NotebookLM-py 测评：将Google AI工具转为可编程API的实战指南

引言

如果你正寻求将Google NotebookLM从浏览器中解放出来，将其深度集成到自动化流程中，那么notebooklm-py这个开源项目值得你重点关注。它解决了NotebookLM缺乏官方API的核心痛点。

Google NotebookLM在个人知识库与AI问答领域表现出色，其基于文档的总结、提炼及多格式内容生成能力，配合精准的来源引用，确实强大。然而，其网页界面的封闭性限制了程序化调用与系统集成。

notebooklm-py通过逆向工程，完整封装了NotebookLM的未公开API，使你能够通过Python代码或命令行直接操控其全部功能，甚至解锁了一些网页端未开放的能力。其提供的Claude Code Skill，更能让Claude在对话中实时查询你的NotebookLM知识库，实现了Gemini的知识检索与Claude推理能力的协同。

该项目在GitHub上已获得超过9500颗星，采用MIT协议开源。

你将学到什么

• 掌握notebooklm-py的三种核心应用模式：Python API、CLI工具及Claude Code Skill。
• 了解它能实现哪些超越NotebookLM网页界面的自动化操作。
• 解析Claude Code Skill如何实现跨厂商AI（Claude + NotebookLM）的协作机制。
• 理解“带来源引用的回答”为何是应对AI幻觉最有效的工程化手段之一。
• 评估基于未公开API进行逆向工程的优势与潜在风险。

前置知识

• 具备Python基础语法知识及pip包管理经验。
• 对Google NotebookLM的核心功能有基本认知。
• 若关注Claude Code Skill部分，建议具备一定的Claude Code使用经验。

项目背景

项目简介

notebooklm-py是开发者Teng Lin构建的非官方Python客户端。其核心并非网页爬虫，而是直接调用NotebookLM客户端与Google服务器通信时使用的原生HTTP接口，从而实现了对NotebookLM功能的程序化访问。

项目包含两个核心组件：一是作为基础的Python库和命令行工具，提供了完整的NotebookLM API封装；二是Claude Code Skill，它使Claude能在会话中实时查询你的NotebookLM知识库。前者解决了“自动化操作NotebookLM”的问题，后者则解决了“让AI回答基于你的真实文档而非其训练数据”这一更深层的需求。

作者介绍

• 主要作者：Teng Lin（GitHub: @teng-lin）
• 项目性质：社区驱动的非官方项目，与Google无官方关联。
• 发布平台：GitHub及PyPI（可通过pip install notebooklm-py安装）。
• 当前版本：v0.5.0（处于Beta阶段）。

项目数据

• GitHub Stars: 9,500+
• PyPI包名: notebooklm-py
• 开源协议: MIT
• Python版本要求: ≥ 3.10
• 支持平台: macOS, Linux, Windows
• 项目状态: Beta（基于未公开API，可能随Google变更而失效）
• 代码仓库: teng-lin/notebooklm-py

主要功能

核心作用

notebooklm-py完整覆盖了NotebookLM的功能图谱，主要包括：

Notebook管理：支持创建、列出、重命名、删除和分享Notebook。

来源导入：支持多种格式，包括URL网页、YouTube视频、PDF文件、Google Drive文档及纯文本粘贴。

知识查询：支持基于对话历史的问答，回答附带引用来源；同时支持引用固定功能。

内容生成（Studio功能）：可生成音频播客、视频概述、PPTX幻灯片、测验、闪卡、JSON格式脑图、报告及信息图。

研究代理：能够自动进行网络研究并导入搜索结果，或自动导入云盘中的文档。

三种使用方式

方式 1：Python API（异步，适合自动化流水线）

Python API为开发者提供了最大的灵活性。通过异步编程，你可以将NotebookLM操作无缝集成到自动化流水线中。

import asyncio
from notebooklm import NotebookLM

async def main():
    async with NotebookLM() as nlm:
        # 创建 Notebook
        notebook = await nlm.create_notebook("我的研究项目")

        # 导入多种来源
        await notebook.add_source("https://arxiv.org/abs/2310.06825")
        await notebook.add_source("research.pdf")
        await notebook.add_source("https://youtu.be/dQw4w9WgXcQ")

        # 查询知识库（返回带引用的回答）
        response = await notebook.query("这篇论文的核心创新点是什么？", include_citations=True)
        print(response.answer)
        print(response.citations)  # 每条引用都指向具体来源段落

        # 生成音频播客
        podcast = await notebook.generate_audio_overview()
        podcast.sa ve("summary.mp3")

        # 生成幻灯片
        slides = await notebook.generate_slides()
        slides.sa ve("presentation.pptx")

asyncio.run(main())

方式 2：CLI（Shell 脚本和 CI/CD）

对于命令行爱好者或需要在Shell脚本及CI/CD流程中集成的场景，CLI工具提供了脚本化的操作方式。

# 安装
pip install notebooklm-py

# 基础操作
notebooklm notebook create "产品文档知识库"
notebooklm source add --notebook "产品文档知识库" https://docs.example.com
notebooklm source add --notebook "产品文档知识库" ./spec-v2.pdf

# 查询
notebooklm query --notebook "产品文档知识库" "新版 API 的认证方式有哪些变化？"

# 生成内容
notebooklm generate audio --notebook "产品文档知识库"
notebooklm generate slides --notebook "产品文档知识库" --output slides.pptx

# 批量导入（在 CI/CD 中自动更新知识库）
notebooklm source sync --notebook "产品文档知识库" ./docs/

方式 3：Claude Code Skill（让 Claude 实时查询 NotebookLM）

这是项目最具创新性的部分，它实现了AI工作流的“最后一公里”——让Claude直接访问你的私有知识库。

# 安装 Skill（方法 1：通过插件市场）
/plugin marketplace add teng-lin/notebooklm-py

# 安装 Skill（方法 2：直接安装到 Skills 目录）
notebooklm skill install

# 首次认证（浏览器登录 Google 账号，之后自动维持）
notebooklm auth login

安装完成后，在Claude Code对话中的体验将彻底改变：

你：解释一下我们系统的认证架构，我记得在架构文档里有详细说明
Claude：[内部调用 NotebookLM Skill，查询你的“系统架构”知识库]
Claude：根据你的架构文档（来源：architecture-v3.md，第 4 页），系统使用 JWT + Refresh Token 双令牌机制...
[每条信息都有来源引用，不是训练数据中的泛化回答]

项目详细剖析

Claude Code Skill 的技术原理

理解这个Skill的工作原理，需要把握其两层架构。

第一层：浏览器自动化（Browser Automation）

由于NotebookLM没有公开API，所有操作都需要Google账号认证。notebooklm-py使用浏览器自动化工具来维持认证状态，捕获认证令牌后直接发起HTTP请求。这确保了功能的完整性，且所有数据保留在本地。但需注意，这要求本地运行Claude Code，云端或沙箱环境无法使用浏览器功能。

第二层：Skill 集成层

这一层构建了流畅的交互管道：当Claude Code对话判断需要知识库支持时，会触发Skill；Skill构造NotebookLM查询，通过Python库向Google服务器发起HTTP请求；NotebookLM（基于Gemini 1.5 Pro）返回带引用的回答；Skill解析响应后，将结果注入Claude的上下文，最终由Claude给出基于真实来源、带有引用的回答。

为什么“有来源引用的回答”是反幻觉的工程解法

这背后体现了一种关键的设计哲学。AI幻觉的核心问题，往往不在于“AI回答了错误内容”，而在于“AI回答了它不确定是否正确的内容，却表现得非常确定”。

业界主要有两种对抗策略：策略A依赖更好的训练数据和RLHF，这能缓解但无法根治问题，因为模型无法确切知道自己不知道什么。策略B则强制要求每一条断言都必须来自可验证的来源，若来源不存在，则无法生成该断言。这是一种根本性的解决思路。

notebooklm-py的Claude Code Skill遵循策略B。它将回答从依赖泛化的训练数据，转变为锚定在你上传的具体文档上。对于代码库文档、API规范、内部流程手册等只存在于组织内部、模型训练数据中根本没有的知识，这种基于检索的生成模式（RAG）显得尤为关键和可靠。

超越网页界面的能力

得益于程序化访问，notebooklm-py能实现一些网页界面难以或无法完成的操作：

• 批量操作：例如，批量创建多个Notebook，无需手动逐个点击。
• 程序化引用固定：可直接通过API调用网页界面的隐藏功能。
• 研究代理自动化：自动进行网络搜索并将结果导入知识库，超越了网页界面的能力范围。
• 定时更新与同步：可在CI/CD流水线中设置定时任务，自动同步最新文档，确保知识库的时效性。

使用风险与权衡

使用基于逆向工程的项目，需要正视其技术限制与潜在风险。

作者在项目文档中明确说明，此工具更适合用于原型验证和个人项目，不建议用于关键的生产系统。

总结与展望

核心要点回顾

1. 完整 API 封装：覆盖了Notebook管理、多类型来源导入、RAG查询及Studio内容生成等全套功能。
2. 三种使用方式：提供Python异步API、命令行工具和Claude Code Skill，适应不同场景需求。
3. 跨厂商 AI 协作：巧妙结合了Claude的推理能力与NotebookLM/Gemini的知识检索能力，形成优势互补。
4. 反幻觉工程实践：通过强制要求回答基于可追溯的来源，为应对AI幻觉提供了一种工程化的解决思路。
5. 超越网页界面：实现了批量操作、程序化引用固定、研究代理自动导入等仅能通过API实现的高级能力。

适用人群

• 研究人员：可构建自动化文献综述工作流，批量导入论文并查询知识库。
• 开发团队：能将API规范、架构文档注入Claude Code，从而获得有来源依据的代码建议。
• 内容创作者：可批量从文档生成播客、幻灯片、思维导图等多种形式的内容。
• AI 工具构建者：可借此研究跨厂商AI能力的组合与集成模式。

notebooklm-py是一个极具巧思的工具。它通过逆向工程，为强大的NotebookLM打开了程序化访问的大门，并在此基础上，探索了跨AI模型协作与反幻觉的新路径。虽然存在一定的使用风险，但对于追求自动化、集成化工作流的开发者和研究者而言，它提供了一个极具价值的探索方向。

来源：互联网