1实现原理 · 为什么它能做到
用 patchright（Playwright 的反检测分支）启动**真实 Chrome 的持久化用户目录**，而不是临时浏览器实例——这是它能在多次调用间保持『已登录』的基础。
scripts/browser_utils.py
channel="chrome", # Use real Chrome
注：同一次调用传入 user_data_dir=user_data_dir、ignore_default_args=["--enable-automation"]、user_agent=USER_AGENT、args=BROWSER_ARGS；profile 目录为 <skill>/data/browser_state/browser_profile（config.py 的 BROWSER_PROFILE_DIR）。
认证阶段打开可见浏览器等人工登录，然后把 cookies + localStorage 落盘成 state.json——整条链路的凭证就是这份文件，不是 API key。
scripts/auth_manager.py
context.storage_state(path=str(self.state_file))
注：state_file = <skill>/data/browser_state/state.json（config.py:13）；登录等待靠 URL 正则 + 10 分钟超时（LOGIN_TIMEOUT_MINUTES = 10）。
运行时把 state.json 里的 cookies 手工注入浏览器上下文，用来绕过 Playwright『session cookie 不写入 user_data_dir』的已知缺陷。
scripts/browser_utils.py
context.add_cookies(state['cookies'])
注：launch_persistent_context 内部固定调用 _inject_cookies；读取失败只打印告警不中断。AUTHENTICATION.md 的代码示例里把这一步标注为 `# ← Workaround for session cookies!`。
每次提问都是『一问一浏览器』：新建页面 → 打开用户给的 notebook URL → DNS 级白名单等待（只允许回到 notebooklm.google.com 域，用于确认没被踢到登录页）。
scripts/ask_question.py
page.goto(notebook_url, wait_until="domcontentloaded")
注：紧接 page.wait_for_url(re.compile(r"^https://notebooklm\.google\.com/"), timeout=10000)；SKILL.md 与 README 都自述 'Each question opens a fresh browser session'，超时上限 120s（QUERY_TIMEOUT_SECONDS = 120）。
问题文本用『人化输入』逐字符敲进 textarea，选择器三级回退（含德语 aria-label），输入框定位失败则整条链路失败。
scripts/config.py
"textarea.query-box-input", # Primary
注：回退项为 'textarea[aria-label="Feld für Anfragen"]'（德语文案）与 'textarea[aria-label="Input for queries"]'（英文）；实际提交是键盘 Enter。
取答案靠轮询稳定性判定：等 `div.thinking-message` 消失，取响应容器最后一个元素的文本，需连续多次相同才认为回答结束。
scripts/ask_question.py
thinking_element = page.query_selector('div.thinking-message')
注：响应容器选择器为 `.to-user-container .message-text-content`（config.py:25），取 elements[-1].inner_text().strip() 后要求 stable_count >= 3 且未超过 120s deadline。
脚本在答案文本后强制拼接一段面向 Claude 的祈使句再返回 stdout，形成『必须继续追问』的闭环。
scripts/ask_question.py
return answer + FOLLOW_UP_REMINDER
注：FOLLOW_UP_REMINDER 自述来源是改自 MCP server 的 stateless 版本；SKILL.md 的 Follow-Up Mechanism 章节进一步规定 Claude 必须 STOP / ANALYZE / IDENTIFY GAPS / ASK FOLLOW-UP。
run.py 是官方唯一推荐入口：缺 .venv 时先用系统 Python 跑 setup_environment.py 自举，再用 venv 解释器执行目标脚本。
scripts/run.py
result = subprocess.run([sys.executable, str(setup_script)])
注：随后 cmd = [str(venv_python), str(script_path)] + script_args 并 subprocess.run(cmd)；setup_environment.py 内执行 `pip install -r requirements.txt` 与 `python -m patchright install chrome`。
notebook 库是纯本地 JSON 元数据（url/name/description/topics/use_count），没有向量库或内容缓存——『接地』实际发生在 Google 侧，不在本地。
scripts/notebook_manager.py
self.library_file = self.data_dir / "library.json"
注：data_dir 由 Path(__file__).parent.parent / 'data' 推导；_save_library 用 json.dump(data, f, indent=2) 落盘。
2核心能力
01向指定 NotebookLM notebook 提问并取回 Gemini 的回答文本
02Google 登录一次后长期复用（持久化 profile + state.json cookie 注入）
03多 notebook 库管理（增/删/检索/激活/统计，存本机 library.json）
04环境自举：自建 .venv、装依赖、下载 Chrome 二进制
05反检测交互（逐字符输入 + 随机延时 + 关闭自动化特征）
06本机数据清理（可保留 library，且永不删除 .venv）
3外部依赖
| 类型 | 依赖 |
|---|---|
| network | Google NotebookLM 站点（浏览器自动化目标） |
| network | 提问页 URL 白名单校验（确认未被重定向去登录） |
| network | Google 账号登录态判定（字符串检测，非主动请求） |
| package | patchright（Playwright 反检测分支，浏览器自动化核心） |
| package | python-dotenv（声明为依赖，但代码从未使用） |
| cli | pip 安装依赖（走默认 PyPI） |
| cli | 下载安装 Google Chrome 二进制 |
| cli | 另一条安装路径装的是 chromium（与上一条不一致） |
4风险提醒 风险提醒：红色 · 谨慎使用
风险提醒：红色 · 谨慎使用
- 凭证以明文文件形态落盘，且是完整 Google 会话 cookie — data/browser_state/state.json 由 `context.storage_state()` 写出，包含 cookies 与 localStorage；运行期又被 add_cookies 读回注入。文件权限依赖本机 umask，无加密、无过期策略；任何能读该目录的进程（含同机其它 agent 会话）都可复用你的 Google 登录态。
- 刻意规避自动化识别 + 关闭浏览器沙箱 — 启动参数含 `--disable-blink-features=AutomationControlled`（注释直书 Patches navigator.webdriver）与 `--no-sandbox`，依赖为反检测分支 patchright。这既可能违反目标站点的自动化条款，也意味着浏览器进程在没有沙箱隔离的情况下加载不可信网页内容。
- 首次运行即自动安装与下载（供应链面） — scripts/__init__.py 在导入期执行 `ensure_venv_and_run()`：建 venv、`pip install -q -r requirements.txt`、下载 Chromium；依赖只有版本 pin、无 hash 校验，且 run.py 会以 venv 解释器执行传入的任意脚本路径。
- 外部网页文本未经边界声明即进入模型上下文 — `return answer + FOLLOW_UP_REMINDER` 把 NotebookLM 页面纯文本原样交给宿主；notebook 内的文档内容（可能来自第三方）因此获得指令级可信度，SKILL.md 的追询机制还会推动模型据此继续行动。
- 仓库已归档停止维护，且实现与文档多处不符 — README：'This project is no longer maintained … the repository is archived: no updates, bug fixes or support. It may stop working when the upstream services change.'；同时 citation-backed 无实现、.env 配置仅有文档、Chrome/Chromium 路径冲突、数据路径文档与实际不一致。
- 选择器脆弱且含德语回退，NotebookLM 前端一变即全链路失败 — config.py 主选择器为 `textarea.query-box-input`，回退项分别为德语 'Feld für Anfragen' 与英语 'Input for queries' 的 aria-label；响应容器同样硬编码 `.to-user-container .message-text-content`，无版本探测或自愈。
🔴 红色：谨慎使用。按统一分档，本 skill 同时命中三条红色特征且都有源码证据：①反反爬/绕过自动化识别——依赖 patchright（requirements.txt 注释写明 'Core browser automation with anti-detection'）并传入 `'--disable-blink-features=AutomationControlled', # Patches navigator.webdriver`，即以掩盖自动化特征为目的启动浏览器；②安全降级——同一 BROWSER_ARGS 里带 `'--no-sandbox'`，在无沙箱状态下运行浏览器；③凭证接触——认证产物是包含 Google 会话 cookie 的 data/browser_state/state.json，运行期由代码主动读回并注入浏览器上下文（.gitignore 自述该目录 'contains auth and personal notebooks'）。此外首次运行会在导入期自动建 venv、从 PyPI 装依赖并下载 Chrome 二进制。这些是能力设计使然（要驱动一个只提供网页界面的 Google 产品，只能走浏览器），不是隐藏行为，但用户需明确知晓：登录态被明文落盘、浏览器被刻意伪装成非自动化、沙箱被关闭。
5第二遍独立确认
- [ok] skill.path = '.'（根级 SKILL.md） — 重读 SKILL.md L1-4 确认 frontmatter 位于仓库根文件；glob 根 *.json 无命中（无 plugin.json / marketplace.json），故技能入口就是仓库根。
- [ok] official_desc 逐字 — 重读 SKILL.md L2-4：name: notebooklm、description 为单行完整句，与 README L15 的同一句（README 用连字符 'Drastically reduced hallucinations - answers only from your uploaded documents.'）措辞略异，已按 frontmatter 原文收录。
- [ok] 混合认证机制（persistent profile + state.json 注入） — 重读 browser_utils.py（launch_persistent_context 与 `context.add_cookies(state['cookies'])`）与 auth_manager.py（`context.storage_state(path=str(self.state_file))`），行号与首遍一致；AUTHENTICATION.md 的说明标注的脚本行号与实码相差数行（文档漂移），机制描述本身正确。
- [ok] 安全结论：反检测与沙箱关闭 — 重读 config.py 的 BROWSER_ARGS 列表：`'--disable-blink-features=AutomationControlled', # Patches navigator.webdriver` 与 `'--no-sandbox',` 逐字确认；重读 requirements.txt 首段注释确认 'anti-detection' 表述与 patchright pin。三条红色判据均在源码可定位。
- [ok] 安全结论：凭证读取范围 — 独立重扫 os.environ|getenv|API_KEY|token|keychain|.env|ssh|credentials：scripts 下零命中（唯二 token 字样在 requirements.txt 与文档中的 python-dotenv）。凭证只有 state.json 里的 Google cookie，路径由 config.py 常量推导，无 ~/.claude 硬编码。
- [ok] 安全结论：网络外发范围 — 重扫 requests|urllib|socket|http.client 于 scripts：零命中；网络只经浏览器（notebooklm.google.com / accounts.google.com）、pip（PyPI）与 patchright 下载 Chrome（域名不可定位，已记入 unlocated）。
- [ok] 安全结论：写盘与删除边界 — 重读 auth_manager、notebook_manager、cleanup_manager、__init__ 的写路径：state.json / auth_info.json / library.json / .venv，全部位于 <skill>/data 与 <skill>/.venv；删除限定在 data/ 且显式排除 .venv（`Virtual environment (.venv) is never deleted`）。
- [discrepancy] 宣称 vs 实际：citation-backed — 脚本内无任何 citation/来源条目的解析代码，唯一取数路径是响应容器最后一元素的 inner_text；README L65 与 SKILL.md 的 citation 表述实际描述的是 NotebookLM/Gemini 侧行为，本 skill 只做纯文本透传，不能保证引用随答案回到模型上下文。
6结论
适合：适合已经在用 Google NotebookLM 管理资料、希望在自己的 coding agent 会话里直接向 notebook 提问（要求答案只来自自身上传文档）的个人研究者与内容工作者；也适合研究『浏览器自动化 + 持久登录』这套模式的开发者作为参考实现（认证、cookie 注入、答案轮询稳定性判定都有清晰可读的代码）。使用前提是接受把 Google 登录态落盘在本机、并自行承担网页自动化带来的账号风险。
不适合：不适合对账号安全敏感或处于受管环境的场景——它会让浏览器进入反检测模式、关闭沙箱，并在磁盘留存完整会话 cookie。不适合需要稳定长期运行的流水线：仓库已归档、选择器硬编码、上游页面一改就可能整体失效。不适合需要审计留痕或可复现引用的场景（citation 只在文档层面宣称，脚本不解析来源）。不适合期望『本地 RAG』的用户：接地发生在 Google 侧，本机只存 notebook 元数据，没有内容索引或向量库。
安装 agent 直装可复制
① 本站镜像 更新 2026-09-15
方式 A · 人下载镜像包下载 notebooklm-skill.tar.gz
sha256:
方式 B · JSON 格式安装指南，复制给 agentedda31a0efaa9b1c…agent 读 JSON 指南后会自动从本站下载安装，无需更多说明。
② 上游 GitHub · 原始来源
来源信息 GitHub 原始
作者 / 仓库PleasePrompto / PleasePrompto/notebooklm-skill
原始 GitHubPleasePrompto/notebooklm-skill ↗
Stars7772
最近推送2026-09-10
本 skill commit
c80722d3f2许可MIT（仓库根 LICENSE：L1 'MIT License'、L3 'Copyright (c) 2025 Please Prompto!'）
本站信息
收录日期2026-09-06
分类内容创作
侦查报告AI 侦查 · 2 遍 · 2026-09-06
本站镜像与 GitHub 原始是不同来源：本站锁定 commit 快照经 /r2 分发；GitHub 为实时上游，内容可能已更新。