CopoHub Trending

teng-lin/notebooklm-py

Unofficial Python API and agentic skill for Google NotebookLM. Full programmatic access to NotebookLM's features—including capabilities the web UI doesn't expose—via Python, CLI, and AI agents like Claude Code, Codex, and OpenClaw.

Python · ★ 14,545 · Fork 2,006 · 在 GitHub 查看

在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→

GitHub Trending 上榜记录

teng-lin/notebooklm-py 已在 GitHub Trending 每日榜单上榜 5 天,最高排名第 10,首次上榜 2026-03-08,最近一次上榜 2026-05-22。

日期排名Star当日增长
2026-05-22#1014,545+186
2026-05-21#1014,342+182
2026-03-10#124,487+457
2026-03-09#124,177+457
2026-03-08#113,672+217

同期上榜的项目

notebooklm-py 项目深度剖析与商业评估报告

notebooklm-py 项目深度剖析与商业评估报告

1. 核心定位与商业落地价值

根本痛点剖析: notebooklm-py 精准击中了当前 AI 应用生态中一个核心矛盾——生成式 AI 的"最后一公里"问题。NotebookLM(现 Gemini Notebook)作为 Google 官方的 RAG 引擎,具备高质量的源引用能力,但其价值被锁定在 Web UI 的封闭交互模式中。该库通过逆向工程未公开的内部 RPC 接口,将这一封闭能力转化为可编程的 Python API、CLI 和 MCP Server,使开发者能够将 NotebookLM 作为"零 token 消耗的合成与记忆层"嵌入到更复杂的自动化工作流中。

商业落地场景矩阵: 企业知识管理(KM):将内部文档库(RFC、架构决策记录、故障工单)转化为可编程查询的"项目大脑",替代自建向量数据库 + Embedding 管线的成本(单租户自建 RAG 基础设施通常需 3-6 个月工程周期,此方案可压缩至天级)。 内容工厂自动化:支持从单一源集批量生成音频播客、视频、幻灯片、测验、闪卡、信息图等多格式产物,显著降低内容团队的多渠道分发成本。 AI Agent 工具链:作为 Claude Code、Codex 等编码代理的"持久化记忆层"和"故障排查 Oracle",解决 LLM 上下文窗口有限导致的遗忘问题。

竞品差异化与护城河: 相较于 LangChain/LlamaIndex 等通用 RAG 框架,notebooklm-py 的护城河在于直接调用 Google 生产级基础设施——无需自建 GPU 集群或向量数据库,即可获得 Gemini 的深度语义理解与引用能力。其独特价值在于 ask --save-as-note + note create 的组合,实现了跨会话的持久化记忆,这是多数开源 RAG 方案难以比拟的(后者需自行维护状态持久化)。此外,其批量导出能力(Quiz/Flashcard 的 JSON/Markdown/HTML、Mind Map 的 JSON 树)在格式丰富度上超越了 Web UI,形成了"数据出口"的差异化壁垒。

2. 核心架构设计与技术深度

模块拆解与分层思想: 仓库采用清晰的分层架构,从 README 可推断其核心模块划分: 传输层(RPC Client):封装对 Google 内部端点(notebooklm.google.com 等)的 HTTP 请求,处理 Cookie 认证、请求签名与响应解析。这是整个库的基石,也是最脆弱的层。 领域服务层(Domain Services):包括 NotebooksService、SourcesService、ChatService、ArtifactsService、MindMapsService 等,每个服务对应 NotebookLM 的一个核心功能域,通过统一的 NotebookLMClient 门面(Facade)暴露给上层。 接口适配层(Interface Adapters):CLI(基于 Typer/Click)、Python Async API、MCP Server(基于 FastMCP 或类似框架)、REST Server(FastAPI)。这一层实现了"一次核心,多端复用"的设计,是工程化成熟度的体现。

核心链路数据流: 以 source add 为例:CLI 命令 → NotebookLMClient.fromstorage() 加载持久化 Cookie → SourcesService.addurl() 构造内部 RPC 请求 → 发送至 Google 端点 → 轮询处理状态(wait=True 时)→ 返回 Source ID。对于生成类任务(如 generate audio),链路变为:提交任务 → 获取 taskid → 通过 waitforcompletion 以指数退避策略轮询任务状态 → 任务完成后通过 download 方法拉取产物。

查看完整 AI 分析 →

在 README 中展示上榜徽章

GitHub Trending

[![GitHub Trending](https://github.fq6825.top/badge/teng-lin/notebooklm-py.svg)](https://github.fq6825.top/repo/teng-lin/notebooklm-py)