NotebookLM 變成 Agent 能呼叫的技能：notebooklm-py 的用途、技巧與限制

NotebookLM 原本像是一個「把資料丟進去再問問題」的研究工作台；notebooklm-py 真正有趣的地方，是把這些動作變成 Python、CLI，甚至 AI agent 可以呼叫的技能。這不是 Google 官方 API，但如果你正在整理資料、寫文章、做簡報、做知識庫，或想讓 Codex / Claude Code / OpenClaw 直接操作 NotebookLM，它代表的是另一種工作流：研究不再只靠手動點介面，而是可以被排程、重複、拆成步驟來跑。

NotebookLM sources flow into NotebookLM, API and CLI, then AI agents with safe margins for cropped featured-image displays

重點速讀

notebooklm-py 是一個社群維護的 unofficial Python API / CLI / agent skill，目標是讓 Google NotebookLM 的來源管理、提問、內容生成與下載流程可以被程式化。
它適合用在研究自動化、資料整理、文章前置研究、簡報素材整理、學習內容生成，以及多 agent 工作流。
它的價值不在於「取代 NotebookLM 介面」，而是把 NotebookLM 放進更大的流程裡：抓來源、建 notebook、問問題、生成 artifact、匯出結果。
它的限制也要看清楚：這不是官方 API，Google 內部端點可能變動，Cookie / auth 也需要維護；重要內容仍要人工複查。

notebooklm-py 到底是什麼？

根據 GitHub 專案與 PyPI 資訊，notebooklm-py 的定位是「Google NotebookLM 的 unofficial Python library」，同時包了 CLI 與 agent skill。專案說明裡提到，它可以讓使用者透過 Python、命令列或 AI agent 取得 NotebookLM 的程式化操作能力；截至 2026-05-19，GitHub repository 已有約 13.6k stars，最新 release 是 v0.4.1。

這裡要先畫清楚界線：它不是 Google 官方 SDK，也不是穩定承諾的企業 API。它更像是把 NotebookLM 現有能力包成可自動化的工具層，讓 agent 可以用自然語言或腳本去做以前要手動點 UI 的事。

使用方式	適合情境	你會得到什麼
Python API	要接進自己的 app、任務隊列、資料管線	可以用 async workflow 建立 notebook、加入來源、提問、生成 artifact
CLI	Shell script、排程、CI、一次性批次整理	用命令列新增來源、詢問、生成音訊/簡報/心智圖等結果
Agent skill	Codex、Claude Code、OpenClaw 這類 agent 工作流	讓 agent 能把 NotebookLM 當成研究工具呼叫，而不是只在對話裡猜答案

它能做哪些事？

NotebookLM 官方本身已經支援把 PDFs、網站、YouTube、音訊、Google Docs / Slides 等資料作為 sources，並可基於來源回答問題、整理重點與產生不同格式的內容。notebooklm-py 的價值，是把這些能力往自動化方向推進。

工作類型	可能用途	使用時要注意
來源管理	批次匯入 URL、PDF、YouTube、文字檔、Google Drive 資料	NotebookLM 的來源是匯入當下的靜態副本，原始檔後續變更不一定自動同步
來源問答	讓 agent 針對 notebook 裡的資料提問、抽重點、整理差異	問題要具體，並且最好限制來源範圍，避免把不同專案混在一起
內容產出	生成 briefing、study guide、audio overview、slide deck、quiz、flashcards、mind map、infographic 等	這些輸出仍是 AI 產物，發布前要檢查事實、引用與語氣
匯出與下載	把產生的音訊、簡報、表格、心智圖等 artifact 下載到本地流程	先確認格式與授權需求，不要把不該公開的內部資料放進公開內容
多 agent 協作	不同 agent 分別處理研究、摘要、QA、內容草稿	要隔離 profile 或明確指定 notebook ID，避免上下文被互相覆蓋

最實用的技巧：不要只把它當成 API

如果只是把 notebooklm-py 當成「可以呼叫 NotebookLM 的 API」，很容易低估它。比較好的用法，是把它當成一個研究流程的控制器。

先用 PyPI 或指定 release，不要直接追 main branch。 專案的 skill 文件也提醒，main branch 可能包含未發佈變更；要穩定使用，應該用 PyPI release 或特定版本 tag。
驗證 auth 不要只看檔案存在。 專案建議用 notebooklm auth check --test --json，因為只解析 cookie 檔不代表真的還能連上 Google。
自動化時要處理 Cookie 保鮮。 v0.4.1 的重點就是 auth / cookie stability，包含 notebooklm auth refresh、client keepalive 與 refresh command。長時間 agent 或排程工作尤其需要這一層。
多 agent 不要共用隱含 notebook context。 若多個 agent 同時跑，最好明確指定 notebook ID，或用不同 profile / NOTEBOOKLM_HOME 隔離。
把來源清單當成文章品質的一部分。 NotebookLM 的強項是基於來源整理；來源混亂，輸出就會混亂。每個 notebook 應該對應一個明確任務或主題。
讓 NotebookLM 做研究整理，不要讓它直接當最後發布稿。 尤其是要上網站、申請 AdSense 或做公開內容時，仍要有人工編輯、去重、來源檢查與語氣調整。

一個安全的起手式

如果只是要試用，最小可行流程大概會長這樣。真正接進內容產線前，建議先用測試 Google 帳號與不敏感資料跑通。

pip install "notebooklm-py[browser]"
playwright install chromium
notebooklm login
notebooklm auth check --test --json

notebooklm create "AI research test"
notebooklm source add "https://example.com/article"
notebooklm ask "這份資料最值得注意的三個觀察是什麼？"
notebooklm generate mind-map
notebooklm metadata --json

這段流程不需要把它想得太神奇：建立 notebook、放來源、問問題、產生 artifact、匯出 metadata。重點是，這些動作可以被 agent 拆開執行，也可以被記錄、重跑、檢查。

對內容創作者與網站經營者的好處

對 clawhud.com 這類技術型內容站來說，notebooklm-py 最有用的地方，不是讓 AI 自動灌出一篇文章，而是把「文章前置研究」變得可重複。

來源整理更快： 一個主題常常有 GitHub、官方文件、release note、討論串、YouTube 或 blog post。用 NotebookLM 先收進同一個 notebook，可以快速問出差異、版本時間線與重要限制。
文章角度更穩： 不是只摘要一篇來源，而是比較多個來源後找出「為什麼值得寫」。這對避免薄內容很重要。
可以產生輔助素材： mind map、briefing、slide deck、audio overview 這些 artifact 不一定直接貼上網站，但可以幫作者整理結構、做標題發想、準備圖表或社群素材。
適合接進 wp-post 流程： 未來可以讓 wp-post 先呼叫 NotebookLM 做來源整理，再由 LLM 產出原創繁中草稿，最後進 WordPress 草稿與品質門檻。
降低重複勞動： 同一套研究流程可以用在新工具、release note、開源專案、資安事件、WordPress 外掛評測等不同文章。

風險與邊界：這一段不能省

notebooklm-py 的 README 已經把風險講在前面：它使用 undocumented Google APIs，可能因為 Google 內部端點調整而失效。這類工具很適合個人研究、prototype、內部流程與半自動化，但如果要拿來做正式 production pipeline，就要準備 fallback。

穩定性： unofficial API 可能突然壞，版本升級前要先在測試 notebook 跑一次。
帳號安全： Cookie 與 auth 檔案要當成敏感資料處理，不要丟進 GitHub、log 或共享資料夾。
資料權利： NotebookLM 官方文件也提醒使用者避免上傳沒有權利處理的文件；公開文章更要注意來源授權。
輸出驗證： Google 官方 Help 也明確提醒，Audio Overview、Slide Deck 等 AI 產物可能有不準確之處。這些 artifact 可以幫助理解，但不能免除查證。
隱私分級： 個人測試資料、公開資料、公司內部資料應該分開 notebook 與帳號策略，不要把敏感內容混進會公開分享的流程。

我的觀察：Agent 需要的是「可靠工具」，不是更多聊天視窗

NotebookLM 本身的強項，是把來源圈起來後再問問題；agent 的強項，是把任務拆解、執行、驗證與整理。notebooklm-py 站在這兩者中間，所以它真正值得看的不是單一功能多炫，而是它讓「有來源的研究」變成 agent 可以操作的工具。

這也很符合接下來內容站的方向：不是讓 AI 一路自動發布，而是讓 AI 先做好研究、比較與結構整理，再由人決定角度、語氣與是否公開。對 AdSense 型內容來說，這種流程比單純改寫一篇文章健康得多，因為它更容易產出有來源、有判斷、有實際用途的內容。

如果未來把它接進 clawhud.com 的 wp-post 技能，我會把 NotebookLM 放在「研究層」而不是「發布層」：先幫忙收來源、問差異、整理限制，再由 wp-post 負責原創稿、分類、圖片、SEO、WordPress 草稿與品質檢查。這樣比較不會把網站變成自動搬運站，也比較能保留自己的觀察。