KeyFrame內部研究專用

Claude Cowork + NotebookLM Automated Workflow: Boost Your Productivity 10x

李厂长来了·6月27日週六·11 min中文

三句話摘要

結合 NotebookLM 和 Claude Cowork 建立自動化工作流。 透過自訂 Skill 和 Chrome 插件整合 NotebookLM 與 Claude Cowork,可建立全自動化的資料整理、內容生成與定時任務系統,大幅提升工作與生活效率。 工具互補:NotebookLM 的資料整理與信息圖生成能力強,但每次操作需手動指令;Claude Cowork 則擅長自動化調度與工具串聯,結合兩者才能發揮最大效能。

重點整理

重點
  • 1

    工具互補:NotebookLM 的資料整理與信息圖生成能力強,但每次操作需手動指令;Claude Cowork 則擅長自動化調度與工具串聯,結合兩者才能發揮最大效能。

  • 2

    Skill 與 Chrome 插件:透過自訂 NotebookLM Skill 和安裝 Claude Chrome 插件,Claude Cowork 可直接控制瀏覽器自動登入 NotebookLM、上傳資料、執行操作,無需手動干預。

  • 3

    實戰應用場景:設定專案模板(如「YouTube 轉幻燈片」)後,只需上傳內容即可自動生成;或設定定時任務讓系統每週固定時間抓取最新信息並更新筆記本。

  • 4

    Token 優化策略:設定 Skill 時改為「啟動即結束」而非「等待完整生成」,並優先使用 Sonnet 模型而非 Opus,可大幅降低自動化任務的成本消耗。

實用技巧與重點

乾貨
  • 工具整合:NotebookLM、Claude Cowork、Claude Chrome 插件
  • 安裝方式:Skill 下載後可雙擊自動安裝或透過 Customize → Skills → 上傳
  • Chrome 插件設定:搜尋「Claude Chrome 插件」於 Anthropic Chrome Web Store 安裝;建議選「Block extension」後白名單指定網站(google.com、notebooklm.google.com)
  • 網址設定規則:網址開頭不可含 https,結尾不可含反斜槓,否則識別失敗
  • 實例耗時:信息圖生成約 7 分鐘
  • 定時任務頻率:示例為每週六晚上 5 點
  • 推薦模型:用 Sonnet 做自動化任務,Opus 過度配置
  • 功能列表:自動網研、生成播客、製作幻燈片、製作表格、生成報告、晨間簡報、日程提醒

結論

結論

透過自訂 Skill 和 Chrome 插件整合 NotebookLM 與 Claude Cowork,可建立全自動化的資料整理、內容生成與定時任務系統,大幅提升工作與生活效率。

完整解析

詳細

NotebookLM 和 Claude Cowork 各有其優劣。NotebookLM 是優秀的免費資料整理平台,提供信息圖、幻燈片、音頻、思維導圖等豐富功能,但每項操作都需手動指令,且無法與常用工具打通。相比之下,Claude Cowork 擅長自動化執行與工具串聯,但缺少像 NotebookLM 那樣的資料聚合能力。講者開發了一套中文版 NotebookLM Skill,透過 Claude Chrome 插件實現兩者的無縫整合。

安裝流程簡單直觀。下載 Skill 後可雙擊自動安裝至 Claude Cowork,或手動上傳至 Customize → Skills。關鍵是配置 Chrome 插件的網站白名單,設定時務必遵循正確格式(無 https 前綴、無結尾反斜槓),否則 Claude Cowork 無法識別。安裝完成後,系統會以紅色標記顯示 Claude 正在操作瀏覽器的實時進程。

講者演示了一個實際案例:上傳包含 Codex 功能資料的資料夾,Claude Cowork 自動將文件拖入 NotebookLM、填充描述欄、生成詳細信息圖,全程約 7 分鐘,無需人工干預。更實用的應用包括:設定「YouTube 轉幻燈片」專案,每次粘貼逐字稿即自動刪舊資料、上傳新內容、按品牌色生成幻燈片;或設定定時任務,每週六自動搜集 Claude Cowork 最新消息並更新筆記本。甚至可製作每日晨間簡報,由系統檢查郵箱、查閱日曆、生成音頻摘要。

優化成本也是重要環節。勿讓 Skill 等待內容完全生成,而是在確認操作啟動後即結束,可大幅減少 token 消耗。優先使用 Sonnet 而非 Opus 執行自動化任務,避免過度配置。若發現重複執行相同任務類型,可創建專項專案或 Skill 進一步簡化流程。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。