Technologie

NotebookLM hat endlich ein Skill — 17,2K Sterne Open Source für Forschungsautomatisierung

Autor: NotebookLM.link Redaktion Veröffentlicht 2026-07-10

notebooklm-py macht aus NotebookLM eine CLI und Python-API: Batch-Import/-Export, Claude Code Skill- und MCP-Server-Integration sowie vollständige Automatisierung von Forschungsworkflows.

Dokumente noch einzeln in der Web-UI hochladen und Downloads per Klick? notebooklm-py macht NotebookLM zur CLI — Batch-Import, Batch-Export und KI-Agent-Integration, vollautomatisch.

NotebookLM ist wirklich nützlich: PDFs, Podcasts, Literatur, Folien. Aber die Web-Version bleibt manuell — das wird schnell unbequem.

Batch-Import? Nur einzeln. Ergebnisse herunterladen? Klick für Klick. In Claude Code oder Codex einbinden? Kein fertiger Weg. Forschung automatisieren? Die Web-UI kann das nicht.

Genau hier setzt notebooklm-py an.

Infografik: manuelle NotebookLM-Web-UI vs automatisierter notebooklm-py-CLI-Workflow — Web: Klick für Klick. CLI: ein Befehl für die ganze Pipeline

1. Was ist notebooklm-py?

notebooklm-py ist eine inoffizielle Python-API und Skill-Schicht für NotebookLM. Alle Funktionen als API und CLI — vom Terminal oder aus KI-Agenten aufrufbar.

Das Open-Source-Projekt hat auf GitHub über 17.200 Sterne. Für Forschende und Creator: Schluss mit Einzelklicks.

Terminal: notebooklm-py importiert URLs, PDFs und YouTube und erzeugt einen Podcast — Ein Befehl: importieren, analysieren, Podcast erzeugen

2. Vier Kernfunktionen

Volle NotebookLM-Abdeckung — Notebooks, Sources, Chat, Notes, Research, Sharing: jede Stufe mit API und CLI. URL, YouTube, PDF, Google Drive und mehr als ein Dutzend Quellentypen im Batch.

KI-Agent-Integration — Claude Code Skill, Codex, AGENTS.md inklusive. MCP Server für Claude Desktop, Cursor und Windsurf.

Starke Content-Erzeugung — Audio Overview: 4 Formate, 3 Längen, 50+ Sprachen. Video Overview: 3 Formate, 9 visuelle Stile. Folien, Infografiken, Quiz, Karteikarten, Berichte, Mind Maps und Datentabellen.

Was die Web-UI nicht kann — Artefakte batchweise laden, Quiz/Karteikarten als JSON/Markdown/HTML, Mind Maps als JSON, Folien per Natursprache bearbeiten, Multi-Account-Profile.

3. Praxisbeispiel: ein Befehl für Recherche + Podcast

Vergleiche LangChain, AutoGen und CrewAI mit drei offiziellen Docs, zwei Tech-Blog-PDFs und einem YouTube-Video. Keine Zeit zum Lesen? Erzeuge einen Podcast.

Ein Befehl im Terminal:

Schritt 1: Notebook anlegen und 6 Quellen importieren (3 URLs, 2 PDFs, 1 YouTube)
Schritt 2: Quellen analysieren und Kernpunkte extrahieren
Schritt 3: Vergleich mit Zitaten — LangChain chaint, AutoGen multi-agent, CrewAI orchestriert
Schritt 4: Zehnminuten-Podcast zum Anhören

KI-Podcast-Player mit Cover, Wellenform und Steuerung — Auto-generierter Podcast: Cover, Welle und Wiedergabe bereit

4. Installation in 2 Minuten

CLI und Agenten: uv tool. Python-API: uv add. Agent-Integration: skill install:

uv tool install notebooklm-py[browser]
notebooklm login
otebooklm auth check --test --json

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

Fazit

NotebookLM ist stark, aber manuelle Web-Workflows bremsen das Potenzial. notebooklm-py schließt die Lücke: Batch, Agenten, Forschungsautomatisierung.

Zu viele Quellen, langsame Organisation, zu viele Klicks — zwei Minuten Installation lohnen sich.

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

Zurück zum Blog NotebookLM jetzt nutzen