🎯 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 notebooklmРезультат: 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.mdРезультат: Готовый гайд для команды поддержки, основанный на реальных данных.
Notebook LM + Claude Code: ответы на частые вопросы
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
