Claude Code는 강력한 리서치 에이전트지만, 단독으로 사용하면 웹 검색 결과에 의존하는 수준에 머물기 쉽습니다. Chase AI 채널의 영상에서는 Claude Code와 Google NotebookLM을 결합하여 YouTube 자동 스크래핑 → RAG 분석 → 시각화 산출물까지 처리하는 무료 워크플로우를 소개합니다. 이 글은 해당 영상을 바탕으로 전체 파이프라인을 단계별로 정리한 노트입니다.
Sources
전체 워크플로우 개요
이 워크플로우의 핵심은 토큰 소비 없이 대규모 리서치를 수행하는 것입니다. Claude Code는 YouTube URL 수집과 NotebookLM 요청만 담당하고, 실제 분석은 Google NotebookLM 서버에서 이루어집니다.
flowchart LR
subgraph 입력단계["1단계: 소스 수집"]
A["YouTube 검색
(YT-DLP 스크립트)"] --> B["URL 목록 추출
(최대 50개)"]
end
subgraph 분석단계["2단계: RAG 분석"]
C["NotebookLM
노트 생성"] --> D["자막 기반
분석 수행"]
end
subgraph 산출단계["3단계: 결과물 생성"]
E["텍스트 분석"] --> F["시각화 자료
(인포그래픽/슬라이드)"]
end
입력단계 --> 분석단계
분석단계 --> 산출단계
classDef phase1 fill:#4A90D9,stroke:#2E6BA4,color:#fff
classDef phase2 fill:#7BC67E,stroke:#5AA05C,color:#fff
classDef phase3 fill:#E8A838,stroke:#C48A2D,color:#fff
class A,B phase1
class C,D phase2
class E,F phase3주요 장점:
- 무료: NotebookLM은 Google에서 무료로 제공하는 RAG 시스템입니다 (t=30)
- 토큰 절약: 분석이 Claude Code가 아닌 Google 서버에서 수행되어 토큰 소비가 최소화됩니다 (t=580)
- 다양한 산출물: 인포그래픽, 슬라이드 덱, 팟캐스트, 플래시카드 등을 자동 생성합니다 (t=40)
데모: 한 번의 프롬프트로 끝내는 리서치
영상에서 보여주는 데모는 다음과 같은 단일 프롬프트로 실행됩니다:
“Claude Code skills 관련 최신 트렌딩 YouTube 영상을 찾아서 NotebookLM에 업로드하고, Top 5 Claude Code 스킬을 분석한 후 손글씨 블루프린트 스타일의 인포그래픽을 만들어 줘.”
sequenceDiagram
participant User as 사용자
participant CC as Claude Code
participant YT as YouTube
participant NLM as NotebookLM
participant NB as Nano Banana Pro
User->>CC: 단일 프롬프트 입력
CC->>YT: YouTube 검색 스킬 실행
YT-->>CC: 20개 영상 URL 반환
CC->>NLM: NotebookLM 스킬로 소스 업로드
NLM->>NLM: 자막 기반 분석 수행
NLM-->>CC: Top 5 스킬 분석 결과
CC->>NB: 인포그래픽 생성 요청
NB-->>CC: 블루프린트 스타일 인포그래픽
CC-->>User: 최종 결과물 전달실행 결과:
- Claude Code가 YouTube에서 20개 영상 URL을 자동 수집
- NotebookLM에 소스로 업로드 (제목, 크리에이터, 조회수, 재생시간 포함)
- NotebookLM이 Top 5 Claude Code 스킬과 신흥 트렌드 분석
- Nano Banana Pro를 통해 요청한 스타일의 인포그래픽 자동 생성 (t=80)
왜 Claude Code + NotebookLM 조합인가?
이유 1: 분석 비용 제로
기존 방식으로 YouTube 리서치 파이프라인을 구축하려면 다음이 필요합니다:
- 스크래핑 시스템
- RAG 시스템 구축
- 분석 엔진
- 시각화 도구
이 모든 것을 직접 구축하면 시간과 비용이 많이 들고 유지보수가 어렵습니다. 반면 NotebookLM은 이 모든 기능을 무료로 제공합니다 (t=180).
flowchart TD
subgraph 기존방식["기존: 직접 구축"]
A1["스크래핑 시스템"] --> B1["RAG 구축"]
B1 --> C1["분석 엔진"]
C1 --> D1["시각화 도구"]
D1 --> E1["💰 높은 비용 + 복잡한 유지보수"]
end
subgraph 새로운방식["Claude Code + NotebookLM"]
A2["Claude Code"] --> B2["NotebookLM"]
B2 --> C2["🆓 무료 + 간단한 설정"]
end
classDef old fill:#D96B6B,stroke:#B45252,color:#fff
classDef new fill:#7BC67E,stroke:#5AA05C,color:#fff
class A1,B1,C1,D1,E1 old
class A2,B2,C2 new이유 2: Claude Code 생태계와의 통합
NotebookLM만 단독으로 사용해도 되지만, Claude Code와 결합하면 분석 결과를 Claude Code 생태계로 바로 가져올 수 있습니다. 이는 단순히 소스 입력 과정을 자동화하는 것 이상의 가치를 제공합니다 (t=140).
이유 3: API보다 더 많은 기능
NotebookLM-py를 사용하면 웹 UI에서 제공하는 기능 외에도 배치 다운로드, 퀴즈/플래시카드 내보내기 등 추가 기능을 사용할 수 있습니다 (t=400).
설정 가이드: 5분 만에 구축하기
전제 조건
flowchart LR
A["Claude Code 설치"] --> B["Python 환경"]
B --> C["별도 터미널
(2개 필요)"]
C --> D["Chrome 브라우저"]
classDef req fill:#4A90D9,stroke:#2E6BA4,color:#fff
class A,B,C,D reqStep 1: YouTube 검색 스킬 설치
YouTube 검색 스킬은 YT-DLP 의존성을 사용하여 YouTube 메타데이터를 스크래핑합니다 (t=320).
설치 방법 (두 가지 옵션):
- Claude Code에게 구축 요청: “YT-DLP 의존성을 사용해서 YouTube 스크래퍼 스킬을 만들어 줘”
- 스킬 파일 다운로드: Chase AI의 무료 Skool 커뮤니티에서
youtube-search-skill-setup.md파일을 받아 Claude Code에 전달
flowchart TD
A{"설치 방법 선택"}
A -->|"옵션 1"| B["Claude Code에
직접 요청"]
A -->|"옵션 2"| C["Skool 커뮤니티에서
파일 다운로드"]
B --> D["스킬 자동 생성"]
C --> E["파일을 Claude Code에 전달"]
D --> F["YouTube 검색 스킬 완료"]
E --> F
classDef decision fill:#E8A838,stroke:#C48A2D,color:#fff
classDef action fill:#4A90D9,stroke:#2E6BA4,color:#fff
classDef result fill:#7BC67E,stroke:#5AA05C,color:#fff
class A decision
class B,C,D,E action
class F resultStep 2: NotebookLM-py 설치
NotebookLM은 공개 API를 제공하지 않지만, Tang Ling 이 만든 비공식 Python API를 사용할 수 있습니다 (t=300).
설치 명령어 (별도 터미널에서 실행):
# NotebookLM-py 설치
pip install notebooklm-py
# NotebookLM 로그인 (최초 1회만 필요)
notebooklm login
로그인 명령어를 실행하면 Chrome 창이 열리고 Google 계정으로 로그인하면 됩니다. 이 과정은 한 번만 수행하면 됩니다 (t=360).
Step 3: NotebookLM 스킬 설치
NotebookLM 스킬은 Claude Code에게 NotebookLM을 어떻게 사용할지 알려주는 프롬프트 파일입니다.
# 스킬 설치 (터미널에서 실행 또는 Claude Code에 요청)
claude skill add notebooklm
스킬이 포함하는 내용:
- 노트 생성 방법
- 콘텐츠 생성 방법
- 분석 요청 방법
- 산출물 내보내기 방법
실전 사용법: 단계별 실행
1단계: YouTube 소스 수집
YouTube 검색 스킬을 사용하여 원하는 주제의 영상을 찾습니다.
flowchart LR
A["/yt-search 실행"] --> B["query: claude code skills"]
B --> C["count: 20"]
C --> D["결과 확인
(제목/조회수/크리에이터)"]
D --> E{"소스 만족?"}
E -->|"Yes"| F["다음 단계 진행"]
E -->|"No"| G["쿼리 수정"]
classDef action fill:#4A90D9,stroke:#2E6BA4,color:#fff
classDef decision fill:#E8A838,stroke:#C48A2D,color:#fff
classDef result fill:#7BC67E,stroke:#5AA05C,color:#fff
class A,B,C,D action
class E decision
class F result
class G action사용 예시:
- 슬래시 커맨드:
/yt-search query="claude code skills" count=20 - 자연어: “Claude Code 스킬 관련 최신 YouTube 영상 20개를 찾아 줘”
결과로 반환되는 정보:
- 영상 제목
- 크리에이터 이름
- 조회수
- 재생 시간
- 업로드 날짜
- YouTube URL
2단계: NotebookLM에 소스 업로드
수집한 URL을 NotebookLM 노트로 만듭니다.
“이 소스들을 사용해서 ‘Claude Code Skills Analysis’라는 제목의 NotebookLM 노트를 생성해 줘.”
flowchart TD
A["URL 목록 전달"] --> B["NotebookLM 노트 생성"]
B --> C["소스 업로드 시작"]
C --> D["자막 추출 및 처리"]
D --> E["노트 준비 완료
(최대 50개 소스)"]
classDef action fill:#4A90D9,stroke:#2E6BA4,color:#fff
classDef result fill:#7BC67E,stroke:#5AA05C,color:#fff
class A,B,C,D action
class E result주의사항: NotebookLM은 최대 50개 소스까지만 지원합니다 (t=540).
3단계: 분석 요청
노트가 준비되면 NotebookLM에 분석을 요청합니다.
“이 영상들을 바탕으로 NotebookLM이 생각하는 최고의 Claude Code 스킬은 무엇인가?”
핵심 포인트: 모든 분석은 Google 서버에서 수행되므로 Claude Code는 소량의 토큰만 소비합니다. 요청을 보내고 결과를 받아오는 역할만 하기 때문입니다 (t=580).
4단계: 산출물 생성
NotebookLM에서 제공하는 다양한 산출물을 요청할 수 있습니다:
flowchart LR
A["NotebookLM
분석 완료"] --> B["텍스트 분석"]
A --> C["AI 오디오 오버뷰
(팟캐스트)"]
A --> D["마인드맵"]
A --> E["플래시카드"]
A --> F["인포그래픽"]
A --> G["슬라이드 덱"]
classDef source fill:#4A90D9,stroke:#2E6BA4,color:#fff
classDef output fill:#7BC67E,stroke:#5AA05C,color:#fff
class A source
class B,C,D,E,F,G output요청 예시:
- “이 분석을 바탕으로 인포그래픽을 만들어 줘”
- “슬라이드 덱을 생성해 줘”
- “플래시카드로 만들어 줘”
- “AI 오디오 오버뷰를 생성해 줘”
토큰 절약 메커니즘
flowchart LR
subgraph 기존방식["기존: Claude Code 단독"]
direction LR
A1["전체 자막 텍스트"] --> B1["Claude가 분석"]
B1 --> C1["💰 많은 토큰 소비"]
end
subgraph 새로운방식["Claude Code + NotebookLM"]
direction LR
A2["URL만 전달"] --> B2["NotebookLM에서 분석"]
B2 --> C2["결과만 반환"]
C2 --> D2["🆓 최소 토큰 소비"]
end
classDef old fill:#D96B6B,stroke:#B45252,color:#fff
classDef new fill:#7BC67E,stroke:#5AA05C,color:#fff
class A1,B1,C1 old
class A2,B2,C2,D2 new토큰 절약 원리:
- Claude Code는 YouTube URL만 NotebookLM에 전달
- NotebookLM이 자막을 다운로드하고 분석 수행
- 분석 결과만 Claude Code로 반환
- Claude Code는 전체 자막을 처리하지 않음
이 방식으로 수천 페이지 분량의 자막도 처리할 수 있습니다.
활용 시나리오
시나리오 1: 기술 트렌드 리서치
flowchart LR
A["특정 기술 키워드
YouTube 검색"] --> B["Top 20 영상 수집"]
B --> C["NotebookLM 분석"]
C --> D["트렌드 리포트 생성"]
classDef action fill:#4A90D9,stroke:#2E6BA4,color:#fff
classDef result fill:#7BC67E,stroke:#5AA05C,color:#fff
class A,B action
class C,D result시나리오 2: 경쟁사 분석
- 경쟁사 관련 YouTube 영상 수집
- NotebookLM으로 시장 반응 분석
- 인포그래픽으로 시각화
시나리오 3: 학습 자료 정리
- 특정 주제의 교육 영상 수집
- NotebookLM으로 핵심 개념 추출
- 플래시카드로 변환하여 학습
한계점과 주의사항
한계점
- 소스 제한: NotebookLM은 노트당 최대 50개 소스까지만 지원합니다 (t=540)
- 비공식 API: NotebookLM-py는 Google에서 공식 지원하지 않는 비공식 라이브러리입니다
- YouTube 자막 의존: 자막이 없는 영상은 분석할 수 없습니다
주의사항
- 별도 터미널 필요: NotebookLM-py 설치와 로그인은 Claude Code 터미널이 아닌 별도 터미널에서 수행해야 합니다 (t=340)
- 최초 1회 로그인:
notebooklm login명령어로 Google 계정 인증이 필요합니다 - 소스 검증: NotebookLM 분석 결과는 언제든 NotebookLM 웹 UI에서 직접 확인할 수 있습니다
핵심 요약
| 항목 | 내용 |
|---|---|
| 핵심 도구 | Claude Code + NotebookLM-py + YouTube 검색 스킬 |
| 설정 시간 | 약 5분 (t=20) |
| 비용 | 무료 |
| 소스 제한 | 노트당 최대 50개 |
| 주요 산출물 | 텍스트 분석, 인포그래픽, 슬라이드, 팟캐스트, 플래시카드 |
| 토큰 절약 | 분석은 Google 서버에서 수행 |
결론
Claude Code와 NotebookLM의 조합은 무료로 강력한 리서치 파이프라인을 구축할 수 있게 해줍니다. 직접 RAG 시스템을 구축하는 것보다 훨씬 간단하고, 분석 비용도 들지 않습니다. 특히 YouTube 콘텐츠를 기반으로 지식 베이스를 구축하고 싶은 경우, 이 워크플로우는 매우 실용적인 선택입니다.
설정이 간단하고(약 5분), 일단 설정하면 자연어로 모든 작업을 수행할 수 있다는 점이 큰 장점입니다. YouTube 리서치를 자주 수행한다면 이 조합을 꼭 활용해 보시길 권장합니다.