🎯 О чём этот конспект: Разбор мощного дуэта инструментов для работы с огромными массивами данных (видео, PDF, аудио, отзывы). Notebook LM выступает как «слой знаний» (аналитика), а Claude Code — как «слой исполнения» (создание файлов, скриптов и автоматизаций).

👤 Кому будет полезно: Вайбкодерам, маркетологам, продукт-менеджерам и предпринимателям, которым нужно быстро переваривать сотни источников информации и превращать их в готовые документы или код.

✨ Что получите: Пошаговый алгоритм настройки бесплатной связки инструментов, которая позволяет анализировать десятки часов видео или сотни документов без затрат на токены и без ограничений контекстного окна.

1. Концепция Knowledge Layer vs Execution Layer

Контекст: Главная проблема при работе с AI-агентами (Claude Code, Cursor) — ограничение контекстного окна и высокая стоимость токенов при загрузке «сырых» данных. Если скормить агенту 50 транскриптов YouTube-видео, он либо галлюцинирует, либо съест лимит за один запрос. Решение — разделение ролей. Google Notebook LM бесплатно индексирует до 50 источников (PDF, YouTube, аудио), создавая структурированную базу знаний, а Claude Code обращается к этой базе для выполнения конкретных действий.

Выгода: Экономия сотен долларов на токенах API и возможность работать с объемами данных, которые не влезают ни в одно контекстное окно (до 500,000 слов на один блокнот).

Как применить:

• Используйте Notebook LM для: транскрибации аудио/видео, поиска цитат, суммаризации гигабайтов данных.
• Используйте Claude Code для: создания итоговых PDF-отчетов, написания кода на основе знаний, генерации контент-планов и запуска локальных скриптов.

Результат: Переход от «общения с чат-ботом» к автоматизированному производству бизнес-артефактов.

2. Кейс: Автоматический ресерч рынка и обучение

Контекст: Вместо ручного просмотра десятков видео на YouTube для изучения новой темы (например, "Claude Code Skills"), процесс полностью автоматизируется. Сначала AI находит релевантные ролики, затем извлекает из них знания, и в конце выдает структурированную таблицу или навык.

Выгода: Сокращение времени на ресерч с 10-15 часов до 15 минут.

Как применить:

• Шаг 1: Поиск источников — В Claude Code используйте навык (skill) для поиска видео.
• Шаг 2: Индексация — Загрузите найденные ссылки в Notebook LM для создания базы знаний.
• Шаг 3: Синтез — Попросите Claude Code проанализировать базу и выдать результат.

Пример промпта для Claude Code:

Найди 15 самых популярных видео по теме "Claude Code Skills" за последние 3 месяца. Выдай результат в виде таблицы с названием, ссылкой и количеством просмотров.

Результат: Готовая база знаний в Notebook LM и аналитический отчет в терминале.

3. Настройка инфраструктуры: Установка Notebook LM в Claude Code

Контекст: Чтобы Claude Code мог «общаться» с вашими блокнотами в Google Notebook LM, необходимо установить специальный MCP-инструмент (Model Context Protocol) или аналогичный бридж. Это позволяет агенту напрямую читать ваши закрытые базы знаний.

Выгода: Возможность вызывать данные из Notebook LM прямо в терминале или VS Code.

Как применить:

• Шаг 1: Установка пакетов — Откройте терминал в VS Code и выполните установку open-source библиотеки notebooklm-py.
• Шаг 2: Авторизация — Пройдите вход в Google-аккаунт для синхронизации.
• Шаг 3: Установка скилла — Добавьте навык непосредственно в Claude Code.

Команды для терминала:

# 1. Установка библиотеки и зависимостей
pip install notebooklm-py
playwright install chromium
 
# 2. Авторизация (откроется окно браузера)
notebooklm login
 
# 3. Установка скилла в Claude Code
claude dev skill install notebooklm

Результат: Claude Code получает доступ к командам notebooklm_create, notebooklm_add_source и notebooklm_query.

4. Кейс: Анализ клиентского опыта (Voice of Customer)

Контекст: Сбор обратной связи из сотен тикетов поддержки, комментариев в Telegram или отзывов на маркетплейсах. Notebook LM «проглатывает» все файлы, а Claude Code ищет паттерны и боли.

Выгода: Объективная картина проблем продукта без ручного чтения каждого отзыва.

Как применить:

• Шаг 1: Выгрузите комментарии/отзывы в CSV или PDF.
• Шаг 2: Загрузите их в Notebook LM командой через Claude Code:

Загрузи все файлы из папки ./feedback в новый блокнот "Анализ отзывов 2024"

• Шаг 3: Сгенерируйте артефакт:

На основе данных из Notebook LM составь топ-10 повторяющихся болей клиентов и предложи шаблоны ответов для саппорта. Сохрани это в файл support_guide.md

Результат: Готовый гайд для команды поддержки, основанный на реальных данных.

FAQ

В: Безопасно ли загружать данные в Notebook LM? О: Данные уходят на сервера Google. Не загружайте туда чувствительную финансовую, медицинскую или строго конфиденциальную информацию. Для публичных данных (YouTube, отзывы, статьи) это идеальный инструмент.

В: Нужно ли платить за API Google для этой связки? О: Нет, Notebook LM на данный момент бесплатен и не требует API-ключа. Вы платите только за токены Claude при выполнении финальных команд исполнения.

В: Можно ли работать с видео на других языках? О: Да, это одно из главных преимуществ. Вы можете загрузить 50 англоязычных видео, а Claude Code выдаст вам конспект или код на русском языке.

В: Сколько источников можно добавить в один проект? О: На бесплатном тарифе Notebook LM позволяет добавлять до 50 источников в один блокнот. Каждый источник может быть объемом до 100 МБ или иметь до 500 000 слов.

В: Что делать, если Claude Code не видит установленный скилл? О: Убедитесь, что вы выполнили команду notebooklm login и перезапустили сессию Claude Code. Также проверьте, что путь к Python-пакетам добавлен в переменные окружения (PATH).

Конспект создан на основе видео «NotebookLM + Claude Code: Мощнейшая связка для анализа данных» канала Marina AI. Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/_Tvk8GBYZw4