叁笙早安 AI
首页 · 深度文章 · Claude Code 省 token 的秘密：让 NotebookLM 替它读书
教程 Claude效率工具

Claude Code 省 token 的秘密：让 NotebookLM 替它读书

叁笙 2026-04-22 25 分钟阅读 公众号原文 ↗
Claude Code 省 token 的秘密：让 NotebookLM 替它读书
轻装上阵
🎵 本文主题曲 · 轻装上阵
0:00
0:00

Claude Code 省 token 的秘密：让 NotebookLM 替它读书

导读图

我先把结果摆在这里。

我前几天扔了一个 18 分钟的 YouTube 视频给 Claude Code，让它帮我做深度分析。整套操作下来，Claude 的 token 几乎没动。

不是因为视频短。

是因为我把「读视频」这件事，外包给了 NotebookLM。

Claude Code 调一个 MCP 把视频 URL 推过去，5 秒后 NotebookLM 那边返回带引用的结构化摘要，再加一张心智图。整个过程 Claude 只干了一件事：派活、收货、转交给我。

这就是今天要讲的事——给 Claude Code 接一个 NotebookLM MCP，5 分钟搞定。

不是为了多一个工具，是为了把它变成 Claude 的外包大脑。

这接法到底改变了什么

先讲一个画面。

你开一家小餐厅，自己当大厨。客人多了，你既要切菜、又要颠勺、又要上菜、还要结账。最后哪样都没做好。

聪明的做法是什么？招一个择菜的、一个洗碗的，自己只盯火候。

Claude Code 现在的处境就是那个累成狗的大厨。

它能写代码、能读文件、能调外部 API、能上网搜索。看起来什么都能干。但你真把一个 30 分钟的视频或者一份 200 页的 PDF 扔过去，它会发生什么？

**字幕几万 token 一口气塞满上下文。**前半段还记得你问过什么，后半段就开始遗忘。再看一眼计费——一次研究就吃掉了你当天订阅额度的三分之一。

NotebookLM 是 Google 出的什么东西？它是一个专门读书的 AI 助理。

你扔什么进去——PDF、网页、YouTube 视频、Google Docs、纯文本——它都消化掉，存成可以问答的知识库。问它任何问题，答案都带着原文引用，幻觉率极低。

更关键的一点：NotebookLM 跑的是 Gemini，不烧你 Claude 的钱。

把这两件事叠在一起，就是这次接入的全部逻辑：

能力单用 Claude CodeClaude Code + NotebookLM
长视频（>30 分钟）分析字幕塞满上下文，token 飙升异步外包，零 Claude token
一次塞 50 份源做综合单次上下文吃不下RAG 原生支持，跨源问答
生成信息图 / 心智图 / 播客不支持一键调 Studio（免费 3/天，Plus 20/天）
代码生成 / 本地文件操作✅✅（这部分依然 Claude 的本职）
引用可回溯到原句弱强制 citation，每条都有出处

注意最后一栏。

Claude Code 该干什么继续干什么。NotebookLM 是新招的研究员，不是来抢厨师位的。

划重点

  • 接入 NotebookLM 不是给 Claude Code 加功能，是给它招员工
  • 研究类工作（读视频、读 PDF、跨源综合）外包给 NotebookLM，省 Claude token
  • Claude 只负责调度、整理、对外输出——它的本职

5 分钟接入：三步走

社区里目前有三条主流路线。先把全景摆出来，避免你装错：

路线包名命令适合谁
A. npm/TS 版notebooklm-mcp（PleasePrompto）npx notebooklm-mcp只想试试水，不愿装 Python
B. Python 版（本文主推）notebooklm-mcp-cli（jacob-bd）nlm功能最全，多账号 profile 一等公民
C. Python 另一支notebooklm-py（teng-lin）notebooklm与 B 高度重叠，二选一

我自己用的是 B。

为什么不选视频里演示的 C？三个理由。

第一，命令名短一截。 nlm login 比 notebooklm login 短七个字符——一天敲十几次的命令，省下来就是体感。

第二，多账号 profile 是一等公民。 我有工作号、个人号两个 Google 账号，B 直接 nlm login switch work 切，不用导环境变量、不用改配置。

第三，工具集对 agent 调度更友好。 cross_notebook_query（跨笔记本查询）、research_start（深度研究）、pipeline（多步流水线）这些原生封装在 B 里都有，Claude Code 一调一个准。

下面三步，照着敲就行。

[截图：终端里 nlm --version 输出版本号，证明安装成功]

步骤 1：装 CLI（1 分钟）

# 推荐 uv（速度快，隔离干净）
uv tool install notebooklm-mcp-cli

# 或者 pip
pip install notebooklm-mcp-cli

装完跑一句 nlm --version 确认。写本文时最新版是 0.5.27。

这个 CLI 迭代很快，建议每月跑一次：

uv tool upgrade notebooklm-mcp-cli

步骤 2：登录 Google 账号（2 分钟）

nlm login

会自动弹出一个浏览器（Chrome / Arc / Edge / Brave 之一，脚本挑你装了的那个），登 Google 就行。

Cookie 写到 ~/.notebooklm-mcp-cli/profiles/default/auth.json。之后免登录，直到 session 过期。

多账号？再开一个 profile：

nlm login --profile work
nlm login switch work    # 切到工作号
nlm login switch default # 切回个人号

步骤 3：注册到 Claude Code（1 分钟）

最快的方法：

nlm setup add claude-code

它会自动改你的 Claude Code MCP 配置。手动派也可以——在 claude_desktop_config.json 或对应配置里加：

"mcpServers": {
  "notebooklm-mcp": {
    "command": "notebooklm-mcp"
  }
}

验证

重启 Claude Code，输入 /mcp。

看到 notebooklm-mcp 状态是 ✅ connected，就成了。

试一句：「帮我列一下 NotebookLM 里有哪些 notebook。」

返回列表 = 收工。

一定会踩的三个坑

我接入过几十次，每次都踩。直接告诉你：

坑一：「Authentication expired」

Session 大概 20 分钟过期。看到这条错误，跑一句 nlm login 重登。

这不是 bug，是 Google 的安全策略，不会改。 写脚本调用前可以先 nlm login --check 检查一下。

坑二：账号切换必须走 CLI

不要在 Claude Code 里说「切到我的工作号」——它没办法。必须在终端跑 nlm login switch <profile>。 切完之后下一次 MCP 调用就是新账号了。

坑三：非官方 API 风险

这套 MCP 用的是浏览器 cookie 调 NotebookLM 的内部 API，不是 Google 官方 API。

Google 改 UI、改协议，工具就可能炸。每次 NotebookLM 大版本更新，盯一下 GitHub issues。

实战：从一条 YouTube URL 到一张信息图

讲操作不如看一遍真的。

我现在就把这条流程走给你看——就是这篇文章的素材准备过程。

第一步：投送视频

我在 Claude Code 里说了一句：

把这个 YouTube 视频 https://www.youtube.com/watch?v=22bjps4LMmU 推到 NotebookLM 的「Claude Code 接入 NotebookLM 教程素材」笔记本，等处理完。

Claude 调用了两个工具：

  1. notebook_create——新建笔记本，拿到 ID
  2. source_add(source_type="url", url=..., wait=true)——投送视频，等 NotebookLM 把字幕抓完、向量化完

整个过程 30 秒。

Claude 自己没看视频。 它只是把活派出去，等回执。

第二步：让 NotebookLM 出结构化摘要

接着我说：

问 NotebookLM 这个视频讲了什么。我要：作者、核心步骤、用到的工具、踩过的坑、章节顺序。

Claude 调 notebook_query，传了一段我写的提问 prompt。

返回的答案带着 10 处 citation，每条都标了原文出处。比我自己听一遍 + 做笔记快 20 倍。

更重要的是——这个查询消耗了 0 Claude token 用于视频内容本身。Claude 只看到了 NotebookLM 的总结输出，不是几万字的字幕原文。

[截图：Claude Code 对话框里 notebook_query 返回的带 citation 的答案]

第三步（可选）：让它出图

我没在这次走这一步，但流程是这样：

让 NotebookLM 给这个视频生成一张信息图和一张心智图。

Claude 调 studio_create(artifact_type="infographic") 和 studio_create(artifact_type="mind_map")，然后用 studio_status 轮询，最后 download_artifact 把 PNG 下载到本地 素材/ 目录。

成本：你 NotebookLM 当天的 Studio 配额各一次（免费版 3 次/天，Plus 20 次/天）。Claude 那边？依然是 0。

视频里没讲的两个高阶用法

视频作者只演示了单视频投送。但 MCP 真正强的地方在这两点：

多视频批量分析

source_add(
  notebook_id="...",
  source_type="url",
  urls=["https://...", "https://...", "https://..."]  # 一次塞 20 条
)

20 条视频塞进同一个 notebook，然后 notebook_query 让它做横向对比。这是 Claude Code 单干根本做不了的事——单条视频字幕就能爆它的上下文。

跨笔记本查询

cross_notebook_query(
  query="AI 在家居行业的最新进展",
  notebook_ids=["notebook_AI研究", "notebook_智能家居", "notebook_地产趋势"]
)

这个 API 同时在你三个笔记本里搜，返回综合答案。相当于给你的所有研究素材建了一个全局搜索引擎。 视频里完全没提，是 jacob-bd 这个版本独家的能力。

视频里没告诉你的 5 个延伸玩法

接到这里，基础流程通了。

但如果你只把它当「视频摘要工具」用，就浪费了 80%。

下面 5 个场景，是我和社区里挖出来的实际用法。每一个都对应一种真实痛点。

玩法一：给第三方库文档建活字典

Claude 的训练数据有截止日期，新版本的库它可能不熟。你写一个 React Server Components 的最新功能，它给你的代码可能是去年的写法。

解法：把这个库的官方 docs、changelog、几个关键 PR 的讨论扔到一个 NotebookLM notebook 里。每次写代码前问一句：「这个 API 在 v3.2 里签名变成什么样了？」

NotebookLM 直接给你答案带原文引用。Claude 拿着权威答案再去写，错误率指数级下降。

玩法二：把长播客压缩成团队通勤听的播客

你订阅了一个 2 小时的创业者访谈。听完要 2 小时。

studio_create(artifact_type="audio")——10 分钟的 AI 对话播客版本，自动生成两个 AI 主持人聊原内容的「Deep Dive」。download_artifact 下载成 MP3，群里一发。

我用过这套给团队做行业 onboarding——一周看了 8 个长视频的内容，每人通勤路上听完。

玩法三：本地第二大脑 + 云端搜索的混合架构

最聪明的玩法不是把所有东西都堆到 NotebookLM。

我自己的设定是这样：本地用 Obsidian 存定稿笔记和私密素材，NotebookLM 存「在读的原始素材」——还没消化完的视频、PDF、长文。Claude Code 是中间的调度层。

我问问题时，Claude 先在本地翻一遍。本地没有，再 notebook_query 去 NotebookLM 搜。两层缓存，token 用得最省，覆盖率又最广。

玩法四：研究 → 自动变 Claude Skill

这个最爽。

你在 NotebookLM 里把某个方法论吃透了——比如「AARRR 增长黑客模型」。

让 Claude Code：「把刚才 NotebookLM 关于 AARRR 的研究结果转成一个 Claude Skill，存到 ~/.claude/skills/ 下。」

它会调 skill-creator 写出一个独立 Skill，以后你说「用 AARRR 帮我评估这个产品」，Skill 自动加载，不用每次重新研究。 等于把研究成果固化成 agent 的本能。

玩法五：跨语言素材的隐形翻译台

扔一堆英文 paper、日文教程进 NotebookLM。

generate_language="zh-CN" 参数指定中文输出。NotebookLM 用 Gemini 3 级模型做翻译 + 摘要 + 配图。

比单纯用 WebFetch 抓页面再让 Claude 翻——省 token、更准、还自动出引用。

划重点

  • 把 NotebookLM 当 Claude Code 的「外包研究部门」，不是当「视频摘要工具」
  • 5 个高阶玩法对应 5 种真实痛点：库文档新鲜度、团队 onboarding、本地+云端混合、研究固化、跨语言翻译
  • 选一个你最痛的场景先用起来，比一次想清楚怎么用所有玩法更重要

五分钟接入 + 五个高阶玩法 速查图

最后说一件事：分工才是 AI agent 的正确姿势

Claude × NotebookLM 分工图

你装 MCP 的时候，是不是这种心态——多一个 = 多一把刀？

我以前也是。

直到有一次，我同时装了两个功能重叠的 MCP，Claude 在它俩之间犹豫了半分钟，最后调错了一个，结果全错。

我删掉一个，反而顺了。

那一刻我才想明白：多一个 MCP，不是多一把刀，是多招了一个员工。

员工不是用来平行备胎的，是用来分工的。一个工作两个人抢着干，互相绊脚。一个工作没人负责，掉地上。

回到这次的接入。

Claude Code 的本职是调度 + 输出——写代码、改文件、和你对话。这部分它最强，别让它分心。

NotebookLM 的本职是吸收 + 压缩——读原始素材、做结构化、加引用。这部分它甩 Claude 几条街。

让 Claude 做 Claude 该做的，让 NotebookLM 做 NotebookLM 该做的。两个工具各自的价值才能发挥到最大。

这才是你装 MCP 真正该问的问题——

不是「这个工具能干什么」，而是「这个工具能从我现在的 agent 里接走哪一部分活」。

接得走，留下；接不走，删了。

现在你可以做这三件事

讲了这么多，最后给你三个具体的下一步。今晚就能做完。

第一件：打开终端，把 notebooklm-mcp-cli 装上。从 nlm login 跑到 /mcp 看到绿勾，5 分钟。

第二件：找一个你最近想深度看但一直没时间的 YouTube 视频或 PDF，扔给 Claude Code，让它推到 NotebookLM 做摘要。亲眼看一次零 token 消耗的研究流程。

第三件：花 10 分钟列一张你的 agent 分工图——你装的每个 MCP 在干什么活，有没有重叠。该删的删，该补的补。

第三件最值钱。

因为接 NotebookLM 只是一个例子。它告诉你的不是「装这个工具」，而是——

让专业的工具做专业的事，你的主 agent 才能轻装上阵。

你手头的 Claude Code 装了几个 MCP？哪几个真的在分工，哪几个只是摆设？欢迎留言聊聊你的踩坑和心得。

本文已在公众号发布： 微信原文 ↗
← 返回深度文章