大多数人做研究的方式都一样。
开十几个标签页，看视频，读文章，随手记点笔记。一小时过去，打开了二十个标签页，笔记软件里三行字，什么都没整理好。
有更好的办法。
这篇文章教你用 Claude Code、NotebookLM 和 Obsidian 搭一套研究系统，能自动调查任何话题——市场趋势、新兴技术、加密生态、内容赛道——而且越用越顺手。
搭建时间：30 分钟以内。
这套系统为什么有效
四个工具，各管一层。
Claude Code——执行层。用自然语言告诉它要做什么，它会运行命令、调用技能、管理文件，把整个流程跑起来。
Skill Creator——定制层。Claude Code 的插件，让你用人话描述想要什么功能，它帮你生成并安装对应的技能（Skill，类似手机的 App，装上之后就多了一个可用命令）。不需要写代码。
NotebookLM——分析层。谷歌的 AI 研究工具，能读取你的来源资料，生成深度分析、摘要、信息图、闪卡、播客脚本。关键是：把分析任务交给 NotebookLM，用的是谷歌的算力，不消耗你的 Claude 额度。
Obsidian——记忆层。本地的 Markdown 知识库，存储系统产出的所有内容。用得越久，Claude Code 对你的思维方式了解越深，输出越贴近你真正想要的结果。
四个工具组合在一起：一条能执行、能分析、能自我改进的研究流水线。
第一步：安装 Skill Creator
打开 Claude Code。确保你在 Obsidian vault（本地笔记库文件夹）里——这一步很关键，Claude Code 生成的文件才能被 Obsidian 识别到。
运行命令：
/plugin
搜索 skill-creator，安装，退出 Claude Code，重启 Claude Code。
完成之后，你就能用自然语言描述功能，Claude Code 帮你创建任何技能。
第二步：创建 YouTube 搜索技能
这个技能让 Claude Code 能搜索 YouTube，抓回结构化的视频数据——标题、频道名、订阅量、播放量、上传时间、链接、互动比率。
在 Claude Code 里运行：
/skill-creator 我想创建一个搜索 YouTube 并返回结构化视频结果的技能。
使用 yt-dlp 按关键词搜索，默认返回前 20 条结果，
每条视频包含：标题、频道名、订阅量、播放量、时长、上传日期和链接。
默认过滤最近 6 个月的内容，支持 --months 参数调整时间范围。
额外计算播放量/订阅量比值作为互动指标。
输出格式清晰，用分隔线分开每条结果，数字用易读格式显示。
Claude Code 会生成技能、安装、确认。之后你就有了 /yt-search 命令。
注意：需要在电脑上安装 yt-dlp。如果还没有，先装好再继续。
第三步：安装 NotebookLM-py
NotebookLM 没有公开 API。要让 Claude Code 连上 NotebookLM，用的是一个开源项目 notebooklm-py。
在普通终端窗口里运行（不是在 Claude Code 里）：
pip install notebooklm-py
然后登录：
notebooklm login
浏览器会弹出来，登录你的谷歌账号，完成。连接建立好了。
注意：notebooklm-py 是第三方开源项目，不是 Google 官方 API。连接方式随时可能因 Google 的调整而失效，使用前确认项目仍在维护。
第四步：创建 NotebookLM 技能
现在教 Claude Code 怎么用 notebooklm-py。在 Claude Code 里运行：
/skill-creator 创建一个让我们能最好地使用 notebooklm-py 工具的技能。
参考 GitHub 仓库 github.com/teng-lin/notebooklm-py，
构建一个能够：创建新笔记本、添加来源（YouTube 链接、文本、文件）、
对来源运行分析、生成交付物（音频概述、思维导图、闪卡、信息图）的技能。
这给 Claude Code 装好了完整的 NotebookLM 技能，支持 NotebookLM 的所有操作——每个笔记本最多 50 个来源，全部交付物类型都能用。
第五步：把所有东西接成一条流水线
这一步才是整套系统真正强大的地方。
不用手动先跑 YouTube 搜索，再把结果发给 NotebookLM，再请求分析——你只需要建一个技能，一条命令把所有步骤全部跑完。
在 Claude Code 里运行：
/skill-creator 我想创建一个 YouTube 研究流水线技能，
把 yt-search 技能和 NotebookLM 技能结合起来。
使用这个流水线技能时，我希望它：
接收我想研究的主题，用 yt-search 技能在 YouTube 找 10 条相关视频，
用 NotebookLM 技能创建新笔记本，把视频来源加进去，
然后根据我输入的研究主题做分析。
另外问我要不要生成交付物——NotebookLM 可以做闪卡、信息图、思维导图、音频概述。
如果我没有指定交付物，默认不生成。
分析完成后，把所有内容以 Markdown 文件存到 vault，同时在对话里展示。
输出里包含完整的 YouTube 搜索元数据——使用的来源、播放量、频道名、互动比率。
实际跑一次是什么样
技能装好以后，假设生成的命令叫 /yt-pipeline，一次真实的研究是这样的：
/yt-pipeline 我想研究 2026 年的 AI Agent 框架。
开发者真正在用哪些框架——LangGraph、CrewAI、AutoGen、Agno，还是别的？
我想了解是什么在驱动这个话题的播放量，社区里有哪些争议，
有哪些异常表现的内容，哪些角度还没有被覆盖好。
找 10 个相关来源，推送到新的 NotebookLM 笔记本，
跑完整分析，生成一张信息图展示这个生态的全貌。
Claude Code 启动流水线。调用 YouTube 搜索技能，找到 10 条视频——横跨框架教程、对比测评、开发者观点——把链接传给 NotebookLM，建好笔记本，跑分析，请求信息图。
总处理时间：原教程测试约 6 分钟，实际时间因网络和账号状态而异。
其中大部分时间是 NotebookLM 在谷歌服务器上处理，不是你的 Claude 额度。
回来的结果：
- 完整分析报告——哪些框架在上升、哪些在高原期、开发者真正在抱怨什么、互动异常的内容、还没有人覆盖的内容角度
- 一张 AI Agent 框架生态信息图
- 一个直接保存进 Obsidian vault 的 Markdown 文件，结构清晰、带链接，随时可以在后续研究里引用
Obsidian 让它从工具变成系统
上面说的这些，单独用一次就是个不错的研究工具。
Obsidian 让它变成会复利的东西。
流水线产出的每个 Markdown 文件都落进你的 Obsidian vault。时间久了，你的 vault 成了一个有结构的知识语料库——话题、来源、分析、规律、结论全在里面。
Claude Code 能读取这些文件，能看到它们之间的关联，能理解你反复关注哪些话题、你觉得哪种分析有用、你喜欢什么输出格式。
vault 里的 claude.md 文件（Claude Code 的个人配置文件，相当于给 AI 设定的长期工作规矩）是让这件事变得明确的地方。它告诉 Claude Code 怎么和你配合工作——你的惯例、输出偏好、内容结构方式。
每次研究结束后，可以对 Claude Code 说：
能帮我更新 claude.md，让它更好地反映我的工作方式、分析思路和输出偏好吗？
Claude Code 会读最近的对话，识别你的规律，更新文件。
一周做一次。一个月之后，输出开始贴近你真正想要的，不需要每次都详细解释。一年以后，你有了一个吸收了几百次研究会话、理解你思维方式的助手，而不是一个每次都从零开始的工具。
数据源可以换，框架不变
YouTube 只是其中一个数据源，不是这套系统的本质。
本质是这条流水线的结构。
你可以把 YouTube 换成任何 Claude Code 能访问的数据源：
- PDF——学术论文、行业报告、白皮书
- 公开网页——新闻文章、技术文档、博客
- 本地文件——你自己的笔记、导出数据、字幕文件
- 谷歌云端硬盘——已有的文档和表格
流水线模板不变，换源，保留结构。
研究一个加密生态，用白皮书和公开文档。分析一项新技术，用 YouTube 上的技术演讲。摸清一个内容赛道，分析哪些内容在传播。研究市场动态，用公开报告。
无论什么场景，流水线、分析层、记忆系统都是同一套。
30 分钟搭起来，第一次用就值回来了。
