扩展 Claude 会话完整指南

扩展 Claude 会话完整指南 扩展 Claude 会话完整指南 Modified April 11 4. 测试并部署。skill creator 会用自动生成的 prompts 压测你的新 skill，给你看结果，并让你持续调整，直到它真正顺手。 结果是：你从一个模糊概念，走到一个真正可用、专家级的 AI agent，而且它背后有经过验证的 web research 支撑。不是几个小时。是几分钟。 workflow C: persistent memory across sessions 问题：你花了 3 个小时教 Claude 你的架构偏好、命名规范和项目怪癖。你把 terminal 一关。全没了。 解决：建立一个 “wrap up” 仪式，自动抽取当前会话学到的东西，并把它们存进一个持久化的 NotebookLM notebook。之后每个会话开始时，Claude 都先去查它。 step by step： 1. 安装一个 /wrap up skill，指示 Claude 回顾当前 session，并提取： 你做过的纠正（Claude 哪里做错了）出现过的成功模式尚未解决的问题或功能请求关键决策以及背后的理由 2. 配置它上传到 NotebookLM。不要只保存本地文件，而是让 wrap up 把总结推送到一个专用的 “Master Brain” notebook： Code block Bash notebooklm use <master brain notebook id notebooklm source add "./session summary 2026 04 06.md" 3. 在每次关闭 session 之前运行 /wrap up。Claude 会回顾对话、提取洞察、整理格式，然后上传。 4. 给你的 CLAUDE.md 加一条 retrieval instruction。这是 Claude 在 session 开始时读取的配置文件。加上类似这样的话： “before answering questions about project architecture, historical decisions, or my preferences, query the Master Brain notebook using the NotebookLM CLI.” 5. 现在 Claude 有记忆了。随着几周时间过去，Master Brain 会积累几百份 session summaries。NotebookLM 会为它们建立索引，并映射语义关系。Claude 不需要把几百份文档全都塞进自己的 context window，只要检索到正确的那一部分上下文就够了。 结果：你的 AI agent 基本上等于什么都记得住。存储和检索发生在 Google 的免费基础设施上。你的 token budget 依然完好。 workflow D: visual knowledge management with Obsidian 问题：Claude 会生成 research docs、session summaries 和 analysis files。它们会在 terminal 目录里越堆越多，变成一堆“看不见的文件”。你没法浏览、搜索，或者把它们连接起来。 解决：从一个 Obsidian vault 里启动 Claude Code，这样它创建的每个东西都会立刻出现在一个可视化知识图谱里。 什么是 Obsidian？它是一款免费的笔记应用，完全运行在本地 Markdown 文件之上。它会把你的笔记展示成一个带链接节点的交互式 graph。在个人知识管理圈里非常流行。 step by step： 1. 从你的 vault 根目录启动 Claude Code： Code block Bash cd /Documents/MyVault claude Claude 将获得对你整个笔记集合的完整读写权限。 2. 在 vault 根目录创建一个 CLAUDE.md。这是 Claude 在你这个 vault 里的 operating manual。你可以定义： folder structure（research notes 放哪、logs 放哪）新建笔记必须包含的 metadata（日期、标签、source links）链接规则（重要概念用双中括号包起来，像 [[like this]]，这样 Obsidian 的 graph view 才能显示）你偏好的 note formatting standards 3. 为 vault 操作构建自定义 skills： /research <topic = Claude 查询 NotebookLM、下载结果、创建一条包含正确 metadata 和交叉链接的 vault note /daily = 生成一份每日总结，并把所有当日工作关联起来 /wrap up = 来自 Workflow C 的 session memory skill，直接存进 vault 4. 实时迭代。当 Claude 创建文件时，你会在 Obsidian 里看到它们实时出现。如果它把某条 note 归错类，或者漏掉某个 cross reference，你就纠正它，并让 Claude 更新自己的 CLAUDE.md。这个反馈回路会让 Claude 随着时间逐渐拟合你的精确偏好。 结果：一个活的、不断生长的知识库。Claude 会按你的规范去归档、打标签、建立连接。NotebookLM 在后台承担重型 research。你则在 Obsidian 的 graph view 里看到全部。 可能出现的问题（及需留意的事项） 这套配置很强。但它也建立在一个明天就可能挂掉的工具之上。你需要知道这些事。 unofficial APIs mean no guarantees notebooklm py 逆向了 Google 的内部协议。Google 并不背书这个项目。如果 Google 改了 backend，这些命令就会失效。维护者 Teng Ling 到目前为止一直很积极响应，但这里没有 SLA。把它当成一个 power user productivity tool，而不是 production infrastructure。 respect Anthropic's usage policies Anthropic 要求自动化工作流使用官方的 Claude Code client，并配合相应的 billing tier。不要用这套配置通过非官方 harness 去规避 token limits。确保你的使用方式和你的 plan 对得上。 UK and EU data residency 如果你在处理客户机密数据或受监管数据，要知道 Claude 的 consumer tools 会在美国处理和存储数据。GDPR 的含义是真实存在的。enterprise API 提供区域化处理，但 consumer tier 没有。 protect your cookie file 你的 storage state.json 里包含活跃的 Google session cookies。谁拿到这个文件，谁就能访问你的 NotebookLM 数据。绝对不要把它 commit 到公开 repo。把它当作密码对待。 cookies expire 你得预期自己会周期性地重新认证。如果命令开始因为 auth errors 失败： Code block Bash notebooklm login 就这样。30 秒的事。 快速参考：你所需的全部命令 接下来可以探索哪些内容？ 建立你自己的个人 skill library。任何重复性工作流都值得打包。用 skill creator 把你的流程封装一次，然后无限复用。 去逛逛 skill ecosystem。社区已经在官方 Anthropic GitHub 仓库以及像 SkillsMP 这样的市场里发布了成千上万个 skills。代码审查、内容生成、部署流水线，什么都有。 把它和 MCP servers 结合起来。Model Context Protocol 允许 Claude Code 和 GitHub、Slack、数据库等外部服务对话。再把它叠加到 NotebookLM 的 research 能力，以及 skills 的流程控制能力上，你得到的就是一个真正具备自主性的 workflow engine。 加上 Obsidian plugins。Dataview 用来做跨笔记的动态查询。Templater 用来自动化笔记模板。把这些和 Claude 的文件生成结合起来，这个 vault 就会更像第二大脑，而不是一个普通的笔记应用。 我写这篇文章时，做了研究，并结合了以下来源： notebooklm py、SkillsMP、PyPI: notebooklm py、以及 Teng Ling。 notebooklm py SkillsMP notebooklm py SkillsMP PyPI: notebooklm py 4. 测试并部署。skill creator 会用自动生成的 prompts 压测你的新 skill，给你看结果，并让你持续调整，直到它真正顺手。 结果是：你从一个模糊概念，走到一个真正可用、专家级的 AI agent，而且它背后有经过验证的 web research 支撑。不是几个小时。是几分钟。 workflow C: persistent memory across sessions 问题：你花了 3 个小时教 Claude 你的架构偏好、命名规范和项目怪癖。你把 terminal 一关。全没了。 解决：建立一个 “wrap up” 仪式，自动抽取当前会话学到的东西，并把它们存进一个持久化的 NotebookLM notebook。之后每个会话开始时，Claude 都先去查它。 step by step： 1. 安装一个 /wrap up skill，指示 Claude 回顾当前 session，并提取： 你做过的纠正（Claude 哪里做错了）出现过的成功模式尚未解决的问题或功能请求关键决策以及背后的理由 2. 配置它上传到 NotebookLM。不要只保存本地文件，而是让 wrap up 把总结推送到一个专用的 “Master Brain” notebook： 3. 在每次关闭 session 之前运行 /wrap up。Claude 会回顾对话、提取洞察、整理格式，然后上传。 4. 给你的 CLAUDE.md 加一条 retrieval instruction。这是 Claude 在 session 开始时读取的配置文件。加上类似这样的话： “before answering questions about project architecture, historical decisions, or my preferences, query the Master Brain notebook using the NotebookLM CLI.” 5. 现在 Claude 有记忆了。随着几周时间过去，Master Brain 会积累几百份 session summaries。NotebookLM 会为它们建立索引，并映射语义关系。Claude 不需要把几百份文档全都塞进自己的 context window，只要检索到正确的那一部分上下文就够了。 结果：你的 AI agent 基本上等于什么都记得住。存储和检索发生在 Google 的免费基础设施上。你的 token budget 依然完好。 workflow D: visual knowledge management with Obsidian 问题：Claude 会生成 research docs、session summaries 和 analysis files。它们会在 terminal 目录里越堆越多，变成一堆“看不见的文件”。你没法浏览、搜索，或者把它们连接起来。 解决：从一个 Obsidian vault 里启动 Claude Code，这样它创建的每个东西都会立刻出现在一个可视化知识图谱里。 什么是 Obsidian？它是一款免费的笔记应用，完全运行在本地 Markdown 文件之上。它会把你的笔记展示成一个带链接节点的交互式 graph。在个人知识管理圈里非常流行。 step by step： 1. 从你的 vault 根目录启动 Claude Code： Claude 将获得对你整个笔记集合的完整读写权限。 2. 在 vault 根目录创建一个 CLAUDE.md。这是 Claude 在你这个 vault 里的 operating manual。你可以定义： folder structure（research notes 放哪、logs 放哪）新建笔记必须包含的 metadata（日期、标签、source links）链接规则（重要概念用双中括号包起来，像 [[like this]]，这样 Obsidian 的 graph view 才能显示）你偏好的 note formatting standards 3. 为 vault 操作构建自定义 skills： /research <topic = Claude 查询 NotebookLM、下载结果、创建一条包含正确 metadata 和交叉链接的 vault note /daily = 生成一份每日总结，并把所有当日工作关联起来 /wrap up = 来自 Workflow C 的 session memory skill，直接存进 vault 4. 实时迭代。当 Claude 创建文件时，你会在 Obsidian 里看到它们实时出现。如果它把某条 note 归错类，或者漏掉某个 cross reference，你就纠正它，并让 Claude 更新自己的 CLAUDE.md。这个反馈回路会让 Claude 随着时间逐渐拟合你的精确偏好。 结果：一个活的、不断生长的知识库。Claude 会按你的规范去归档、打标签、建立连接。NotebookLM 在后台承担重型 research。你则在 Obsidian 的 graph view 里看到全部。 可能出现的问题（及需留意的事项） 这套配置很强。但它也建立在一个明天就可能挂掉的工具之上。你需要知道这些事。 unofficial APIs mean no guarantees notebooklm py 逆向了 Google 的内部协议。Google 并不背书这个项目。如果 Google 改了 backend，这些命令就会失效。维护者 Teng Ling 到目前为止一直很积极响应，但这里没有 SLA。把它当成一个 power user productivity tool，而不是 production infrastructure。 notebooklm py respect Anthropic's usage policies Anthropic 要求自动化工作流使用官方的 Claude Code client，并配合相应的 billing tier。不要用这套配置通过非官方 harness 去规避 token limits。确保你的使用方式和你的 plan 对得上。 UK and EU data residency 如果你在处理客户机密数据或受监管数据，要知道 Claude 的 consumer tools 会在美国处理和存储数据。GDPR 的含义是真实存在的。enterprise API 提供区域化处理，但 consumer tier 没有。 protect your cookie file 你的 storage state.json 里包含活跃的 Google session cookies。谁拿到这个文件，谁就能访问你的 NotebookLM 数据。绝对不要把它 commit 到公开 repo。把它当作密码对待。 cookies expire 你得预期自己会周期性地重新认证。如果命令开始因为 auth errors 失败： 就这样。30 秒的事。 快速参考：你所需的全部命令 接下来可以探索哪些内容？ 建立你自己的个人 skill library。任何重复性工作流都值得打包。用 skill creator 把你的流程封装一次，然后无限复用。 去逛逛 skill ecosystem。社区已经在官方 Anthropic GitHub 仓库以及像 SkillsMP 这样的市场里发布了成千上万个 skills。代码审查、内容生成、部署流水线，什么都有。 SkillsMP 把它和 MCP servers 结合起来。Model Context Protocol 允许 Claude Code 和 GitHub、Slack、数据库等外部服务对话。再把它叠加到 NotebookLM 的 research 能力，以及 skills 的流程控制能力上，你得到的就是一个真正具备自主性的 workflow engine。 加上 Obsidian plugins。Dataview 用来做跨笔记的动态查询。Templater 用来自动化笔记模板。把这些和 Claude 的文件生成结合起来，这个 vault 就会更像第二大脑，而不是一个普通的笔记应用。 我写这篇文章时，做了研究，并结合了以下来源： notebooklm py、SkillsMP、PyPI: notebooklm py、以及 Teng Ling。 notebooklm py SkillsMP PyPI: notebooklm py 原帖链接：https://x.com/hooeem/status/2042293751805329445 你是否也看腻了这句：“Claude usage limit reached. Your limit will reset at 7pm”？ 我也是。 这里有 4 套把 Claude Code 和 NotebookLM 集成起来的工作流，可以绕过额度限制，把重量级的文档分析卸载到 Google 那边去做。 问题在于，Claude 的“失忆”正在浪费你的 tokens，结果就是你一天只剩下 30 45 分钟的有效生产时间。真受不了。我做了一些研究（参考文献在文末），想搞清楚你到底该怎么修掉这坨离谱玩意。 所以我们会学什么？ 我们会学到一位开发者 Teng Ling 逆向出来的东西。 他逆向了 NotebookLM 的内部协议，并发布了一个开源 CLI 工具：notebooklm py。它可以让你完全通过终端控制 NotebookLM。创建 notebook、上传资料、运行查询、生成 slide decks、podcasts、flashcards，全都可以。 notebooklm py 如果你把它和 Claude Code 的 skill system 结合起来，你会得到一个真正强大的东西：一个研究能力更大、并且能跨会话拥有持久记忆的 AI coding agent。 这份指南会准确地告诉你如何把它配起来，并使用不同的工作流： Contents： 1. 简介（这一段你已经看完了） 2. Claude Code究竟是什么 3. NotebookLM带来了什么 4. 设置网桥（安装） 5. 教Claude Code如何使用NotebookLM 6. 四个值得设置的工作流程 7. 可能出现的问题（以及需要留意的方面） 8. 快速参考：你所需的每个命令 9. 接下来探索什么 Claude Code究竟是什么： 如果你之前只是在聊天界面里用过 Claude，那 Claude Code 完全是另一种野兽。 它运行在你的 terminal 里。它会读取你的整个 codebase。它会写文件、跑脚本、拉起并行 agents、执行多步工作流，而且不用你盯着每一个按键 babysit。 问题在于 billing model。 你喂给 Claude 的每一段上下文都会烧 tokens。在 Pro 方案（20 美元/月）上，你会很快碰到限制。在 Max（100 200 美元/月）上，你会多一点 runway，但重度 research 依然会把它耗光。至于 API，每一个 token 都是按量计费。 所以如果你想让 Claude 分析 30 份文档、交叉比对发现、然后产出一份报告？那就是一个很贵的下午。 这时这座 bridge 就派上用场了。 NotebookLM 是 Google 的 RAG（retrieval augmented generation）研究工具。你把文档传进去，它会为所有内容建立索引，然后让你一次性跨全部资料提问。 数字是这样的： free tier：每个 notebook 50 个 sources pro tier：每个 notebook 300 个 sources cost：处理本身是零成本 它能处理 PDFs、网页链接、YouTube 视频、Google Docs、粘贴文本、音频，甚至图片。而且因为它的回答扎根在你上传的 sources 上，它不会像通用聊天机器人那样乱 hallucinate。 它的限制在于：没有官方 API。它是一个仅限浏览器的工具。你没法对它写脚本、做自动化，或者把它接进别的东西里。 而这正是 notebooklm py 修掉的问题。 notebooklm py 你需要：Python 3.10+、一个 Google 账号、以及一个 terminal。macOS、Linux 和 Windows 都能跑。 点这里的链接：https://github.com/teng lin/notebooklm py 按照提供的说明操作。搞定。 教Claude Code如何使用NotebookLM bridge 装好了。现在你需要让 Claude 知道怎么用它。 这通过 skills 来完成。 30 秒讲清 skills： skill 就是一组保存在名为 SKILL.md 文件里的指令，Claude 在遇到相关任务时会读取它。把它想成一份放在你机器上的 playbook。Claude 在检测到匹配请求时会自动加载它。 skills 遵循一个开放标准。它们可以在 Claude Code、Cursor、Gemini CLI、Codex 等工具间工作，不会被 vendor 锁死。 where skills live personal skills（对所有项目可用）： project skills（仅作用于一个 repo，可通过 Git 分享）： 如果 personal level 和 project level 都存在，project level 总是会覆盖 personal level。 installing the NotebookLM skill 这会把 skill 部署到两个位置： /.claude/skills/notebooklm/（给 Claude Code）以及 /.agents/skills/notebooklm/（给像 Codex 这样的兼容 agents）。 检查一下： 装好之后，Claude 就理解如何通过 CLI 去创建 notebooks、上传 sources、运行 queries，以及生成 outputs。你不需要每次会话都重新解释语法。 how Claude decides to use a skill 每个 skill 在 header 里都有 description。Claude 在启动时会读取所有可用 description，并把它们和你的请求做匹配。比如你让 Claude “research B2B outbound strategies and compile a report”，它就会自动把 NotebookLM skill 拉进来。 你也可以直接调用它：/notebooklm building your own custom skills 这里就开始真正变得有意思了。 Anthropic 发布了一个 skill creator meta skill。你在 Claude Code 里调用 /skill creator，它就会围绕你的需求向你提问，生成完整的 SKILL.md，对它自动跑测试 prompts，然后把结果打包好。 你可以从“我想要一个做 X 的 skill”，几分钟之内走到一个已经能跑、并且测过的 skill。没有手搓 YAML 格式。没有猜谜。 安装是最无聊的部分。真正的价值在这些 workflows 里。 workflow A: zero token research 问题：你想让 Claude 分析 30+ 份文档。如果在本地做，这会把你的 token budget 直接打爆。 解决：Claude 负责 orchestration。NotebookLM 负责 processing。免费。 step by step： 1. 收集你的 sources。PDF、网页文章、YouTube transcripts，随便。如果你是从 YouTube 拉内容，像 yt dlp 这样的工具可以自动提取 transcript，Claude 也可以替你跑。 2. Claude 创建一个 notebook： 3. Claude 上传所有内容： free tier 最多 50 个 sources。对大多数项目来说完全够用。 4. Claude 不再本地处理，而是改为向 NotebookLM 提问： Google 的 Gemini engine 会跨所有上传文档处理这个 query。返回一个 grounded、带 citations 的答案。对你来说不花钱。 5. Claude 生成交付物： 这些会直接下载到你的机器上。 6. Claude 打磨输出。它接过这些原始 artifacts，在本地做精修。比如改 slides、重排 tables、把 findings 融进最终文档。这是唯一会消耗你 Claude tokens 的部分。 账很好算：最贵的分析工作发生在 Google 的基础设施上。Claude 的 tokens 只保留给 orchestration 和最终编辑。你相当于把一个 20 美元/月的方案，拉伸到了一个 200 美元/月工作流的工作量。 workflow B: building expert AI agents from web research 问题：你想为某个特定领域构建一个自定义 AI agent（比如 B2B outbound sales）。但模糊的 prompts 只会产出模糊的 agents。 解决：用 NotebookLM 的 Deep Research 去自主收集网页上的专家知识，再把这些知识整理成一个可部署的 Claude Code skill。 step by step： 1. 在 NotebookLM 里运行 Deep Research。用浏览器打开 NotebookLM，选择 “web” source type，然后输入一个具体查询，比如：“advanced B2B multi channel outbound sales strategies, retention loops, and re engagement sequences.” Deep Research 会自主爬取数百个页面，阅读文档和指南，并编译出一份有 citation 支撑的报告。 2. 用 DBS framework 组织输出。让 NotebookLM 把 findings 整理进三个 bucket： direction = 分步逻辑、决策树、错误恢复。这会变成你的 SKILL.md 核心内容。blueprints = 静态参考资料。模板、语气指南、分类规则。这些会变成 supporting materials。scripts = 那些更适合由确定性代码处理、而不是 AI 推理处理的任务。比如 API 调用、数据格式化、计算。这些会变成打包脚本。 3. 把它喂给 skill creator。复制 DBS 输出，粘贴进 Claude Code，然后调用 /skill creator。Claude 会自动把整个 skill package 脚手架搭好。