Claude Code + NotebookLM + Obsidian: Das Forschungs-Monster, das mit jeder Nutzung intelligenter wird

Die meisten Menschen betrachten Recherche als manuelle Aufgabe.

Du öffnest 10 Tabs. Du schaust Videos. Du liest Artikel. Du machst dir irgendwo Notizen. Eine Stunde später hast du einen Haufen Informationen, mit denen du nichts anzufangen weißt.

Es gibt einen besseren Weg.

Dies ist eine Schritt-für-Schritt-Anleitung zum Aufbau eines Recherche-Workflows mit Claude Code, NotebookLM und Obsidian, der jedes Thema untersuchen kann – Marktdynamiken, neue Technologien, Krypto-Ökosysteme, Content-Nischen, alles – und mit jeder Nutzung besser wird.

Einrichtungszeit: unter 30 Minuten

Der Stack und warum er funktioniert

Vier Tools. Jedes übernimmt eine andere Ebene des Problems.

• Claude Code – die Ausführungs-Engine. Es führt Befehle aus, ruft Skills auf, verwaltet Dateien und orchestriert die gesamte Pipeline. Du sprichst in einfacher Sprache mit ihm, es erledigt die Arbeit.
• Skill Creator – die Anpassungsebene. Ein Claude Code-Plugin, mit dem du wiederverwendbare Skills in natürlicher Sprache erstellen kannst. Du beschreibst, was du willst, es generiert den Code und installiert den Skill. Keine Programmierkenntnisse erforderlich.
• NotebookLM – die Analyse-Engine. Googles KI-Recherche-Tool, das deine Quellen liest und tiefgehende Analysen, Zusammenfassungen, Infografiken, Karteikarten, Podcast-Skripte und mehr erstellt. Wenn Claude Code die Verarbeitung an NotebookLM auslagert, nutzt es Googles Rechenleistung, nicht deine Claude-Tokens.
• Obsidian – die Gedächtnisebene. Ein lokales, auf Markdown basierendes Wissenssystem, das alles speichert, was der Workflow produziert. Im Laufe der Zeit liest Claude Code diese Dateien und lernt, wie du denkst, was dir wichtig ist und wie du deine Analysen geliefert haben möchtest.

In Kombination: ein Recherchesystem, das auf Befehl arbeitet, Analysen in großem Maßstab durchführt und sich mit der Nutzung verbessert.

Schritt 1: Installiere den Skill Creator

Öffne Claude Code. Stelle sicher, dass du dich in deinem Obsidian-Vault-Ordner befindest – das ist wichtig, damit Obsidian die von Claude Code generierten Dateien aufnimmt.

Führe diesen Befehl aus:

1/plugin

Suche nach skill-creator. Installiere es. Beende Claude Code. Starte Claude Code neu.

Du hast nun die Möglichkeit, jeden beliebigen Skill zu erstellen, indem du ihn in einfacher Sprache beschreibst.

Schritt 2: Erstelle den YouTube-Such-Skill

Dieser Skill ermöglicht es Claude Code, YouTube zu durchsuchen und strukturierte Videodaten abzurufen – Titel, Kanäle, Abonnentenzahlen, Aufrufzahlen, Upload-Daten, URLs und Engagement-Raten.

Führe diesen Befehl in Claude Code aus:

1/skill-creator Ich möchte einen Skill erstellen, der YouTube durchsucht und strukturierte Videoergebnisse zurückgibt.
2Er soll yt-dlp verwenden, um Videos nach einer Suchanfrage zu durchsuchen,
3standardmäßig die Top 20 Ergebnisse zurückgeben und
4Metadaten für jedes Video enthalten – Titel, Kanalname, Abonnenten-
5anzahl, Aufrufzahl, Dauer, Upload-Datum und URL.
6Standardmäßig soll er auf die letzten 6 Monate filtern, aber ein
7--months-Flag unterstützen, um das zu ändern.
8Er soll auch ein Verhältnis von Aufrufen zu Abonnenten
9als Engagement-Metrik berechnen.
10Die Ausgabe soll schön formatiert sein, mit
11Trennern zwischen den einzelnen Ergebnissen und lesbaren Zahlen.

Claude Code wird den Skill generieren, installieren und bestätigen. Dir steht nun /yt-search als Befehl zur Verfügung.

Hinweis: yt-dlp muss auf deinem Rechner installiert sein. Falls du es nicht hast:

Schritt 3: Installiere notebooklm-py

NotebookLM hat keine öffentliche API. Um Claude Code mit NotebookLM zu verbinden, verwenden wir ein Open-Source-Projekt namens notebooklm-py.

Repository: github. com/teng-lin/notebooklm-py

Führe diese Befehle in deinem Terminal aus (nicht in Claude Code – öffne ein separates Terminalfenster):

1pip install notebooklm-py

Authentifiziere dich dann:

1notebooklm login

Ein Browserfenster öffnet sich. Melde dich in deinem Google-Konto an. Fertig. Die Verbindung ist hergestellt.

Schritt 4: Erstelle den NotebookLM-Skill

Jetzt musst du Claude Code beibringen, wie man notebooklm-py verwendet. Führe dies in Claude Code aus:

1/skill-creator erstelle einen Skill, damit wir das
2notebooklm-py-Tool optimal nutzen können. Referenziere das GitHub-Repo unter
3github. com/teng-lin/notebooklm-py und baue
4einen Skill, der: neue Notizbücher erstellen, Quellen hinzufügen
5(YouTube-URLs, Text, Dateien), Analysen für diese Quellen durchführen
6und Ergebnisse liefern kann, darunter Audio-Übersicht,
7Mindmap, Karteikarten und Infografik.

Dies gibt Claude Code einen vollständigen NotebookLM-Skill mit Befehlen für jede Aktion, die NotebookLM unterstützt – bis zu 50 Quellen pro Notizbuch, alle Ergebnistypen.

Schritt 5: Kombiniere alles zu einem Pipeline-Skill

Hier wird der Workflow wirklich leistungsstark.

Anstatt manuell die YouTube-Suche auszuführen, dann die Ergebnisse an NotebookLM zu senden und dann eine Analyse anzufordern – baust du einen Skill, der alles nacheinander auf einen einzigen Befehl hin erledigt.

Führe dies in Claude Code aus:

1/skill-creator Ich möchte einen YouTube-Recherche-Pipeline-
2Skill erstellen, der den yt-search-Skill und den
3NotebookLM-Skill kombiniert. Wenn ich diesen Pipeline-Skill verwende, möchte ich,
4dass er: das, was ich ihm zu recherchieren aufgebe, nimmt, zu YouTube geht und
510 relevante Videos mit dem yt-search-Skill findet, mit dem
6NotebookLM-Skill ein neues Notizbuch erstellt,
7diese Videoquellen zum Notizbuch hinzufügt und dann eine
8Analyse zum Thema auf der Grundlage dessen durchführt, was ich gesagt habe, als
9ich den Skill aufgerufen habe. Frag mich außerdem, ob ich ein
10Ergebnis möchte – NotebookLM kann Karteikarten, Infografiken,
11Mindmaps, Audio-Übersichten erstellen.
12Wenn ich kein Ergebnis angebe, gehe von keinem aus.
13Nach der Analyse bringe mir alles in einer
14Markdown-Datei zurück, die im Vault gespeichert wird, und zeige es
15auch im Chat an. Füge alle YouTube-Such-Metadaten
16in die Ausgabe ein – verwendete Quellen, Aufrufzahlen,
17Kanalnamen, Engagement-Raten.

Den Workflow ausführen

1/yt-pipeline Ich möchte KI-Agenten-Frameworks im Jahr 2026 recherchieren.
2Welche Frameworks werden von Entwicklern tatsächlich übernommen –
3LangGraph, CrewAI, AutoGen, Agno oder etwas anderes?
4Ich möchte verstehen, was die Aufrufe zu diesem Thema antreibt,
5wo es Uneinigkeit in der Community gibt,
6was die Ausreißer sind und welche Blickwinkel noch nicht
7gut abgedeckt wurden. Finde 10 relevante Quellen,
8schiebe sie in ein neues NotebookLM-Notizbuch,
9führe eine vollständige Analyse durch und erstelle eine Infografik,
10die die Landschaft zeigt.

Wenn der Pipeline-Skill installiert ist, sieht eine tatsächliche Recherche-Sitzung so aus.

Das Thema: KI-Agenten-Frameworks. Was 2026 tatsächlich an Fahrt gewinnt, was überbewertet ist und wo die Lücken in der bestehenden Berichterstattung sind.

Claude Code startet die Pipeline. Es ruft den YouTube-Such-Skill auf, findet 10 Videos über Framework-Tutorials, Vergleiche und Entwickler-Meinungen – übergibt die URLs an NotebookLM, erstellt ein Notizbuch, führt eine Analyse durch und fordert eine Infografik an.

Gesamtverarbeitungszeit: etwa 6 Minuten.

Die meiste Zeit davon benötigt NotebookLM für die Verarbeitung auf den Servern von Google – nicht deine Claude-Tokens.

Das Ergebnis kommt zurück als:

1. Eine vollständige Analyse, die abdeckt, welche Frameworks im Aufwind sind vs. stagnieren, worüber sich Entwickler tatsächlich beschweren, Engagement-Ausreißer und inhaltliche Lücken, die noch niemand abgedeckt hat.
2. Eine Infografik, die die KI-Agenten-Framework-Landschaft abbildet.
3. Eine Markdown-Datei, die direkt in deinem Obsidian-Vault gespeichert wird, alles strukturiert und verlinkt – bereit zum Nachschlagen in zukünftigen Recherche-Sitzungen.

Wo Obsidian daraus ein völlig anderes Werkzeug macht

Alles oben Genannte funktioniert als einmalige Recherche-Aufgabe.

Obsidian ist das, was daraus etwas sich Vermehrendes macht.

Jede Markdown-Datei, die der Workflow produziert, landet in deinem Obsidian-Vault. Im Laufe der Zeit wird dein Vault zu einem strukturierten Korpus von allem, was du recherchiert hast – Themen, Quellen, Analysen, Muster, Schlussfolgerungen.

Claude Code kann alle diese Dateien lesen. Es sieht, wie sie verlinkt sind. Es versteht, zu welchen Themen du zurückkehrst, welche Analyse du nützlich fandest, welches Format du bevorzugst.

Die Datei claude.md in deinem Vault ist der Ort, an dem dies explizit wird. Es ist eine Konfigurationsdatei, die Claude Code sagt, wie es mit dir arbeiten soll – deine Konventionen, deine Ausgabepräferenzen, wie du Sachen strukturiert haben möchtest.

Du aktualisierst sie, indem du sagst:

1Können wir claude.md aktualisieren, damit es meinen
2Arbeitsstil, meinen Analyseansatz und meine Ausgabe-
3präferenzen basierend auf unseren letzten Gesprächen besser widerspiegelt?

Claude Code liest die letzte Sitzung, identifiziert deine Muster und aktualisiert die Datei.

Mach das einmal pro Woche. Nach einem Monat kennt der Workflow dich gut genug, dass die Ausgaben dem entsprechen, was du eigentlich willst, ohne ausführliche Aufforderungen.

Nach einem Jahr – wenn du das konsequent machst – hast du ein Recherchesystem, das hunderte von Sitzungen absorbiert hat, deine Denkweise versteht und als trainierter Assistent und nicht als leeres Werkzeug agiert.

Der modulare Punkt, den niemand erwähnt

Die YouTube-Quelle ist nicht der Punkt.

Die Pipeline-Struktur ist der Punkt.

Du kannst YouTube durch jede Datenquelle ersetzen, auf die Claude Code zugreifen kann:

• PDFs – wissenschaftliche Arbeiten, Branchenberichte, Whitepapers
• Öffentliche Webseiten – Nachrichtenartikel, Dokumentationen, Blogbeiträge
• Lokale Dateien – deine eigenen Notizen, exportierte Daten, Transkripte
• Google Drive – Dokumente und Tabellenkalkulationen, die du bereits hast

Die Workflow-Vorlage bleibt gleich. Tausche die Quelle aus, behalte die Struktur.

Recherchiere ein Krypto-Ökosystem anhand von Whitepapers und öffentlicher Dokumentation. Analysiere eine neue Technologie anhand von Konferenzvorträgen auf YouTube. Kartiere eine Content-Nische durch die Analyse dessen, was gut läuft. Untersuche Marktdynamiken anhand öffentlicher Berichte.

Unabhängig vom Anwendungsfall – die Pipeline, die Analyse-Ebene und das Gedächtnissystem bleiben identisch.

Was du am Ende bekommst

Ein Recherchesystem, das:

• Komplette Recherche-Pipelines auf einen einzigen Befehl hin ausführt
• Schwere Analyseaufgaben über NotebookLM an Googles Infrastruktur auslagert
• Strukturierte Ergebnisse erstellt – Infografiken, Mindmaps, Audio, Karteikarten – automatisch
• Jedes Ergebnis in einer lokalen Wissensdatenbank speichert
• Mit der Zeit deine Präferenzen lernt und seine Ausgaben entsprechend verbessert

Die 30-minütige Einrichtung amortisiert sich beim ersten Mal, wenn du es benutzt.