然後重試。Skill 會重複使用瀏覽器的 cookie jar。

驗證： python -c 'import notebooklm_py; print(notebooklm_py.whoami())'
Source rejected as unsupported

NotebookLM 僅接受特定格式。如有需要，可將 PDF 轉換為純文字，或以公開網址形式提供。

Audio overview stuck in 'pending'

這是正常現象——需要 2–5 分鐘。請使用輪詢方式查詢匯出狀態。

替代方案

notebooklm-skill 對比其他方案

替代方案何時用它替代權衡
Manual web-search + summarize沒有 Google 帳號，或需要離線（air-gapped）工作流程缺乏引用來源的依據；產生幻覺的風險較高
Perplexity API需要具備 SLA 保障的付費 API需要付費，但比瀏覽器自動化更穩定可靠

更多

資源

📖 閱讀 GitHub 上的官方 README

🐙 查看未解決的 issue

🔍 瀏覽全部 400+ MCP 伺服器和 Skills