NotebookLM 自动化技能
用 Python、CLI 和智能体程序化操作 NotebookLM。
技能明确要求先认证，并披露 storage_state.json、NOTEBOOKLM_AUTH_JSON 是可代表 Google 账户操作的 bearer 凭据，也为破坏性命令设置确认要求；但来源上传、远程服务、动态安装和未公开 API 带来数据流、供应链及外部影响风险，回滚和最小权限说明仍不完整，因此扣分。
安装、认证检查、JSON 输出、并行隔离和常见失败处理写得较具体；但依赖未固定、Google 内部 RPC 可能随时变化，且浏览器安装规则存在面向普通环境与沙箱环境的例外，未提供本文件内可执行复现证据，因此限制在静态评估上限内并扣分。
明确覆盖 CLI、Python API、MCP、沙箱和多种内容生成场景，也定义了显式命令与意图触发；但能力边界和不适用情形仍不够清晰，核心功能依赖 Google NotebookLM 网络服务，未证明中国大陆网络可达性，中文支持仅以语言命令间接体现，因此扣分。
文档包含安装、认证、沙箱、并行、命令速查、JSON 示例和安全警告，结构较完整；但技能本身缺少明确版本兼容策略、维护责任人和更新路径，且大量细节依赖外部文档与动态最新发布标签，因此未给满分。
目标、命令和预期文件格式较明确，覆盖从导入资料到生成及下载的主要流程；但必须依赖 Google 认证、网络服务和异步生成，且本次仅静态阅读，无法确认代表性流程实际产出可直接使用，因此按静态上限保守扣分。
技能提供了结构化输出示例、认证验证条件、错误处理提示和版本标签安装建议，具备一定可审计性；但没有在选定技能文件中提供测试套件、CI 结果或独立复现记录，关键能力主要仍是作者声明，因此扣分。
- 不要把 storage_state.json、NOTEBOOKLM_AUTH_JSON 或其他认证材料提交到仓库、日志或不受信任的沙箱；它们可代表 Google 账户执行操作。
- 上传来源、生成内容和远程 MCP 会将数据发送到 Google 或部署的外部服务，使用前应确认数据合规、账户范围和网络可达性。
- 该技能依赖 Google 未公开接口；版本、RPC 行为、登录流程和生成能力可能突然失效，安装时使用动态 latest release 也会引入变更风险。
- 对 delete、download、generate、save-as-note 等会产生外部影响或本地写入的操作，应在实际代理环境中再次确认权限与目标。
这个 Skill 能做什么，适合哪些场景？
这是一个面向 Google NotebookLM 的非官方 Python API 与 Agent Skill。它支持创建笔记本、导入多种来源、基于来源提问，并生成音频、视频、报告、测验、闪卡、信息图、幻灯片和思维导图等内容。结果可下载为 MP3、MP4、PDF、PPTX、PNG、CSV、JSON、Markdown 和 HTML 等格式。项目使用未公开的 Google API，可能受到接口变更、认证失效和速率限制影响。
通过 Python API、CLI、MCP 或智能体工作流创建和管理 NotebookLM 笔记本；读取 URL、YouTube、PDF、文档、文本、音频、视频、图片和 Google Drive 来源；执行聊天查询与研究任务；生成多种内容制品；读取来源全文；管理笔记、标签和分享权限；将制品下载到本地文件。
- 研究人员将网页、论文、PDF 和 YouTube 内容导入笔记本，进行带引用的问答和综合分析。
- 开发者把 NotebookLM 接入 Claude Code、Codex 或其他智能体，构建可重复的研究流水线。
- 内容团队将同一组资料批量转制为播客、视频、报告、幻灯片、测验和闪卡。
- 运维或支持团队基于产品文档、RFC 和历史工单生成带来源的诊断回答与简报。
- 学习者将课程资料转换为音频概览、测验、闪卡和可下载的学习材料。
这个 Skill 有哪些优点和局限？
- 覆盖笔记本、来源、聊天、研究、笔记、标签、分享和多种制品生成。
- 提供 Python API、CLI、MCP、REST Server 和智能体集成方式。
- 支持批量下载，以及测验、闪卡、思维导图和数据表等结构化导出。
- 支持多账户配置、配置文件隔离和无浏览器的部分自动化场景。
- 使用未公开的 Google API，接口可能随时变化或失效。
- 需要 Google NotebookLM 认证；storage_state.json 和 NOTEBOOKLM_AUTH_JSON 属于可代表账户操作的凭据。
- 音频、视频、测验、闪卡、信息图和幻灯片生成可能受到 Google 速率限制。
- 浏览器登录依赖 Playwright/Chromium；rookiepy 在 Python 3.13 及以上已知可能构建失败。
- 来源中未提供完整的实际测试结果或平台覆盖验证。
如何安装这个 Skill？
安装 Python 包：pip install "notebooklm-py[browser]"。首次使用运行 notebooklm login，然后用 notebooklm auth check --test --json 验证认证。安装技能可运行 notebooklm skill install，也可运行 npx skills add teng-lin/notebooklm-py。从 GitHub 安装时应使用最新 release tag，不要直接安装 main 分支。
如何使用这个 Skill？
先运行 notebooklm login，再创建笔记本并添加来源：notebooklm create "我的研究"、notebooklm source add "https://example.com"。随后可运行 notebooklm ask "总结关键主题"，或使用 notebooklm generate audio "制作一份简洁概览" 生成播客。长时间任务完成后，可用 notebooklm artifact list 查看状态，并用 notebooklm download audio ./podcast.mp3 下载结果。也可向已安装技能的智能体提出“Create a podcast about X”或“Summarize these URLs”等请求。
这个 Skill 与同类方案有什么区别？
相较于 NotebookLM 网页界面，该项目提供程序化、批量和本地导出能力，例如批量下载、测验和闪卡的多格式导出、思维导图 JSON、数据表 CSV、可编辑 PPTX、来源全文读取和程序化分享。