Xây dựng hệ thống research tự học với Claude Code, NotebookLM và Obsidian

TL;DR

• Kết hợp Claude Code + NotebookLM + Obsidian thành một pipeline research tự động, từ query đến infographic mất khoảng 6 phút.

• NotebookLM xử lý phân tích nặng trên server Google - không tốn token Claude.

• Obsidian đóng vai memory layer: càng dùng, hệ thống càng quen với cách bạn suy nghĩ.

• Setup dưới 30 phút, không cần viết code tay.

Tại sao research thủ công không còn hiệu quả

Quy trình research thông thường trông giống thế này: mở 10 tab, xem vài video, đọc bài, ghi chú lung tung. Một tiếng sau bạn có một đống thông tin không biết làm gì. Quan trọng hơn, mọi thứ bắt đầu từ đầu cho lần sau.

Vấn đề không phải thiếu công cụ - mà là các công cụ không kết nối với nhau và không nhớ gì về bạn. Đây là lý do tại sao cách tiếp cận pipeline bên dưới lại khác biệt.

Stack và lý do nó hoạt động

Bốn công cụ, mỗi cái phụ trách một layer riêng:

Bốn công cụ trong pipeline, mỗi tool xử lý một layer của bài toán research.

• Claude Code - execution engine. Nhận lệnh ngôn ngữ tự nhiên, điều phối toàn bộ pipeline.

• Skill Creator - customization layer. Plugin cho phép tạo skill bằng cách mô tả bằng lời, không cần code.

• NotebookLM - analysis engine. Đọc nguồn, tổng hợp, tạo infographic/podcast/flashcard. Quan trọng: chạy trên compute của Google, không tốn token Claude.

• Obsidian - memory layer. Lưu mọi output thành file Markdown. Claude đọc vault này và học cách bạn làm việc theo thời gian.

5 bước cài đặt - dưới 30 phút

Bước 1: Cài Skill Creator

Mở Claude Code trong thư mục Obsidian vault của bạn (quan trọng - để Obsidian nhận file được tạo ra). Chạy lệnh /plugin, tìm skill-creator, cài rồi restart Claude Code.

Skill Creator trong plugin store của Claude Code - 128K installs, 4.9 sao.

Bước 2: Tạo YouTube Search Skill

Dùng Skill Creator tạo skill tìm kiếm YouTube qua yt-dlp. Mô tả bằng lời là đủ - Claude Code tự sinh code và cài skill. Skill này kéo về metadata: title, channel, view count, subscriber count, engagement ratio, upload date.

Bước 3: Kết nối NotebookLM

NotebookLM không có public API nên cần wrapper open-source. Cài qua terminal (không phải trong Claude Code):

pip install notebooklm-py
notebooklm login

Lệnh notebooklm login mở trình duyệt để xác thực Google. Xong một lần là dùng được mãi.

Cài notebooklm-py và xác thực Google OAuth - quá trình chỉ mất vài phút.

Bước 4: Tạo NotebookLM Skill

Dùng Skill Creator để dạy Claude Code cách dùng notebooklm-py: tạo notebook, thêm nguồn (YouTube URL, text, file), phân tích, generate deliverables (audio overview, mindmap, flashcard, infographic). Mỗi notebook chứa được tối đa 50 nguồn.

Bước 5: Kết hợp thành Pipeline Skill

Đây là bước biến hai skill độc lập thành một lệnh duy nhất. Dùng Skill Creator mô tả: khi nhận query, tìm 10 video YouTube, tạo notebook NotebookLM, thêm video vào, chạy phân tích, hỏi user có cần deliverable không (infographic, mindmap, audio). Kết quả trả về dưới dạng Markdown lưu vào vault.

Chạy pipeline thực tế

Sau khi cài xong, một session research thực tế trông như thế này:

/yt-pipeline Tôi muốn research AI agent frameworks năm 2026.
LangGraph, CrewAI, AutoGen hay framework nào đang được developer thực sự dùng?
Tìm 10 nguồn, tạo notebook, chạy phân tích đầy đủ, tạo infographic.

Claude Code gọi YouTube search skill, tìm 10 video (tutorial, comparison, developer take), chuyển URL sang NotebookLM, tạo notebook, chạy phân tích, yêu cầu infographic. Tổng thời gian: khoảng 6 phút - phần lớn là NotebookLM xử lý trên server Google.

Toàn bộ pipeline /yt-pipeline từ query đến Obsidian vault - 4 bước, tự động hoàn toàn.

Kết quả trả về:

• Phân tích đầy đủ: framework nào đang tăng trưởng, framework nào đang ổn định, điểm khác biệt

• Infographic mapping landscape

• File Markdown lưu thẳng vào Obsidian vault với nguồn, view count, engagement ratio

Output thực tế: pipeline steps + infographic AI Agent Frameworks - phần lớn thời gian là NotebookLM xử lý trên Google servers.

Obsidian: lý do hệ thống này khác biệt

Không có Obsidian, đây chỉ là công cụ research một lần. Với Obsidian, nó trở thành hệ thống tích lũy.

Mọi file Markdown từ pipeline đều lưu vào vault. Claude Code đọc các file này và học: topic nào bạn hay quay lại, format output nào bạn dùng, kiểu phân tích nào bạn thấy hữu ích.

File CLAUDE.md ở root vault là nơi biến điều này thành rõ ràng - một config file mô tả cách Claude Code làm việc với bạn. Cập nhật mỗi tuần bằng cách nói với Claude: "Đọc các session gần đây và update CLAUDE.md theo phong cách làm việc hiện tại của tôi."

• Sau 1 tháng - workflow đủ quen để output khớp với expectation không cần prompt dài

• Sau 1 năm - hệ thống đã absorbed hàng trăm sessions, trained theo thinking style của bạn

Một vài điều cần biết trước khi bắt đầu

Pipeline này mạnh nhưng có một số điểm cần lưu ý để không mất thời gian:

• notebooklm-py là wrapper không chính thức - NotebookLM chưa có public API. Nếu Google thay đổi backend, wrapper có thể break.

• Setup thực tế mất hơn 30 phút nếu gặp lỗi - đặc biệt với bước config MCP hoặc xác thực Google. Claude Code có thể guide qua nếu báo lỗi cụ thể.

• Token cost vẫn có - Claude Code làm orchestrator nên vẫn tiêu token, chỉ là ít hơn đáng kể so với xử lý toàn bộ trong Claude.

• Cần cập nhật CLAUDE.md định kỳ - hệ thống không tự học hoàn toàn, cần input chủ động từ user.

YouTube chỉ là điểm bắt đầu

Pipeline modular: YouTube là nguồn mặc định nhưng thay được bằng bất kỳ dạng dữ liệu nào Claude Code có thể access.

Điểm hay nhất của thiết kế này là tính modular. YouTube chỉ là nguồn mặc định. Thay bằng:

• PDF - academic papers, industry reports, whitepapers

• Web pages - articles, documentation, blog posts

• Local files - notes của bạn, exported data, transcripts

• Google Drive - documents và spreadsheets

Pipeline, analysis layer, và memory system giữ nguyên. Chỉ đổi input source.

Nên bắt đầu từ đâu

Nếu bạn đang dùng NotebookLM và Claude riêng lẻ, pipeline này sẽ tiết kiệm đáng kể thời gian chỉ từ việc loại bỏ bước chuyển tab. Nếu chưa dùng Obsidian, đây là lý do tốt để bắt đầu - lợi thế memory layer chỉ phát huy sau vài tuần dùng nhất quán via @monokern