跳转到内容
全部开发指南

让 Claude Code 读资料太费 token？用 notebooklm-py 把阅读交给 Gemini Notebook（原 NotebookLM）

AIGoCode发布于 更新于

让 Claude Code 读资料太费 token？用 notebooklm-py 把阅读交给 Gemini Notebook（原 NotebookLM） 封面

让 AI 帮忙读一大堆资料，是件很费 token 的事。把三十份 PDF、几十个网页交给 Claude Code 或 Codex，让它读完再回答，读得越多消耗越大，长文档还容易超出一次能装下的上下文。而你要的往往只是最后那个结论，前面“啃资料”的活，其实不一定要由按 token 计费的 Agent 来干。

notebooklm-py 就是针对这个思路做的。它是一个非官方的 Python API，同时带命令行工具和给 AI Agent 用的 Skill：让 Google 的这款笔记产品在服务端读完资料，你的 Agent 只负责建笔记本、加资料、提问，然后拿结果去做最后一步。

先交代一下名字。Google 在 2026 年 7 月 16 日发布公告，把 NotebookLM 更名为 Gemini Notebook，官方的说法是同一个独立产品，现在也能在 Gemini 应用里使用。notebooklm-py 的 README 也加了说明：它驱动的是同一个后端服务，更名后照常工作，包名仍然是 notebooklm-py。下文提到“笔记本产品”时统一写作 Gemini Notebook，配图里仍是旧名 NotebookLM。

截至 2026 年 11 月，notebooklm-py 的 GitHub 仓库 star 数超过 2 万，协议是 MIT，要求 Python 3.10 或更高版本。

notebooklm-py 原文配图 1

它的思路：让 Agent 只管编排

Gemini Notebook（原 NotebookLM）是 Google 的资料研究工具：你上传资料，它基于你的资料回答，并且每个回答都带引用来源，不容易凭空编造。背后读和总结的是 Gemini。

notebooklm-py 的做法是把它变成 Agent 可以反复调用的一层：重的分析交给服务端做，你的 Agent 只负责编排，也就是建笔记本、加资料、提问，再把结果拿出来做收尾。README 把这种用法叫作“省 token 的研究卸载”。

这里要说准确：省下的是你的 Agent 这一侧的 token，阅读和总结的工作并不是没有成本，它占用的是你的 Google 账号额度。README 里提醒了限流，也有 notebooklm usage 命令查看当前用量和重置时间，另外还有一份文档按账号等级列出笔记本、资料数量等上限。

notebooklm-py 原文配图 2

它能做什么

它把这款产品的大部分能力做成了可以用代码或命令调用的形式：

  • 来源：网址、YouTube、文件（PDF、文本、Markdown、Word、EPUB、音频、视频、图片）、Google Drive、粘贴的文本，都可以加进笔记本。
  • 问答：基于资料的带引用问答，可以保存对话到笔记，还能自定义角色。
  • 研究：联网和 Drive 的研究代理，有快速和深度两种模式，可以自动导入找到的资料。
  • 内容生成：同一套资料可以生成播客音频（深入探讨、简报、点评、辩论四种形式，支持 50 多种语言）、视频概览、幻灯片、信息图、测验、记忆卡片、报告（简报、学习指南、博客草稿）、数据表格和思维导图。

更值得注意的是网页版没有的部分，也就是批量和脚本化地把结果导出来：

  • 一次性下载某一类产物的全部内容（download <类型> --all）；
  • 测验和记忆卡片导出为 JSON、Markdown 或 HTML；
  • 数据表导出为 CSV，思维导图导出为 JSON；
  • 幻灯片下载为 PPTX 或 PDF。

notebooklm-py 原文配图 3

给编程 Agent 当“项目大脑”和跨会话记忆

除了省 token，另一个实用的用法是给编程 Agent 当带引用的知识底座。

把内部文档、架构说明、历史 RFC 放进同一个笔记本，再通过它的 MCP 服务让 Agent 查询。Agent 写代码之前先问一句，拿到的是从你自己的资料里带出处的答案，而不是听起来像那么回事的猜测。README 的说法是，这可以替代自己搭向量库和 embedding 流程。MCP 的启动方式和各客户端的配置见仓库的 docs/mcp-guide.md。

它还可以做跨会话记忆：留一个常驻的笔记本，每次收尾把这次的决定和踩过的坑记进去，在 CLAUDE.md 里写一句让 Agent 开工前先查询，记忆就存在 Google 那一侧。如果你更想把记忆放在本地，可以看 claude-mem 安装与使用教程：给 Claude Code 加上跨会话记忆，两种思路的取舍不同。

notebooklm-py 原文配图 4

安装与使用

README 推荐用 uv 或 pipx 把命令行装进独立环境，这样不会和系统 Python 冲突，也能避开较新的 macOS 和 Debian、Ubuntu 上 pip install 报 externally-managed-environment 的问题：

uv tool install "notebooklm-py[browser]"
notebooklm login
notebooklm auth check --test --json

第二行首次运行会自动下载 Chromium，README 写的大小约为 170 MB，然后让你登录 Google 账号。第三行用来验证，看到 "status": "ok" 就说明登录有效。没有 uv 的话，也可以用 pipx install "notebooklm-py[browser]"；喜欢用 pip，就在虚拟环境里安装。如果只是作为库嵌进自己的应用，不需要浏览器登录这一套，用 uv add notebooklm-py 即可。

日常用命令行大致是这个节奏：建笔记本、加资料、提问、生成、下载：

notebooklm create "My Research"
notebooklm use <notebook_id>
notebooklm source add "https://en.wikipedia.org/wiki/Artificial_intelligence"
notebooklm source add "./paper.pdf"
notebooklm ask "这些资料的核心观点是什么？"
notebooklm generate audio "make it engaging" --wait
notebooklm download audio ./podcast.m4a

想接进 Claude Code、Codex 这类 Agent，有两种方式装 Skill：

notebooklm skill install
npx skills add teng-lin/notebooklm-py

第一条会把 Skill 装到 ~/.claude/skills/notebooklm 和 ~/.agents/skills/notebooklm；第二条通过开放的 skills 生态，直接从 GitHub 取仓库里的 SKILL.md。装完可以用 notebooklm skill status 检查状态。

认证方式

除了交互式登录，README 列出的方式还有：

  • 从已经登录的浏览器导入 cookie：notebooklm login --browser-cookies chrome；
  • 使用 master token，需要时自动换新 cookie，适合服务器、CI 和远程 MCP 连接器；
  • 多账号配置，可以在不同 Google 账号之间切换。

master token 相当于整个账号的长期凭证。README 的建议是用专门的账号，并妥善保护配置目录，不要拿主力账号去做无人值守。

用之前要知道的事

这是个非官方的库，README 开头就有醒目的提示：

  • 使用的是没有公开文档的 Google 接口，Google 随时可能改动，库可能突然失灵；
  • 与 Google 没有关联，是社区项目；
  • 有限流，用量大了可能被限速。

所以它更适合原型、研究和个人项目，不建议拿去扛关键的生产业务。心里有这个预期，它是个很好用的工具；如果指望它像官方 SDK 那样稳定，就会失望。

另外，资料会上传到 Google 的服务里处理。涉及公司内部文档、客户数据时，先确认你们的安全要求允许这样做。

小结

这个库想通的一点是分工：Gemini Notebook 擅长基于给定资料做带引用的深度阅读和总结，按 token 计费的 Agent 擅长编排和最后一步。把“啃资料”这件事挪到服务端，Agent 只在末端花 token，成本结构会顺很多。再加上批量、可脚本化的导出，补上了网页版缺的程序化能力。

如果你在 AIGoCode 上接入了 Claude Code 或 Codex，可以先用 notebooklm skill install 装好 Skill，拿一小批资料试一轮，看看 Agent 这一侧的 token 消耗有没有明显下降。

参考链接