Claude Code + Notebook LM: Forschungs-Stack ohne Token-Kosten
Vor drei Wochen verbrannte ich $4,20 an Claude-API-Tokens und produzierte einen Forschungsbericht voller erfundener Statistiken.
Ich war dabei, eine Pipeline zu entwickeln, um zu verfolgen, welche KI-Fähigkeiten auf YouTube im Trend lagen — was Entwickler tatsächlich unterrichten im Vergleich zu dem, was der Arbeitsmarkt fordert. Der Plan klang solide: Claude Code nutzen, um YouTube zu durchsuchen, Videodaten abzurufen, den Inhalt zu analysieren und einen wöchentlichen Trendbericht zu erstellen. Nach sechs Stunden hatte ich ein wunderschön formatiertes Dokument mit Zitaten zu Videos, die Dinge sagten, die sie nie wirklich gesagt hatten.
Das ist der stille Versagensmodus, vor dem niemand warnt. Claude Code ist außergewöhnlich gut darin, Aufgaben zu orchestrieren und strukturierte Daten zusammenzufassen — aber wenn man es bittet, YouTube-Videoinhalte allein durch das Lesen von Titeln und Beschreibungen zu analysieren, füllt es die Lücken. Selbstsicher. Falsch.
Ich versuchte drei Workarounds. Das Freikontingent der YouTube Data API ist für jedes ernsthafte Forschungsvolumen brutal begrenzt. Bezahlte Transkriptionsdienste waren teuer genug, dass ich den Preistab sofort schloss. Ich versuchte sogar, Claude dazu zu bringen, Videoinhalte aus Metadatensignalen wie Dauer, Kanalautorität und Titelspezifität zu "schlussfolgern". Das produzierte kreative Fiktion.
Was das Problem tatsächlich löste, war etwas, das ich als Spielzeug behandelt hatte: Googles Notebook LM. Konkret die inoffizielle Python-API, die es Claude Code ermöglicht, programmatisch mit Notebook LM zu kommunizieren. Diese Kombination hat meine Herangehensweise an Recherche komplett neu verdrahtet. Die Token-Kosten sanken auf nahezu null. Die Forschungsqualität schoss in die Höhe. Und das gesamte Setup dauerte weniger als eine Stunde.
Hier ist das vollständige System — jedes Skript, jeden Schritt und die eine Fallstrick, die mich zwei Tage kostete herauszufinden.
Warum YouTube die Meistunterschätzte Forschungsquelle in der KI ist
Wenn du gerade irgendetwas im KI-Bereich aufbaust, könnte YouTube wertvoller sein als jeder bezahlte Recherche-Dienst, den du verwendest. Tutorial-Ersteller veröffentlichen ständig neue Inhalte. Aufrufzahlen sind ein direktes Signal für Marktinteresse. Kommentarbereiche sind rohes, ungefiltertes Feedback darüber, was Menschen verwirrt und was sie als Nächstes wollen.
Das Problem ist der Zugang zu diesen Daten in großem Maßstab, ohne die ganze Woche damit zu verbringen, Videos zu schauen.
Manuelle Überprüfung scheidet offensichtlich aus. Selbst bei 2-facher Geschwindigkeit bedeuten fünfzig relevante Videos sechs bis acht Stunden Arbeit — und man würde immer noch Notizen in einem fragmentierten System machen und versuchen, Muster über Dutzende von Erstellern zu synthetisieren. Die offizielle YouTube-API gibt dir Metadaten, aber keine Transkripte, und die täglichen Kontingentgrenzen sind gezielt darauf ausgelegt, jeden ernsthaften Forschungsworkflow zu frustrieren.
Ich verwende Claude Code seit Anfang 2025 für Recherchen. Das Tool ist wirklich gut in der Websuche, Dateiorganisation, beim Ausführen von Skripten und beim Verstehen strukturierter Daten. Aber für YouTube-Videoinhalte — die tatsächlich gesprochenen Wörter in diesen Videos — hat es eine Lücke, die Workarounds nicht sauber lösen.
Genau diese Lücke ist der Platz von Notebook LM.
Notebook LM ist Googles RAG (Retrieval-Augmented Generation) System. Gib ihm Quellen — PDFs, URLs, YouTube-Videolinks — und es baut eine dedizierte Wissensbasis aus dem tatsächlichen Inhalt auf. Für YouTube-Videos ruft es automatisch die Untertitel ab und indexiert sie. Frag es, welche Fähigkeiten die Top-40-KI-Tutorials empfehlen, und es antwortet basierend auf dem, was diese Ersteller tatsächlich gesagt haben, mit spezifischen Zitaten.
Die eigentliche Erkenntnis ist nicht Notebook LM allein. Es geht darum, was passiert, wenn du Claude Codes Orchestrierungsfähigkeiten mit Notebook LMs Verarbeitungsinfrastruktur verbindest. Claude übernimmt die Entscheidungen — welche Videos analysiert werden sollen, welche Fragen gestellt werden sollen, wie die Ausgabe formatiert werden soll. Notebook LM erledigt die schwere Arbeit vollständig auf Googles Servern, kostenlos.
Deine Claude-API-Tokens bleiben fast vollständig unangetastet. Der teure Teil — fünfzig Videotranskripte lesen und Muster darin finden — läuft extern ohne Grenzkosten für dich.
Aber bevor ich dir das Setup zeige, gibt es eine kritische Einschränkung, die alles darüber bestimmt, wie dieses System aufgebaut werden sollte. Ich habe diesen Faden bewusst gelegt — wir kommen im ehrlichen Abschnitt darauf zurück, und es bewahrt dich vor dem Fehler, den ich am zweiten Tag gemacht habe.
Wie der Dreischichtige Stack Tatsächlich Funktioniert
Das Verstehen der Architektur, bevor man Code anfasst, macht die Implementierung offensichtlich. Drei Komponenten. Jede handhabt, worin sie wirklich am besten ist.
Claude Code: Die Orchestrierungsschicht
Claude Codes Aufgabe in diesem Stack ist reine Orchestrierung. Es empfängt deine Forschungsfrage, entscheidet, welche Videos es wert sind zu analysieren, führt Skripte aus, überwacht den Status und formatiert die endgültige Ausgabe. Es liest niemals Videotranscripte direkt — diese Verantwortung wird sofort delegiert.
Das ist die Denkweise, die das gesamte System zum Laufen bringt. Der Instinkt der meisten Menschen ist, alles in das LLM-Kontextfenster zu laden. Für die Transkriptanalyse über Dutzende von Videos ist das die teure falsche Antwort. Claude Code wird am besten als der intelligente Entscheidungsträger eingesetzt, der Arbeit weiterleitet — nicht als der Prozessor, der jede Berechnung selbst durchführt.
YT-DLP: Die Datenerhebungsschicht
YT-DLP ist ein Open-Source-Befehlszeilentool, das YouTube-Metadaten effizient und zuverlässig scrapt. Titel, Kanal, Aufrufzahl, Dauer, Upload-Datum, Beschreibung und die Video-URL — alles, was du brauchst, um intelligent zu filtern, bevor du irgendetwas in Notebook LM hochlädst.
Dieser Filterschritt ist wichtiger als du denkst. Notebook LM begrenzt dich auf 50 Quellen pro Projekt. Wenn du diese Slots mit minderwertigen oder veralteten Videos verschwendest, leidet deine Analyse. YT-DLP ermöglicht dir harte Filter: Mindestaufrufzahl, Datumsbereich, maximale Dauer. Eine benutzerdefinierte Claude Code-Fähigkeit, die auf YT-DLP aufbaut, handhabt dies automatisch.
Notebook LM: Die Analyseschicht
Notebook LM verarbeitet den tatsächlichen Inhalt. Gib ihm YouTube-URLs als Quellen, und es ruft die Untertitel ab, indexiert sie und erstellt eine Wissensbasis, die auf dem basiert, was diese Videos tatsächlich enthalten. Keine Halluzinationen über Inhalte, die es nicht gelesen hat. Keine erfundenen Trends.
Das Deliverable-System ist der Ort, wo Notebook LM seinen Platz in diesem Stack verdient. Neben einfachen Frage-und-Antwort-Funktionen kann es strukturierte Briefing-Dokumente, FAQ-Sammlungen, Studienführer, Lernkartensets und Audio-Übersichten generieren — eine podcastartige KI-generierte Diskussion all deiner Quellen. Für Trendrecherchen ist das Briefing-Dokument am nützlichsten. Für Lernworkflows ist die Audio-Übersicht wirklich interessant.
Tang Ling erstellte die inoffizielle Python-Bibliothek notebooklm-pi, die programmatischen Zugriff ermöglicht. Kein Webbrowser erforderlich. Notizbücher erstellen, Quellen hinzufügen, die Generierung von Deliverables auslösen, Ausgaben herunterladen — alles aus Python-Code, den Claude Code automatisch ausführen kann.
Das ist das vollständige Bild. Lass uns es jetzt aufbauen.
Schritt 1: YT-DLP Installieren und das Setup Validieren
YT-DLP lässt sich über pip installieren und funktioniert sofort ohne Authentifizierung für öffentliche Videos:
pip install yt-dlp
Validiere die Installation, indem du eine Metadatenextraktion für ein beliebiges öffentliches Video ausführst:
yt-dlp --dump-json --no-download "https://www.youtube.com/watch?v=dQw4w9WgXcQ" | python3 -m json.tool | head -40
Du solltest strukturiertes JSON mit Titel, Kanalname, Aufrufzahl, Dauer, Upload-Datum und anderen Metadaten sehen. Wenn das sauber läuft, ist die Datenerhebungsschicht bereit.
Schritt 2: Die Notebook LM API Installieren und Authentifizieren
pip install notebooklm-pi
Nach der Installation über die CLI authentifizieren:
notebooklm-pi login
Dies öffnet ein Browserfenster für Google OAuth. Melde dich mit demselben Google-Konto an, das du mit Notebook LM verwendest. Anmeldeinformationen werden lokal gespeichert, und die Bibliothek handhabt die Token-Aktualisierung automatisch.
Teste die Verbindung, bevor du Workflow-Code schreibst:
from notebooklm_pi import NotebookLM
client = NotebookLM()
notebooks = client.list_notebooks()
print(f"Verbunden. {len(notebooks)} vorhandene Notizbücher gefunden.")
Eine erfolgreiche Verbindung — selbst bei null Notizbüchern — bestätigt, dass die Authentifizierung funktioniert hat. Wenn du einen Auth-Fehler erhältst, melde dich ab und authentifiziere dich erneut:
notebooklm-pi logout
notebooklm-pi login
Schritt 3: Das YouTube-Scraping-Skript Aufbauen
Erstelle youtube_research.py in deinem Projektverzeichnis. Dieses Skript nimmt eine Suchanfrage entgegen und gibt eine gefilterte, gerankte Liste von Video-URLs zurück, die zur Analyse bereit sind:
import subprocess
import json
import sys
from typing import List, Dict
def search_youtube_videos(
query: str,
max_results: int = 60,
min_views: int = 5000,
max_duration_seconds: int = 7200,
published_after: str = "20250101"
) -> List[Dict]:
"""
Search YouTube and return filtered video metadata.
Args:
query: Search query string
max_results: Number of results to fetch before filtering
min_views: Minimum view count to include (filters low-quality content)
max_duration_seconds: Max video length (7200 = 2 hours)
published_after: YYYYMMDD format — filters to recent content
Returns:
List of dicts with url, title, views, duration, channel, uploaded
"""
cmd = [
"yt-dlp",
f"ytsearch{max_results}:{query}",
"--dump-json",
"--no-download",
"--match-filter", f"view_count >= {min_views}",
"--date-after", published_after,
]
result = subprocess.run(cmd, capture_output=True, text=True, timeout=60)
if result.returncode != 0:
print(f"YT-DLP error: {result.stderr}", file=sys.stderr)
return []
videos = []
for line in result.stdout.strip().split('\n'):
if not line:
continue
try:
data = json.loads(line)
duration = data.get('duration', 0) or 0
if duration > max_duration_seconds:
continue
videos.append({
'url': data['webpage_url'],
'title': data.get('title', 'Unknown'),
'channel': data.get('uploader', 'Unknown'),
'views': data.get('view_count', 0),
'duration_mins': round(duration / 60, 1),
'uploaded': data.get('upload_date', 'Unknown'),
})
except (json.JSONDecodeError, KeyError):
continue
# Sort by view count descending, cap at 50 (Notebook LM source limit)
videos.sort(key=lambda x: x['views'], reverse=True)
return videos[:50]
if __name__ == "__main__":
query = sys.argv[1] if len(sys.argv) > 1 else "Claude Code AI development 2025"
results = search_youtube_videos(query)
print(f"\nFound {len(results)} qualifying videos:\n")
for i, v in enumerate(results, 1):
print(f"{i}. {v['title']}")
print(f" Channel: {v['channel']} | Views: {v['views']:,} | {v['duration_mins']} mins")
print(f" URL: {v['url']}\n")
Teste es mit deinem tatsächlichen Forschungsthema:
python3 youtube_research.py "AI agent frameworks tutorial 2025"
Überprüfe die Ausgabe sorgfältig. Dies ist dein Kontrollpunkt — der Moment, in dem du entscheidest, welche Videos tatsächlich in die Analyse gehören, bevor du sie an Notebook LM übergibst. Wenn du irrelevante Ergebnisse siehst, verfeinere deine Anfrage oder erhöhe das Mindestaufrufzahl-Minimum.
Schritt 4: Das Notebook LM Analyse-Skript Aufbauen
Erstelle analyze_with_notebooklm.py. Dieses Skript erstellt ein neues Notebook LM-Projekt, fügt deine gefilterten Videos als Quellen hinzu, wartet auf die Indexierung und generiert dann die Analyse:
from notebooklm_pi import NotebookLM
import time
import sys
def analyze_videos(
video_urls: list,
notebook_title: str,
research_question: str,
output_file: str = "research_output.md"
) -> str:
"""
Creates a Notebook LM project, adds YouTube sources, generates analysis.
Args:
video_urls: List of YouTube video URLs
notebook_title: Name for the Notebook LM project
research_question: The specific analytical question to answer
output_file: Where to save the output
Returns:
Path to the saved output file
"""
client = NotebookLM()
print(f"Creating notebook: {notebook_title}")
notebook = client.create_notebook(title=notebook_title)
print(f"\nAdding {len(video_urls)} video sources...")
failed = []
for i, url in enumerate(video_urls, 1):
try:
client.add_source(notebook.id, url=url)
print(f" [{i}/{len(video_urls)}] Added: {url}")
time.sleep(1.5) # Rate limiting — be gentle with the API
except Exception as e:
print(f" [{i}/{len(video_urls)}] Failed: {url} — {e}")
failed.append(url)
if failed:
print(f"\nWarning: {len(failed)} sources failed to add.")
# Notebook LM needs time to fetch and index video captions
# 3 minutes handles most batches of 30-50 videos reliably
print(f"\nIndexing sources (3 minutes)...")
for i in range(18):
time.sleep(10)
print(f" {(i + 1) * 10}s elapsed...")
print("\nGenerating briefing document...")
briefing = client.generate_briefing(notebook.id)
print("Running targeted analysis...")
targeted = client.query(notebook.id, research_question)
output = f"""# Research Report: {notebook_title}
Generated: {time.strftime('%Y-%m-%d %H:%M')}
Sources analyzed: {len(video_urls) - len(failed)} videos
---
## Briefing Document
{briefing}
---
## Targeted Analysis
**Question:** {research_question}
{targeted}
"""
with open(output_file, "w") as f:
f.write(output)
print(f"\nSaved to: {output_file}")
return output_file
if __name__ == "__main__":
# Replace with URLs from youtube_research.py
urls = [
"https://www.youtube.com/watch?v=EXAMPLE_1",
"https://www.youtube.com/watch?v=EXAMPLE_2",
# Add all your filtered URLs here
]
analyze_videos(
video_urls=urls,
notebook_title="AI Skills Research — March 2026",
research_question=(
"What are the top 10 most-mentioned skills, tools, and frameworks "
"across all video sources? Include specific tool names, programming languages, "
"and any emerging trends multiple creators agree on."
),
output_file="research/ai-skills-march-2026.md"
)
Die 3-minütige Indexierungswartezeit ist bewusst und nicht verhandelbar. Notebook LM braucht diese Zeit, um Untertitel von YouTube abzurufen und sie in seine Wissensbasis zu verarbeiten. Überspringe die Wartezeit und deine Abfragen liefern leere oder ungenaue Ergebnisse — vertrau mir auf mein Wort.
Schritt 5: Alles mit Claude Code Verbinden
Der letzte Schritt ist, Claude Code eine Skill-Datei zu geben, die diese Skripte in einen einzigen, konversationellen Workflow verbindet. Erstelle .claude/skills/youtube-research.md mit Anweisungen, die Claude sagen:
- Ein Forschungsthema und optionale Filter vom Benutzer entgegenzunehmen
youtube_research.pyauszuführen und die gerankte Videoliste anzuzeigen- Für eine optionale Benutzerüberprüfung zu pausieren (du kannst genehmigen, bestimmte Videos ausschließen oder Filter anpassen)
- Die Analyse mit den genehmigten URLs auszuführen
- Die Ausgabe in einem strukturierten
research/-Ordner zu speichern
Sobald die Fähigkeit vorhanden ist, läuft der gesamte Workflow konversationell ab:
Du: Recherchiere trending KI-Agent-Frameworks auf YouTube, letzte 6 Monate
Claude Code: [führt youtube_research.py aus]
43 qualifizierende Videos gefunden. Top-Ergebnisse:
1. "Building Production AI Agents" — 287K Aufrufe — 45 Min
2. "LangGraph vs CrewAI vs AutoGen" — 194K Aufrufe — 38 Min
...
Diese Liste genehmigen oder Filter anpassen?
Du: Sieht gut aus, führe die Analyse durch
Claude Code: [führt analyze_with_notebooklm.py aus]
Notizbuch erstellen... 43 Quellen hinzufügen... Indexieren (3 Min)...
Analyse generieren... Gespeichert in research/ai-agents-march-2026.md
Von der Auslösung bis zur gespeicherten Ausgabe: etwa 25-35 Minuten insgesamt, davon 3 Minuten Leerlauf-Indexierungszeit.
Pro-Tipp: Die API von Notebook LM stellt Funktionalität bereit, die die Weboberfläche verbirgt. Bitte Claude Code, nach der Analyse auch die Generierung von Audio-Übersichten auszulösen — du erhältst dann einen KI-generierten Podcast, der alle 40+ Videos zusammenfasst. Nicht perfekt, aber wirklich nützlich, um Recherchen während des Pendelns zu verarbeiten.
Die Ehrliche Version: Was Ich Falsch Gemacht Habe und Worauf Man Achten Sollte
Hier ist der Teil, den die meisten Tutorials überspringen.
Meine erste Forschungssitzung mit diesem System hatte null Filterung. Ich wies YT-DLP an, die Top-Ergebnisse für meine Suchanfrage ohne Mindestaufrufzahl und ohne Datumsfilter abzurufen. Notebook LM erreichte sein 50-Quellen-Limit mit einer Mischung aus viralem Clickbait, Einsteiger-Tutorials aus 2022 und einigen Videos, die bestenfalls tangential relevant waren. Das Briefing-Dokument, das es generierte, war technisch korrekt bezüglich dieser Quellen — und für meine eigentliche Forschungsfrage fast vollständig nutzlos.
Die Analyse rief immer wieder Verweise auf Tools auf, über die die KI-Gemeinschaft vor achtzehn Monaten hinweggegangen war. Viel Begeisterung für Dinge, die jetzt als Antimuster gelten. Der Datumsfilter und das Mindestaufrufzahl-Minimum sind keine optionalen Optimierungen. Sie sind der Unterschied zwischen Signal und Rauschen.
Zweites Problem: die inoffizielle API. Das ist die, auf die ich zurückzukommen versprochen hatte.
notebooklm-pi ist kein offizielles Google-Produkt. Tang Ling hat es durch Reverse Engineering der internen API-Aufrufe von Notebook LM erstellt. Google hat es nicht sanktioniert, sich nicht verpflichtet, diese Endpunkte stabil zu halten, und könnte die Bibliothek mit jedem Notebook LM-Update kaputtmachen. Ich habe diesen Workflow drei Wochen lang ohne Ausfall betrieben — aber drei Wochen sind keine Erfolgsbilanz. Wenn du das in etwas Kritisches integrierst (ein kundenorientierter automatisierter Bericht, ein geplanter Newsletter, irgendetwas, bei dem ein Ausfall echte geschäftliche Konsequenzen hat), baue einen Fallback ein und überwache das GitHub-Repository der Bibliothek regelmäßig.
Für persönliche Recherchen und interne Projekte? Das Risikoprofil ist akzeptabel. Für Produktionssysteme? Füge einen menschlichen Kontrollpunkt hinzu.
Noch eine ehrliche Sache: die 50-Quellen-Grenze ist eine echte Einschränkung, die dein Forschungsdesign prägt. Du kannst Notebook LM nicht mit "allen KI-YouTube-Inhalten aus 2025" füttern. Du musst vor dem Start spezifisch über deine Frage sein. Ich habe festgestellt, dass diese Einschränkung tatsächlich gesund ist — sie erzwingt Forschungspräzision. Eine straffe, gut gefilterte Frage produziert dramatisch bessere Ausgaben als eine vage, breite Frage.
Wohin das alles führt
Dieses Muster — ein leichtgewichtiger KI-Orchestrator, der teure Verarbeitung an kostenlose externe Infrastruktur weiterleitet — wird definieren, wie kluge Entwickler in den nächsten Jahren KI-Workflows aufbauen. Der Instinkt, alles in das Kontextfenster eines LLMs zu stopfen, ist teuer und oft unnötig.
Der bessere Instinkt ist zu fragen: Welche Teile dieses Workflows erfordern wirklich teure KI-Intelligenz, und welche Teile können an zweckgebundene Infrastruktur delegiert werden? In diesem Stack handhabt Claude Code die strategischen Entscheidungen. Notebook LM handhabt die schwere Berechnung. Die Aufteilung ist klar, und die Kosteneinsparungen sind real.
Das ist kein Workaround. Das ist Architektur.
Wie die Zahlen Tatsächlich Aussehen
Vor diesem Workflow:
- Token-Kosten pro Forschungssitzung: $4-6 an Claude-API-Nutzung
- Zeit bis zur Fertigstellung: 5-6 Stunden einschließlich manueller Videoüberprüfung und Notizsynthese
- Analysierte Videos: 8-12 (die, die ich vernünftigerweise manuell überprüfen konnte)
- Ausgabequalität: Richtungsweisende Erkenntnisse, die ich mit "basierend auf dem, was ich beobachtet habe" abschwächen würde
Nach der Implementierung dieses Stacks:
- Token-Kosten pro Forschungssitzung: $0,10-0,30 (nur Claude Code-Orchestrierung)
- Zeit bis zur Fertigstellung: 25-40 Minuten einschließlich der Indexierungswartezeit
- Analysierte Videos: 40-50 pro Sitzung
- Ausgabequalität: Fundierte Aussagen mit spezifischen Zitaten, welches Video was gesagt hat
Die Qualitätsverbesserung ist der Teil, den ich nicht vollständig erwartet hatte. Wenn ein Forschungsbericht sagt "drei der fünf meistgesehenen Tutorials zu diesem Thema empfahlen explizit Framework X gegenüber Y unter Angabe von Grund Z" — das ist eine Aussage, hinter der ich stehen kann. Die alten Berichte waren Eindrücke. Das hier sind Erkenntnisse.
Der unerwartete Vorteil: Notebook LMs Audio-Übersichtsfunktion verwandelte fünfzig Tutorial-Videos in einen zwanzigminütigen KI-generierten Podcast. Ich hörte mir den ersten bei einem Spaziergang an. Er vereinfacht stellenweise zu sehr, aber für eine Hochlevel-Orientierung zu einem neuen Forschungsthema? Es funktioniert besser als erwartet.
Für meinen spezifischen Anwendungsfall — wöchentliches KI-Fähigkeitentrend-Tracking — läuft der Workflow jetzt nach einem Montag-Zeitplan. Wenn ich mit meinem ersten Kaffee fertig bin, wartet ein neuer Trendbericht in meinem /research-Ordner. Allein die Konsistenz hat verändert, wie ich an Content-Strategie herangehe.
Eine Forschungssitzung Diese Woche
Hier ist, was ich möchte, dass du damit machst: Wähle eine Forschungsfrage, die du aufgeschoben hast, weil sie zu zeitaufwendig wirkte. Marktforschung zu einem Tech-Thema, Wettbewerbsanalyse darüber, was Tutorial-Ersteller in deiner Nische unterrichten, Trend-Tracking für eine Fähigkeitskategorie, über die du schreiben möchtest.
Baue diese Woche eine Iteration dieses Workflows manuell auf. Nicht das vollständige automatisierte System. Eine Sitzung, manuell ausgelöst, mit den Skripten aus diesem Beitrag. Sieh, wie die Ausgabe im Vergleich zu dem abschneidet, was du selbst im gleichen Zeitfenster produzieren würdest.
Ich führte meine erste Sitzung an einem Dienstagnachmittag mit vierzig Minuten zwischen Meetings durch. Die Ausgabe überraschte mich so sehr, dass ich die nächsten zwei Stunden stornierte und damit verbrachte, die Skill-Datei zu erstellen, um es wiederholbar zu machen. Die Evidenz war so klar.
Was als frustrierende Token-Rechnung und ein halluzinierter Bericht begann, endete als etwas, das einem echten Forschungsassistenten näher kommt — einem, der nach seinem eigenen Zeitplan läuft, fast nichts kostet und jede Behauptung in tatsächlichen Videoinhalten verankert.
Claude Codes Intelligenz plus Notebook LMs Verankerung verändert die Qualitätsobergrenze dessen, was mit dieser Art von Recherche möglich ist. Kein Tool allein bringt dich dorthin. Zusammen sind sie ein wirklich andersartiges System.
Baue die erste Version. Führe sie gegen eine echte Frage aus. Dann sag mir, was du findest — ich bin wirklich neugierig, welche Themen die Menschen zuerst erkunden.
🤝 Lass Uns Zusammenarbeiten
Möchtest du KI-Systeme aufbauen, Workflows automatisieren oder deine technische Infrastruktur skalieren? Ich helfe gerne.
- 🔗 Fiverr (individuelle Lösungen & Integrationen): fiverr.com/s/EgxYmWD
- 🌐 Portfolio: mejba.me
- 🏢 Ramlit Limited (Enterprise-Lösungen): ramlit.com
- 🎨 ColorPark (Design & Branding): colorpark.io
- 🛡 xCyberSecurity (Sicherheitsdienste): xcybersecurity.io
