Hướng dẫn từng bước biến Claude Code thành cỗ máy nghiên cứu đa năng với NotebookLM và Obsidian

Nếu bạn đã từng trầm trồ trước sự bá đạo của Claude Code kết hợp cùng NotebookLM, hay say mê trước giá trị thực tế mà Obsidian mang lại, thì hôm nay tôi sẽ tiết lộ cho bạn một bí mật. Đó là cách kết hợp cả ba công cụ này để tạo ra một workflow nghiên cứu thông tin siêu cấp. Chỉ với chưa đầy 30 phút thiết lập, bạn sẽ biến trợ lý lập trình của mình thành một cỗ máy nghiên cứu đa năng, tự động thu thập, phân tích và hệ thống hóa kiến thức từ mọi nguồn tài liệu.

Mô hình quy trình nghiên cứu tích hợp giữa Claude Code và Obsidian.

Sức mạnh cộng hưởng từ Claude Code, NotebookLM và Obsidian

Vì sao bạn nên tích hợp các công cụ này?

Trong kỷ nguyên AI bùng nổ, việc sở hữu thông tin không còn là lợi thế cạnh tranh nữa, mà khả năng chắt lọc và hệ thống hóa kiến thức mới là điều quyết định. Với sự ra đời của các trợ lý lập trình thế hệ mới, tôi đã chia sẻ về cách khởi động lập trình viên AI với Claude Code giúp bạn trực tiếp gõ lệnh trên terminal để làm việc cực kỳ nhanh chóng.

Tuy nhiên, Claude Code không chỉ mạnh trong việc lập trình. Điểm vượt trội của nó nằm ở cơ chế mở rộng mà tôi từng nhắc tới trong bài viết Claude code và tính năng skills: khi quy trình làm việc của đội ngũ trở thành ‘bộ nhớ’ của AI. Khi bạn tạo ra các skills chuyên biệt, AI sẽ tự động thực hiện các luồng công việc phức tạp thay bạn. Kết hợp với khả năng tổng hợp tài liệu chuyên sâu của NotebookLM và giao diện quản lý tri thức của Obsidian, bạn sẽ tạo dựng được một hệ thống tự động hoàn chỉnh từ khâu thu thập đến lưu trữ.

Ứng dụng thực tế của workflow nghiên cứu đa năng

Hãy tưởng tượng bạn đang cần nghiên cứu một chủ đề công nghệ mới. Thay vì phải thủ công tìm kiếm hàng chục video YouTube, xem và ghi chép lại, workflow này sẽ làm tất cả chỉ với một câu lệnh duy nhất. Hệ thống sẽ:

1. Tự động cào danh sách video YouTube chất lượng nhất về chủ đề yêu cầu.
2. Đẩy các tài liệu, transcript này vào NotebookLM để phân tích chuyên sâu.
3. Sinh ra các sản phẩm đầu ra (deliverables) như sơ đồ, tóm tắt, hoặc kịch bản.
4. Tự động lưu trữ tất cả vào Obsidian dưới dạng file markdown sạch sẽ.

Điều này không chỉ tiết kiệm hàng giờ đồng hồ làm việc của bạn mà còn giúp kiến thức được lưu trữ có hệ thống trong một second brain hướng dẫn toàn diện xây dựng kho tri thức cá nhân với AI. Đây là nền tảng giúp bạn tích lũy kiến thức sâu rộng và không bao giờ lo lắng về việc thất lạc tài liệu.

Giao diện làm việc thực tế của Claude Code kết hợp cùng hệ thống ghi chú Obsidian.

Hướng dẫn chi tiết các bước cài đặt hệ thống

Bước 1: Khởi động Obsidian vault và cài đặt skill creator

Đầu tiên, hãy tạo một thư mục vault mới trong Obsidian. Mở terminal của bạn tại thư mục này và khởi động Claude Code. Để quản lý các kỹ năng tự động hóa dễ dàng hơn, chúng ta cần sử dụng công cụ skill-creator.

Trong giao diện Claude Code, bạn gõ lệnh sau để thêm plugin:

bash
/plugin marketplace add
/plugin install skill-creator

Sau đó, hãy khởi động lại Claude Code để plugin này chính thức hoạt động. Để hiểu rõ hơn về cách phát triển các kỹ năng tự động, hãy xem qua hướng dẫn cách tạo skill cho AI agent trên Antigravity để tự động hóa công việc mà tôi đã từng hướng dẫn chi tiết.

Bước 2: Tạo skill youtube-search để tự động hóa thu thập video

Kỹ năng đầu tiên chúng ta cần tạo là tìm kiếm video trên YouTube theo từ khóa. Thay vì viết code thủ công, bạn chỉ cần gọi skill-creator và ra lệnh bằng tiếng Anh hoặc tiếng Việt:

bash
/skill-creator

Khi được hỏi yêu cầu, hãy nhập prompt sau:

“Tạo một skill tên là ‘youtube-search’ cho phép tôi tìm kiếm video trên YouTube. Sử dụng công cụ yt-dlp để tìm kiếm video theo từ khóa. Trả về kết quả có cấu trúc bao gồm: tiêu đề, URL, kênh, số lượt xem, ngày đăng và mô tả ngắn.”

Hệ thống sẽ tự động tạo file cấu hình cho skill này trong thư mục ẩn .claude/skills/youtube-search.json. Kỹ năng này sử dụng thư viện yt-dlp (một công cụ mã nguồn mở mạnh mẽ) để quét qua công cụ tìm kiếm của YouTube và trả về dữ liệu có cấu trúc.

Bước 3: Cài đặt và cấu hình thư viện kết nối NotebookLM API

Vì NotebookLM của Google chưa có API chính thức dành cho nhà phát triển, chúng ta sẽ sử dụng một thư viện không chính thức được phát triển bởi cộng đồng mã nguồn mở. Hãy mở một terminal mới bên ngoài Claude Code và chạy các lệnh cài đặt sau:

bash
git clone https://github.com/lucas-sa/notebooklm-api.git
cd notebooklm-api
pip install -r requirements.txt
python setup.py install

Sau khi cài đặt thành công, bước quan trọng nhất là đăng nhập để lưu trữ thông tin xác thực (cookie) trên máy của bạn. Chạy lệnh:

bash
notebooklm login

Một cửa sổ trình duyệt sẽ tự động mở ra. Bạn chỉ cần đăng nhập tài khoản Google của mình và đồng ý cấp quyền. Hệ thống sẽ lưu token xác thực cục bộ và bạn chỉ cần làm việc này duy nhất một lần.

Bước 4: Xây dựng skill notebooklm cho Claude Code

Bây giờ, quay lại cửa sổ Claude Code, hãy dùng skill-creator để tích hợp công cụ API vừa cài đặt. Chạy lệnh /skill-creator và nhập prompt mô tả:

“Tạo một skill tên là ‘notebooklm’ cho phép tôi tương tác với NotebookLM API. Skill này phải hỗ trợ: Tạo notebook mới, thêm source (từ file, URL, text, YouTube), tạo các sản phẩm đầu ra (deliverables) như podcast, infographic, slide deck, mindmap, flashcards, FAQ, audio review và trả về kết quả dạng text hoặc file markdown.”

Claude Code sẽ viết mã nguồn kết nối để gọi các tập lệnh từ thư viện notebooklm-api. Điều này giúp bạn có thể gọi trực tiếp các câu lệnh như /notebooklm create my_notebook hoặc /notebooklm deliverable infographic ngay trong chat.

Bước 5: Thiết lập super skill research-pipeline hoàn chỉnh

Đây chính là “trái tim” của workflow này. Chúng ta sẽ kết hợp cả hai kỹ năng trên thành một chuỗi tự động hóa duy nhất. Chạy /skill-creator một lần nữa với yêu cầu:

“Tạo một skill tên là ‘research-pipeline’ kết hợp các skill youtube-search và notebooklm lại với nhau. Skill này sẽ nhận một chủ đề hoặc từ khóa từ người dùng, dùng youtube-search để tìm 5 video liên quan nhất, tự động tạo một notebook mới trong NotebookLM, thêm các video đã tìm được làm source, phân tích tìm xu hướng, điểm chung, khác biệt và khoảng trống kiến thức, tạo infographic tóm tắt và lưu kết quả vào Obsidian vault dưới dạng markdown.”

Khi thiết lập hoàn tất, bạn đã sẵn sàng sở hữu một cỗ máy nghiên cứu thông tin siêu cấp mà không cần chạm tay vào trình duyệt.

Sơ đồ luồng hoạt động tự động hóa từ YouTube qua NotebookLM và lưu về Obsidian.

Cách vận hành và lưu trữ kiến thức bền vững

Hướng dẫn chạy workflow thực tế bằng câu lệnh đơn giản

Để kiểm tra tính hiệu quả của cỗ máy này, bạn chỉ cần mở terminal trong Obsidian vault và gõ:

bash
/research-pipeline "Tìm 5 video hàng đầu về Claude Code và MCP Servers. Phân tích xu hướng, điểm chung, điểm khác biệt và đề xuất nội dung cho video tiếp theo. Tạo một infographic tóm tắt kết quả."

Hệ thống sẽ chạy hoàn toàn tự động trong vài phút. Bạn sẽ thấy các tệp ghi chú mới xuất hiện trực tiếp trong Obsidian vault của mình, chứa đầy đủ các phân tích chuyên sâu, danh sách liên kết nguồn, và cả mã vẽ sơ đồ (infographic) dạng Mermaid cực kỳ trực quan.

Tối ưu hóa bộ não thứ hai trong Obsidian theo thời gian

Việc lưu trữ các ghi chú nghiên cứu này dưới dạng tệp markdown phẳng (plain text markdown) trong Obsidian giúp bạn dễ dàng liên kết các khái niệm lại với nhau. Bạn có thể xem thêm hướng dẫn xây dựng bộ não thứ hai (second brain) hiệu quả cùng bản cập nhật notebooklm mới nhất để biết cách cấu trúc các thư mục ghi chú sao cho khoa học nhất.

Qua thời gian, kho kiến thức của bạn sẽ tự động dày lên. Khi cần viết bài viết hay làm video mới, bạn chỉ cần mở Claude Code và yêu cầu nó quét qua các ghi chú cũ để tìm kiếm ý tưởng. Trợ lý AI sẽ thừa hưởng toàn bộ ngữ cảnh thực tế của bạn để đưa ra những phản hồi sắc bén nhất.

Những câu hỏi thường gặp về workflow nghiên cứu với Claude Code

Làm thế nào để cập nhật danh sách video mới tự động?

Bạn có thể kết hợp thêm thư viện cron hoặc cấu hình lệnh scheduled tasks để chạy workflow này theo tuần. Hệ thống sẽ tự động quét các từ khóa xu hướng và lưu báo cáo vào Obsidian mà không cần bạn phải gõ lệnh thủ công.

Tôi có thể sử dụng các tài liệu PDF cá nhân thay vì video YouTube không?

Hoàn toàn được. Skill notebooklm được thiết kế để nhận đầu vào đa dạng. Bạn chỉ cần sửa tham số đầu vào của lệnh /research-pipeline để trỏ đến thư mục chứa các tệp PDF hoặc tài liệu văn bản trên máy tính của mình. NotebookLM sẽ tự động tải các tài liệu này lên làm nguồn phân tích chính xác.