上个月我把 Claude 从 Pro 升到 Max，$200 一个月，心想这下总该用够用了吧。

第五天：本周额度已耗尽。

翻使用日志我才看清楚钱花在哪。一次调研 47 篇论文的下午会话，单次就吃掉一周 10% 的额度。这种会话一周跑两三次，额度自然撑不住。

·问题在我一直让 Claude 干它不擅长的事——当全文检索引擎。

一坨 50k 字符的日志塞进对话，问一个问题，日志全文就要被算一次 input token；再问个，就算命中了 prompt cache（单价只剩 1/10），主会话也会随轮次缓慢累加。更糟的是 cache 有 1h TTL，间隔久了就得重写一次全价。这就好比每次问律师问题，都让他把你 50 页的合同先朗读一遍再开口。

Claude Code 擅长推理、编排、写代码。读原始语料这件事该让别的工具干，Claude 只看结论。顺着这个思路找下去，我想到了 NotebookLM。

跟着这篇配置一遍，你 $20 的账号能干出 $200 的活。

导读

长文，按兴趣挑着看：

  • 一：NotebookLM 是什么 + 能干什么

  • 二：为什么要再套一层 Claude

  • 三：装 skill，10 分钟动手

  • 四：实测 token 账 + 原理拆解

  • 五：学者 / 学生工作流

  • 六：打新股 / 读招股书 工作流

  • 七：个人知识库工作流

  • 总结

想先看工作流，直接跳到第五部分——找到你那一类看就行。

一句话论点

真正省 Claude token 的办法不是开 cache，是让重数据一开始就不进 Claude。

具体做法：让 NotebookLM 存储语料和检索，Claude 只做推理和编排。两者分工清晰，用一个比喻概括——

NotebookLM 是老师：你亲自采集进去的论文、财报、笔记形成它的知识库。你问它，它答经验，答案带引用，边界在源内，不乱外推。Claude 是助手：负责写代码、跑脚本、整理结果、编排工具。不懂就去问老师，拿到答案继续干活。你是课题负责人：只在关键决策点介入。

关键原理，为什么这样分工省钱

一、RAG vs 塞 context 是两种不同的成本模型。 把 50k 字符日志塞进 Claude 对话，这坨数据就被算进 input token。每问一次就要被"看"一次，成本随语料大小线性涨。走 RAG 则是 NotebookLM 内部用向量检索命中相关片段，Claude 只看到几百字的蒸馏答案，成本近乎常数。

二、prompt cache 有 1h TTL，研究场景命中率很低。 很多人以为开了 cache 就万事大吉。实际 Anthropic 的 prompt cache 默认只存 1 小时，超时就自动失效；你思考几分钟、切去做别的、或者开新 session，下一次调用就得按全价把语料重写一次 cache_creation。研究性会话恰好是"问一下、想一会、再问一下"的节奏，命中率常常惨不忍睹。这是账单暴涨的真正原因。

三、基于事实输出会更有效 NotebookLM 的答案被约束在你上传的源里，每句话带 [1][2] 引用，点回原文。不会胡编。Claude 拿这种答案做决策，不用反复让它"再确认一下"，省下的是更难量化的那部分时间成本。

谁不用看下面了

  • 语料 < 5k tokens、只查一两次——直接问 Claude，别折腾

  • 需求是纯 Q&A、不嵌工作流——打开 notebooklm 网页用就够了

  • 在乎响应速度超过账单——慢 3 倍受不了

  • 要理解代码结构 / 跳定义——NotebookLM 更加适合文本 RAG

谁继续往下读

  • 想要具体的安装步骤和避坑

  • 想看几个场景怎么落地到指令层

  • 在用 Claude Code 想把 NotebookLM 变成一个 skill

第一部分：先认识 NotebookLM

第一次打开 NotebookLM 是因为一位朋友安利。她写论文的 reading list 有 60 多篇，以前在 PDF 阅读器里挨个 Ctrl-F，现在把全部论文丢进一个 notebook，问"谁支持 X 观点、谁反对、分歧集中在哪几个变量"——答案带 [1][2][3] 引用直接甩过来，点一下就跳回原文对应段落。

她说一周能省十几个小时。

我抱着怀疑态度试了一周，最后上瘾了。下面是这一周攒下的经验，下面是 NotebookLM 使用的优点：

  1. 支持免费档 50 个源 / Pro 档 300 个

  2. 处理能力不要钱，上传、索引、生成、对话——全走 Google 的算力

  3. 除了问答，它能把一整个 notebook 直接自动生成音频播客（通勤听最舒服）、思维导图、PPT、闪卡等等。

  4. 播客尤其惊艳——你自己的资料，被两个陌生 AI 用你没想过的角度讲一遍，常常能听出新东西。

格式从来不是问题：PDF、网页 URL、YouTube 字幕、Google Docs、纯文本粘贴、图片 OCR、音频转写——都能当源。

光上面这些，NotebookLM 已经是一个非常强的独立工具。如果你的需求就是"坐下来问几个问题"，这篇文章到这里就够了，下面的都不用看。

但我用着用着发现它卡在2个地方：

一、心流被切 tab 切烂 调研一个课题：问一个问题 → 得到答案 → 点引用跳原文 → 读完一段 → 回 notebook 复制答案 → 切到 Claude Code 消费→ 做完实验 → 发现少一篇资料 → 切到 Google 搜 → 切到下载 → 切回 notebook 加源 → 继续问……一下午切 200 次 tab。

二、跟本地工具是两个世界 我排查线上事故时把日志灌进 notebook 后能查。但我还要同时在终端 grep 本地配置、看 k8s events、起 pod 复现——网页不能帮我跑任何本地命令，每次都是"在网页看完 → 手动敲一遍 → 再切回网页"。

NotebookLM 网页把自己定位成终点——你问它，它答你，结束。但我想让它成为流水线上的一环——被调度、被批处理、输出能流到下一步。

这是 Claude 登场的地方。

第二部分：再把 Claude 套上去

把 NotebookLM 变成 Claude 的一个工具。一件事就够了——Claude 需要领域知识时，自己去问老师。

流程的形状

老师（NotebookLM）是只读的咨询台：你一次性把 47 篇论文灌进去就不用再管了，它就在那儿待着等你问。不用回灌、不用喂新笔记——论文本身的观点已经足够撑起所有查询。

下面这个 prompt 把流程图的六步、工作纪律、具体 notebook ID 全编码进去了，贴进 Claude Code 就能跑（注意替换id）：

几条线索

  • 47 篇论文原文一次都没进 Claude 对话——主会话 token 只花在推理和代码

  • 老师只被咨询、不参与执行——它的长处是带引用的领域检索

  • 你只在 ① 介入——中间要不要再问一次老师，Claude 自己判断

  • 老师知识库静止不变——47 篇论文就是 47 篇，够用了

这是"串起来"比"单独用"强的根本原因：省掉的 tab 切换、省下的 token，都是附赠福利。下面讲福利有多大。

第三部分：安装 NotebookLM Client & skill，让 Claude 认识这个老师

Google 官方没有提供 NotebookLM client，不过 @icebear0828 已经写了第三方 client 可以连接 NotebookLM，安装后，Agent可以通过命令行或者自然语言访问 NotebookLM。

https://github.com/icebear0828/notebooklm-client 。

基础安装：


  # 角色
  你是我的研究助手。我的课题老师是一个固定的 NotebookLM notebook
  (id: 6634ad4d-0594-4700-bddf-4a400ad46fa2)，里面装着 47 篇相关论文。
  你通过已安装的 notebooklm skill（`/notecraft chat` 等命令）跟老师对话。

  # 铁律
  1. 任何涉及论文观点、公式、方法、已知坑的问题，**先 /notecraft chat 问老师**，
     不要凭记忆回答，也不要让我把论文原文贴进对话。
  2. 老师是**只读咨询台**：不要把笔记、代码、实验结果回灌进 notebook。
     知识库就 47 篇论文，静止不变。
  3. 老师的答案带 [1][2] 引用。把引用原样保留在你给我的输出里。
  4. 中间要不要再问一次老师，你自己判断——不用每一步都确认。
  5. 老师答不上或引用弱的问题，明确说"老师无解"，不要外推硬编。

  # 工作流程
  ① 我给你一个课题 / 子问题。
  ② 识别里面哪些点需要领域知识（论文观点、前人方法、公式推导、已知失败模式
  ）。
  ③ 对这些点逐条 /notecraft chat，拿到带引用的答案。
  ④ 用答案驱动执行：写代码、跑脚本、grep 本地文件、整理结果。
  ⑤ 执行中冒出新疑问就回到 ③ 再问老师，直到没有新疑问。
  ⑥ 最终输出给我：
     - 结论（带老师答案的 [引用]）
     - 你的代码 / 实验结果
     - 老师没覆盖的 open question 单独列一节

  # 输出格式
  每次交付用这个骨架：

  ## 老师说
  （/notecraft chat 拿到的要点，每条保留 [引用]）

  ## 我做了什么
  （你写的代码 / 跑的命令 / 观察到的结果）

  ## 结论
  （对我原始课题的回答）

  ## 老师没覆盖的
  （老师答不上或引用弱的点，留给我人工跟进）

  # 开始
  我的第一个课题是：<在这里写你的问题>

装完之后在对话里说"查一下那个 notebook 里 X 的部分"，Claude 会自动调——不用每次解释语法。

第四部分：实测——到底省多少钱（Opus 4.7）

下面这组数不是模拟的，是真实一轮研究会话，从 Claude Code 的 session log 里扒出来的。

NotebookLM 侧那部分 token 上传、检索、生成——Google 全部免费，不进你的账单。下面所有数字只算 Opus 这边。

测试设置

  • 语料：47 篇图像 + LiDAR SLAM 相关论文，一次性灌进同一个 NotebookLM notebook

  • 模型：Claude Opus 4.7

  • 轮数：5 轮深度问答（从"最适合做 SLAM 重建的方法"一路问到"3DGS vs NeRF 接 SLAM 后端的坑"）

  • 方式：Claude Code 里正常对话，每轮助手自己调 /notecraft chat 去问老师

实测结果（本文做法）

真正决定账单的是 token input + cache_creation（往缓存写新内容）和 output（生成）。便宜档（cache_read + input）单价不到它们的 1/10，这里忽略，只算贵档：

5 轮贵档合计 $0.55，平均每轮约 $0.11。

关键数字：cache_creation 只有 17,379

cache_creation 是每次"往缓存写新内容"的 token，贵档里最容易爆的一档。这次 5 轮里写进缓存的只有每轮老师答案（~3-6k token）+ 少量系统增量——合计 1.7 万。

47 篇论文的原文一个字都没进 Claude 的 cache_creation——这就是省钱的全部秘密。

对比：如果把 47 篇论文直接塞 prompt

47 篇论文实测 38.4 万 words ≈ 50 万 token（从 NotebookLM 官方统计字数算出来）。塞 prompt 的传统做法分两种场景：

https://github.com/icebear0828/notebooklm-client

最公平的对比是和"单 session 多轮对话"第二行，——同一研究会话里首轮建 cache、后续复用，是传统做法的最优情况。即使这样，5 轮问答贵档差出 17 倍（$9.59 vs $0.55）。跨 session 场景只会更惨（86 倍）。

为什么 cache 帮不了传统做法？很多人以为"开了 cache 就万事大吉"。实际 Anthropic 的 prompt cache 默认只有付费档 1 小时），超时就自动失效；加上每次 claude -p 新起 session、思考停顿、切换别的窗口，都会把上一轮 cache 挤出窗口。

本文做法里论文压根不进 Claude，cache 命不命中都无所谓。

语料再翻倍（100 篇、200 篇）差距继续线性拉开——传统做法 cache_creation 随论文数线性涨，本文做法基本不变（只随老师答案长度微涨）。

用 Opus 跑研究的人：200 次研究会话一年就是小两千刀的差距——光"论文不进 Claude"这一个动作，一年省下的够再升一次 Max。

代价：慢 3 倍

操作 实测中位耗时 建 notebook + 加一个源 10-15 秒 NotebookLM chat 一次 16-48 秒（中位约 45 秒） Claude Opus 单问（不过 NotebookLM） 20-35 秒

如果你在乎每秒响应不是每月账单，这套不适合你。

接下来的几个部分，作为抛砖引玉，写了三个适合NotbookLM的工作流

五：学者 / 学生工作流

六：打新股 / 读招股书 工作流

七：个人知识库工作流

第五部分：研究者 / 学生工作流

reading list 是天然的知识边界。

痛点：一学期几十篇论文，同一批 PDF 要反复查几十次。以前 Ctrl-F 翻到眼花，问 ChatGPT 又怕它瞎编不带引用。

语料配方（灌一次用一学期）：

  • 20-50 篇课题相关论文 PDF

  • 课程大纲、讲座字幕

  • 导师邮件、自己的章节草稿、读书笔记

老师能回答的杀手问题：

  • "哪两篇结论互相冲突，冲突在哪一层假设？"

  • "X 方法在这个语料里出现过几次，各自怎么用的？"

  • "A 论文的公式 3 和 B 论文的公式 7 实际等价吗？"

Claude 在链路里干嘛：按课题推进——问老师拿概念/公式 → 写代码复现 → 跑实验 → 整理笔记。论文原文一次都不进 Claude 会话。

第六部分：打新股 / 读招股书工作流

一本招股书 300-600 页，打新窗口就三天。靠人读完再决策根本来不及。

痛点：港股/A 股打新节奏快，新股上市前只有聆讯后资料集（港股）或招股意向书（A 股）能看，文档动辄 500 页+，里面有公司介绍、历史沿革、业务模式、财务数据、募资用途、风险因素、基石投资者等 20+ 章节。靠人读：

  • 一家看完至少 4 小时

  • 一周 5-8 家新股，根本来不及

  • 决策窗口就 72 小时，错过就只能下期再打

而且招股书最有信息量的不是"公司怎么夸自己"，是藏在风险因素、关联交易、历次融资估值里的那些红旗。这部分人眼最容易漏。

语料配方（一家公司一个 notebook）：

  • 招股书全本（聆讯后资料集 / 招股意向书）——必灌，最核心

  • 基石投资者披露表——看谁背书、锁定期多久

  • 同行可比公司最新财报——估值对标的锚

  • 保荐人/承销商研报（能搞到的话）——官方定价逻辑

  • 管理层过往访谈、公司过去融资轮估值表——看估值跳涨节奏

  • 行业监管政策文件（如医药的 NMPA、科技的相关新规）——决定行业天花板的外部变量

老师能回答的杀手问题：

判断要不要打，通常就问这 8 个——每个都是 200 页招股书里找半天的那种：

  1. "核心产品/业务是什么？近 3 年收入结构变化如何？客户集中度？"

  2. "这家和同行（A、B、C）在毛利率、营收增速、研发占比上的差异在哪？"

  3. "基石投资者是谁、认购金额、锁定期？基石里有没有知名产业资本？"

  4. "此次募资用途按比例拆，哪部分最大？募资完成后控股股东持股稀释到多少？"

  5. "风险因素里，哪些是行业共性（可以对照同行打折看），哪些是公司特有（必须警惕）？"

  6. "过往融资估值：上一轮估值 / IPO 估值的跳涨倍数？上轮投资人锁定期多久？"

  7. "历史财务有没有一次性收益把利润做高的痕迹？过去 3 年经营现金流和净利润是否匹配？"

  8. "关联交易占营收比多少？前五大客户里有没有关联方？"

每个问题都带 [页码] 引用——老师会直接把招股书里对应的那段甩给你，不用再翻 PDF。

Claude 在链路里干嘛：

批处理就是这个工作流的灵魂:

# 装客户端
npm i notebooklm-client

# 导出登录 session（会开浏览器登 Google）
npx notebooklm export-session

# 与笔记本对话
# npx notebooklm chat <notebook-id> --transport auto --question "帮我总结一下"

#安装后在 agent 中使用 `/notecraft` 即可自动化 NotebookLM 操作
npx notebooklm skill install

一周打新池 = [新股A, 新股B, 新股C, ...]

最后 Claude 把 8 家的一页汇总成一张 markdown 决策表 → 你 15 分钟扫完下单。

一周打新池 5-8 家 = 40-64 次查询，全程论文（这里是招股书）不进 Claude 对话——单本招股书 150-250k token，5 家就是 100 万 token 的语料量，传统做法光这一项一周就能烧掉 $50+。走本文做法 $2 以内。

真实打新场景的增量价值：

  • 压缩决策时长：4 小时/家 → 20 分钟/家

  • 红旗不会漏：8 个问题里第 5、7、8 项（风险、财务调整、关联交易）是散户最常忽略的，老师会逐条抠

  • 跨家对比：港股同一周常有 3 家同行业公司同时招股，用同一套模板跑完直接能排序

第七部分：个人知识库工作流

给自己建"第二大脑"。

痛点：Obsidian 搜索只认关键词，答不出"我对 X 的看法这三年变过没"。所有笔记都是自己写的，合规上没顾虑，但体量散、格式杂，本地没工具能跨文件做语义检索。

语料配方（一股脑全灌，之后增量补）：

  • Obsidian / Notion 全量导出

  • Kindle 高亮、Readwise 剪藏

  • 工作日记、会议纪要、复盘文档

老师能回答的杀手问题：

  • "我这三年对'专注力'写过什么？观点变了吗？"

  • "《原则》和《思考快与慢》对认知偏差的说法，哪里重叠哪里冲突？"

  • "过去一个月所有会议纪要里，X 项目各人的态度分别是什么？"

Claude 在链路里干嘛：主题演进类问题本来就需要对话式 AI + 全量语料。Claude 负责把老师的多轮答案合成结构化总结（时间轴、观点对比表、待跟进清单）。

三个工作流的共同点：反复查、跨文档、私有边界——占任何一条，建库 15 秒成本一周内摊平。

最后

有一些值得注意的：

  1. storage_state.json 里面是你 Google 的活 session。注意保管。

  2. notebooklm-client 是逆向 NotebookLM 内部协议做出来的。Google 不认账，随时可能改后端让你的命令突然报错。

这套东西的核心就一句话——分工：

  • NotebookLM 当老师：答领域知识，带引用，不乱外推

  • Claude 当助手：编排工具、写代码、整理结果，不懂就问老师

  • 你当课题负责人：只在关键决策点介入

我用了一个月，省下来的钱够再吃好几顿大餐。但更重要的是，调研十几篇论文不再让我心疼额度了——这种"不用算账"的爽，比省钱本身还上瘾。