Claude Code + NotebookLM + Obsidian : Le monstre de recherche qui devient plus intelligent à chaque utilisation

La plupart des gens considèrent la recherche comme une tâche manuelle.

Vous ouvrez 10 onglets. Vous regardez des vidéos. Vous lisez des articles. Vous prenez des notes quelque part. Une heure plus tard, vous avez un tas d'informations dont vous ne savez pas quoi faire.

Il existe une meilleure façon.

Ceci est un guide étape par étape pour construire un flux de travail de recherche utilisant Claude Code, NotebookLM et Obsidian, capable d'étudier n'importe quel sujet – dynamiques de marché, technologies émergentes, écosystèmes crypto, niches de contenu, etc. – et qui devient plus performant à chaque utilisation.

Temps de configuration : moins de 30 minutes

La Stack et Pourquoi Ça Marche

Quatre outils. Chacun gère une couche différente du problème.

• Claude Code – le moteur d'exécution. Il exécute des commandes, appelle des compétences, gère les fichiers et orchestre l'ensemble du pipeline. Vous lui parlez en langage naturel, il fait le travail.
• Skill Creator – la couche de personnalisation. Un plugin Claude Code qui vous permet de créer des compétences réutilisables en langage naturel. Vous décrivez ce que vous voulez, il génère le code et installe la compétence. Aucune programmation requise.
• NotebookLM – le moteur d'analyse. L'outil de recherche IA de Google qui lit vos sources et génère des analyses approfondies, des résumés, des infographies, des fiches de révision, des scripts de podcast, et plus encore. Lorsque Claude Code délègue le traitement à NotebookLM, il utilise les ressources de calcul de Google, pas vos tokens Claude.
• Obsidian – la couche mémoire. Un système de connaissances local basé sur le Markdown qui stocke tout ce que le flux de travail produit. Au fil du temps, Claude Code lit ces fichiers et apprend comment vous pensez, ce qui vous importe, et comment vous souhaitez que votre analyse soit présentée.

Ensemble : un système de recherche qui s'exécute sur commande, analyse à grande échelle et s'améliore avec l'usage.

Étape 1 : Installer le Skill Creator

Ouvrez Claude Code. Assurez-vous d'être dans le dossier de votre coffre Obsidian – c'est important pour qu'Obsidian puisse récupérer les fichiers générés par Claude Code.

Exécutez cette commande :

1/plugin

Recherchez skill-creator. Installez-le. Quittez Claude Code. Redémarrez Claude Code.

Vous avez désormais la capacité de créer n'importe quelle compétence en la décrivant en langage naturel.

Étape 2 : Créer la Compétence de Recherche YouTube

Cette compétence permet à Claude Code de rechercher sur YouTube et d'extraire des données vidéo structurées – titres, chaînes, nombre d'abonnés, nombre de vues, dates de publication, URL et ratios d'engagement.

Exécutez cette commande dans Claude Code :

1/skill-creator Je veux créer une compétence qui recherche
2sur YouTube et renvoie des résultats vidéo structurés.
3Elle doit utiliser yt-dlp pour rechercher des vidéos par requête,
4renvoyer les 20 premiers résultats par défaut, et inclure
5les métadonnées pour chaque vidéo – titre, nom de la chaîne, nombre
6d'abonnés, nombre de vues, durée, date de publication et URL.
7Elle doit filtrer sur les 6 derniers mois par défaut mais prendre en charge
8un indicateur --months pour modifier cela.
9Elle doit également calculer un ratio vues/abonnés
10comme métrique d'engagement.
11La sortie doit être joliment formatée avec
12des séparateurs entre chaque résultat et des nombres lisibles.

Claude Code générera la compétence, l'installera et confirmera. Vous avez désormais \/yt-search\ disponible comme commande.

Remarque : yt-dlp doit être installé sur votre machine. Si vous ne l'avez pas

Étape 3 : Installer NotebookLM-py

NotebookLM n'a pas d'API publique. Pour connecter Claude Code à NotebookLM, nous utilisons un projet open source appelé **notebooklm-py*.

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

Exécutez ces commandes dans votre terminal (pas dans Claude Code – ouvrez une fenêtre de terminal séparée) :

1pip install notebooklm-py

Ensuite, authentifiez-vous :

1notebooklm login

Une fenêtre de navigateur s'ouvrira. Connectez-vous à votre compte Google. Terminé. La connexion est établie.

Étape 4 : Créer la Compétence NotebookLM

Vous devez maintenant apprendre à Claude Code comment utiliser notebooklm-py. Exécutez ceci dans Claude Code :

1/skill-creator crée une compétence pour que nous puissions utiliser au mieux
2l'outil notebooklm-py. Référencez le dépôt GitHub à
3github. com/teng-lin/notebooklm-py et construisez
4une compétence qui peut : créer de nouveaux notebooks, ajouter des sources
5(URL YouTube, texte, fichiers), exécuter une analyse sur ces sources,
6et générer des livrables incluant un aperçu audio,
7une carte mentale, des fiches de révision et une infographie.

Cela donne à Claude Code une compétence NotebookLM complète avec des commandes pour chaque action prise en charge par NotebookLM – jusqu'à 50 sources par notebook, tous les types de livrables.

Étape 5 : Tout Combiner en une Seule Compétence de Pipeline

C'est là que le flux de travail devient vraiment puissant.

Au lieu d'exécuter manuellement la recherche YouTube, puis d'envoyer les résultats à NotebookLM, puis de demander une analyse – vous construisez une seule compétence qui fait tout cela en séquence sur une seule commande.

Exécutez ceci dans Claude Code :

1/skill-creator Je veux créer une compétence de pipeline de recherche YouTube
2qui combine la compétence yt-search et la
3compétence NotebookLM. Lorsque j'utilise cette compétence de pipeline, je veux
4qu'elle : prenne ce que je lui ai dit de rechercher, aille sur YouTube et
5trouve 10 vidéos pertinentes en utilisant la compétence yt-search, utilise
6la compétence NotebookLM pour créer un nouveau notebook,
7ajoute ces sources vidéo au notebook, puis effectue une
8analyse sur le sujet en fonction de ce que j'ai dit lorsque
9j'ai invoqué la compétence. De plus, demandez-moi si je veux
10un livrable – NotebookLM peut créer des fiches de révision,
11des infographies, des cartes mentales, des aperçus audio.
12Si je ne spécifie pas de livrable, supposez qu'il n'y en a pas.
13Après l'analyse, ramenez-moi tout dans un
14fichier Markdown enregistré dans le coffre, et affichez-le
15également dans le chat. Incluez toutes les métadonnées de recherche YouTube
16dans la sortie – sources utilisées, nombre de vues,
17noms des chaînes, ratios d'engagement.

Exécution du Flux de Travail

1/yt-pipeline Je veux rechercher les frameworks d'agents IA en 2026.
2Quels frameworks les développeurs adoptent-ils réellement –
3- LangGraph, CrewAI, AutoGen, Agno, ou autre chose ?
4Je veux comprendre ce qui génère des vues sur ce sujet,
5où se situent les désaccords dans la communauté,
6quelles sont les valeurs aberrantes, et quels angles n'ont pas
7encore été bien couverts. Trouvez 10 sources pertinentes,
8poussez-les vers un nouveau notebook NotebookLM,
9exécutez une analyse complète, et générez une infographie
10montrant le paysage.

Avec la compétence de pipeline installée, voici à quoi ressemble une session de recherche réelle.

Le sujet : Frameworks d'agents IA. Ce qui gagne réellement du terrain en 2026, ce qui est surfait, et où se situent les lacunes dans la couverture existante.

Claude Code démarre le pipeline. Il appelle la compétence de recherche YouTube, trouve 10 vidéos couvrant des tutoriels, des comparaisons et des avis de développeurs – transmet les URL à NotebookLM, crée un notebook, exécute une analyse et demande une infographie.

Temps de traitement total : environ 6 minutes.

La majeure partie de ce temps est consacrée au traitement par NotebookLM sur les serveurs de Google – pas à vos tokens Claude.

Le résultat revient sous la forme :

1. Une analyse complète couvrant les frameworks en hausse par rapport à ceux qui stagnent, ce dont les développeurs se plaignent réellement, les valeurs aberrantes en termes d'engagement, et les lacunes de contenu que personne n'a encore comblées.
2. Une infographie cartographiant le paysage des frameworks d'agents IA.
3. Un fichier Markdown enregistré directement dans votre coffre Obsidian, avec tout structuré et lié – prêt à être référencé lors de futures sessions de recherche.

Là Où Obsidian en Fait un Outil Totalement Différent

Tout ce qui précède fonctionne comme une tâche de recherche ponctuelle.

Obsidian est ce qui le transforme en quelque chose qui s'accumule.

Chaque fichier Markdown que le flux de travail produit atterrit dans votre coffre Obsidian. Au fil du temps, votre coffre devient un corpus structuré de tout ce que vous avez recherché – sujets, sources, analyses, modèles, conclusions.

Claude Code peut lire tous ces fichiers. Il voit comment ils sont liés. Il comprend les sujets auxquels vous revenez, les analyses que vous avez trouvées utiles, le format que vous préférez.

Le fichier \claude.md\ dans votre coffre est l'endroit où cela devient explicite. C'est un fichier de configuration qui indique à Claude Code comment travailler avec vous – vos conventions, vos préférences de sortie, comment vous voulez que les choses soient structurées.

Vous le mettez à jour en disant :

1Pouvons-nous mettre à jour claude.md pour qu'il reflète mieux
2mon style de travail, mon approche d'analyse et mes préférences
3de sortie en fonction de nos dernières conversations ?

Claude Code lit la session récente, identifie vos modèles et met à jour le fichier.

Faites cela une fois par semaine. Après un mois, le flux de travail vous connaît suffisamment bien pour que les sorties commencent à correspondre à ce que vous voulez réellement, sans avoir à faire de longues invites.

Après un an – si vous le faites de manière cohérente – vous avez un système de recherche qui a absorbé des centaines de sessions, comprend votre style de pensée et fonctionne comme un assistant formé plutôt que comme un outil vierge.

Le Point Modulaire Que Personne Ne Mentionne

La source YouTube n'est pas le point central.

La structure du pipeline est le point central.

Vous pouvez remplacer YouTube par n'importe quelle source de données à laquelle Claude Code peut accéder :

• PDFs – articles académiques, rapports sectoriels, livres blancs
• Pages web publiques – articles de presse, documentation, articles de blog
• Fichiers locaux – vos propres notes, données exportées, transcriptions
• Google Drive – documents et feuilles de calcul que vous possédez déjà

Le modèle de flux de travail reste le même. Échangez la source, conservez la structure.

Recherchez un écosystème crypto en utilisant des livres blancs et de la documentation publique. Analysez une technologie émergente en utilisant des conférences sur YouTube. Cartographiez une niche de contenu en analysant ce qui fonctionne. Étudiez les dynamiques de marché en utilisant des rapports publics.

Quel que soit le cas d'utilisation – le pipeline, la couche d'analyse et le système de mémoire restent identiques.

Ce Que Vous Obtenez au Final

Un système de recherche qui :

• Exécute des pipelines de recherche complets sur une seule commande
• Délègue les analyses lourdes à l'infrastructure de Google via NotebookLM
• Produit des livrables structurés – infographies, cartes mentales, audio, fiches de révision – automatiquement
• Sauvegarde chaque résultat dans une base de connaissances locale
• Apprend vos préférences au fil du temps et améliore ses sorties en conséquence

La configuration de 30 minutes est rentabilisée dès la première utilisation.