kdynotebook -- NotebookLM 통합 리서치/콘텐츠 엔진

NotebookLM을 Claude Code 오케스트레이터로 제어하여 Zero-Token 리서치, 교육 콘텐츠 자동 생성, 뉴스 인텔리전스를 수행하는 통합 스킬. Claude Code는 순수 오케스트레이션 역할(토큰 0 소비)을 하고, NotebookLM(Gemini 기반)이 실제 분석을 수행하여 비용을 95% 절감한다.

3가지 시나리오:

• A (research): Zero-Token 리서치 -- 3라운드 Q&A로 대량 문서 분석 ($0.10-0.30, 기존 대비 95% 절감)
• B (educate): 교육 콘텐츠 생성 -- 강의/문서에서 10종 학습 자료 자동 생성
• D (news): 뉴스/트렌드 인텔리전스 -- kdyintel 수집 결과를 NotebookLM으로 심층 분석

기본 경로

GENERAL_PRO 결정 순서:
1. 환경변수 GENERAL_PRO_PATH
2. CWD가 00-general-pro* 내부이면 해당 루트
3. ~/{develop,dev}/00-general-pro-web 존재 탐색
4. 실패 시 AskUserQuestion: "00-general-pro-web 경로를 입력해주세요"

GENERAL_PRO  = {결정된 경로}
SKILLS_DIR   = $GENERAL_PRO/03-skills
INTEL_DIR    = $GENERAL_PRO/docs/intel
RESEARCH_DIR = $INTEL_DIR/notebooklm-research
MCP_CATALOG  = $GENERAL_PRO/02-reusable-code/14-mcp-catalog
REFS_DIR     = $GENERAL_PRO/03-skills/kdynotebook/references
OUTPUT_DIR   = $INTEL_DIR/kdynotebook

인수 처리

사용자가 제공한 인수: $ARGUMENTS

Phase 흐름

Phase 0: 컨텍스트 탐지
  -> MCP 서버 가용성, 기존 산출물, Python 환경 확인
    |
Phase 1: 소스 입력 및 모드 선택
  -> 대화형 모드/소스 선택 (--quick 시 기본값 적용)
    |
Phase 2A/2B/2D: 모드별 실행
  -> 2A: Zero-Token 리서치 (3라운드 Q&A)
  -> 2B: 교육 콘텐츠 생성 (10종 산출물)
  -> 2D: 뉴스/트렌드 인텔리전스 (kdyintel 연동)
    |
Phase 3: 산출물 저장
  -> Markdown 구조화 보고서 + 파일 저장
    |
Phase 4: 비용 절감 리포트
  -> 토큰 절감량 계산 + 비교 보고서

Phase 0: 컨텍스트 탐지

0-1. 인수 분기

if --quick:
  mode = "research", source = $ARGUMENTS에서 --source 추출
  -> Phase 1 건너뜀 -> Phase 2A로 직행
elif --mode:
  mode = argument에서 추출 ("research" | "educate" | "news")
  source = --source가 있으면 추출, 없으면 Phase 1에서 질문
else:
  Phase 1에서 대화형으로 결정

0-2. MCP 서버 가용성 확인

Glob: $MCP_CATALOG/notebooklm-*.md
Read: 프로젝트 루트/.mcp.json (존재 시)

확인 항목:

• notebooklm-mcp (PleasePrompto/notebooklm-mcp) -- MCP 카탈로그 등록 여부
• notebooklm-pipeline (claude-world/notebooklm-skill) -- MCP 카탈로그 등록 여부
• 프로젝트 .mcp.json에 NotebookLM MCP 설정 여부

결과에 따라 mcp_available 플래그 설정:

• MCP 사용 가능: MCP 도구를 통한 자동화 파이프라인
• MCP 미설정: 수동 NotebookLM 사용 가이드 폴백 (사용자에게 단계별 안내)

0-3. 기존 산출물 확인

Glob: $OUTPUT_DIR/*.md
Glob: $RESEARCH_DIR/*.md

존재하면 최근 산출물 날짜/주제를 표시하여 중복 분석 방지에 활용.

0-3b. 연구자료 교차 참조

if GP_AVAILABLE:
  RESEARCH_VAULT = $GENERAL_PRO/08-research-vault
  Glob: $RESEARCH_VAULT/*/analyses/*.md
  → 리서치 주제 키워드와 vault 분석 카드 제목 매칭
  → 매칭되는 기존 분석이 있으면: "관련 연구자료 {N}건 ({topic})" 표시
  → Phase 2 리서치 수행 시 기존 분석 결과를 컨텍스트로 활용

0-4. Python 환경 검증 (파이프라인 모드 시)

Bash: python3 --version 2>/dev/null || python --version 2>/dev/null
Bash: uv --version 2>/dev/null

• Python 미설치 시: MCP 전용 모드 안내
• uv 미설치 시: pip 폴백 또는 설치 안내

0-5. 디렉토리 확보

Bash: mkdir -p "$OUTPUT_DIR"

0-6. 컨텍스트 요약 표시

MCP 가용성, 기존 산출물 수, Python 환경 상태를 테이블로 표시.

Phase 1: 소스 입력 및 모드 선택

--quick 시 이 Phase를 건너뜁니다.

1-1. 모드 선택

--mode 미지정 시:

AskUserQuestion: "어떤 모드로 실행할까요?"
  suggestions:
    - "research -- Zero-Token 리서치 (95% 비용 절감, 3라운드 Q&A)"
    - "educate -- 교육 콘텐츠 생성 (10종 학습 자료)"
    - "news -- 뉴스/트렌드 인텔리전스 (kdyintel 연동)"

-> mode 결정.

1-2. 소스 입력

--source 미지정 시 모드별 소스 요청:

research 모드:

AskUserQuestion: "분석할 소스를 입력해주세요. (URL, 파일 경로, 또는 텍스트)"
  suggestions:
    - "URL: https://example.com/paper.pdf"
    - "파일: {프로젝트 경로}/docs/research.md"
    - "텍스트: 직접 붙여넣기"

educate 모드:

AskUserQuestion: "교육 콘텐츠로 변환할 소스를 입력해주세요."
  suggestions:
    - "강의 자료 (PDF, MD)"
    - "기술 문서"
    - "교재/매뉴얼"

news 모드:

-> Phase 2D에서 kdyintel 결과를 자동 로드 (소스 입력 불필요)

1-3. 소스 유효성 검증 + 설정 요약

• URL: WebFetch 접근성 확인 (실패 시 대체 소스 요청)
• 파일: Read 존재 확인 (실패 시 경로 재입력)
• 텍스트: 최소 100자 검증

검증 통과 후 모드/소스/출력 디렉토리를 테이블로 표시.

Phase 2A: Zero-Token 리서치 모드

핵심 전략: Claude Code = 오케스트레이터 (토큰 0), NotebookLM = Gemini 분석 엔진

2A-1. NotebookLM 노트북 생성 + 소스 추가

MCP 사용 가능 시:

MCP: notebooklm_create_notebook -> "Research-{YYYY-MM-DD}-{주제}"
MCP: notebooklm_add_source -> notebook_id + source_type(url|text|file) + content

MCP 미설정 시 (수동 가이드):

1. https://notebooklm.google.com -> 새 노트북 생성
2. 소스 추가 (URL/텍스트/파일)
3. 완료 후 노트북 URL 또는 "완료" 입력

2A-2. 3라운드 리서치 실행

핵심 비용 절감 패턴: Claude Code는 질문만 전달하고 NotebookLM(Gemini)이 분석 수행.

각 라운드: MCP(notebooklm_ask) 또는 수동(사용자가 Q&A 입력 후 결과 붙여넣기).

2A-3. 노트 합성 및 구조화

3라운드 결과를 종합하여 구조화된 리서치 노트 생성:

• 메타데이터 (소스, 분석일, 모드, 엔진)
• 개요 (Round 1), 심층 분석 (Round 2), 한계/예외 (Round 3)
• 핵심 인사이트 5-10개 + 실행 항목 (액션 아이템)

레시피 참조: references/pipeline-recipes.md -- research-to-article

Phase 2B: 교육 콘텐츠 생성 모드

2B-1. 소스 분석

소스 유형 판별:
- 강의 자료 (PDF, 슬라이드) -> recipe: lecture-to-study-kit
- 기술 문서/매뉴얼 -> recipe: docs-to-training
- 기타 -> 사용자에게 레시피 선택 요청

2B-2. NotebookLM 노트북 생성 + 소스 분석

노트북 생성/소스 추가는 Phase 2A-1과 동일 패턴 (MCP 또는 수동). 노트북명: "Educate-{날짜}-{주제}", 초기 질문: "핵심 개념, 학습 목표, 주요 용어 분석"

2B-3. 10종 산출물 생성

NotebookLM Q&A 시퀀스: 퀴즈 생성 -> 플래시카드 -> 학습 가이드 -> 시간순 정리 -> 브리핑 Claude Code 후처리: Q&A 결과에서 Mermaid 다이어그램, 슬라이드, 대본 자동 변환

산출물 선택:

AskUserQuestion: "생성할 산출물을 선택하세요 (복수 선택 가능)."
  suggestions: ["전체 (10종)", "학습 키트 (Quiz+Flashcards+StudyGuide)",
                "프레젠테이션 (Slides+Briefing)", "멀티미디어 (Audio+VideoScript)", "직접 선택"]

레시피 참조: references/pipeline-recipes.md -- lecture-to-study-kit, docs-to-training

Phase 2D: 뉴스/트렌드 인텔리전스 모드

2D-1. kdyintel 수집 결과 로드

Glob: $INTEL_DIR/reports/*-intel-report.md
Glob: $INTEL_DIR/opportunities/*.md
Glob: $INTEL_DIR/raw/*-collection.json

• 최신 인텔리전스 보고서 로드
• 기회 카드 목록 로드
• 수집 원본 데이터 로드 (있으면)

보고서가 없는 경우:

AskUserQuestion: "kdyintel 수집 결과가 없습니다. 어떻게 진행할까요?"
  suggestions:
    - "먼저 /kdyintel --quick 실행"
    - "URL 목록을 직접 입력"
    - "취소"

2D-2. NotebookLM 소스 추가

노트북 생성/소스 추가는 Phase 2A-1과 동일 패턴 (MCP 또는 수동). 노트북명: "News-Intel-{YYYY-MM-DD}", 소스: 인텔리전스 보고서 + 기회 카드 텍스트.

2D-3. Q&A 분석 실행

질문 시퀀스:
1. "이 뉴스들에서 공통적으로 나타나는 트렌드 패턴 5개를 식별해주세요."
2. "각 트렌드의 성장 단계(태동/성장/성숙/쇠퇴)를 분석해주세요."
3. "이 트렌드들에서 도출 가능한 비즈니스 기회를 분석해주세요."
4. "경쟁 환경과 진입 장벽을 분석해주세요."
5. "향후 3-6개월 전망과 권장 행동을 제안해주세요."

2D-4. 통합 브리핑 생성

Q&A 결과를 종합하여 브리핑 문서 생성:

• 메타데이터 (분석일, 소스 건수, 분석 엔진)
• 트렌드 패턴 (5개 + 성장 단계)
• 기회 분석 (비즈니스 기회 + 경쟁 환경)
• 전망 및 권장 행동 (3-6개월)
• kdyintel 기회 카드 교차 검증

레시피 참조: references/pipeline-recipes.md -- news-to-briefing

Phase 3: 산출물 저장

3-1. 출력 디렉토리 결정

if --output:
  target_dir = --output 값
else:
  target_dir = $OUTPUT_DIR
Bash: mkdir -p "$target_dir"

3-2. 모드별 파일 저장

3-2b. 연구자료 아카이빙 판단 및 저장

if GP_AVAILABLE:
  RESEARCH_VAULT = $GENERAL_PRO/08-research-vault

  # ── 아카이빙 가치 판단 ──
  archive_score = 0
  if 리서치에 체계적 분석 결과 (비교표, 평가 매트릭스 등) 포함: +2
  if 기존 vault 주제와 연속성 있음 (시계열 추적 가치): +2
  if 원본 소스가 HWPX/공식 문서/학술 자료: +2
  if 단일 URL 요약이 아닌 다중 소스 종합: +1
  if 다른 프로젝트에서도 참조할 범용성: +1

  if archive_score >= 3:
    topic_slug = 리서치 주제의 kebab-case 변환

    if $RESEARCH_VAULT/{topic_slug}/ 미존재:
      AskUserQuestion: "'{주제}' 리서치 결과를 research-vault에 아카이빙할까요? (새 주제 폴더 생성)"
      → 승인 시: mkdir -p + _TOPIC_TEMPLATE.md 복사 → _INDEX.md 초기화
    else:
      → 기존 주제 폴더에 추가

    Write: $RESEARCH_VAULT/{topic_slug}/analyses/YYYY-MM-DD-notebook-{주제}.md
      → _ANALYSIS_TEMPLATE.md 기반, 리서치 핵심 발견으로 분석 카드 작성
    Edit: $RESEARCH_VAULT/{topic_slug}/_INDEX.md
      → 분석 이력 테이블에 1행 추가
  else:
    → 아카이빙 건너뜀 (로컬 산출물만 유지)

3-3. 생성 파일 목록 표시

파일 경로, 크기, 설명을 테이블로 출력.

Phase 4: 비용 절감 리포트

4-1. 비용 비교 테이블

전통적 접근(Claude 직접 분석)과 kdynotebook(Zero-Token) 비교:

4-2. 다음 권장 작업

예외사항

관련 스킬/에이전트

사용 예시

# Zero-Token 리서치 (URL 소스)
/kdynotebook --mode research --source https://example.com/paper.pdf

# Zero-Token 리서치 (로컬 파일)
/kdynotebook --mode research --source {프로젝트 경로}/docs/analysis.md

# 교육 콘텐츠 생성
/kdynotebook --mode educate --source {프로젝트 경로}/docs/lecture-notes.md

# 교육 콘텐츠 (출력 디렉토리 지정)
/kdynotebook --mode educate --source {프로젝트 경로}/docs/manual.pdf --output {프로젝트 경로}/training

# 뉴스/트렌드 인텔리전스 (kdyintel 결과 활용)
/kdynotebook --mode news

# 빠른 리서치 (기본값: research 모드, 3라운드)
/kdynotebook --quick --source https://arxiv.org/abs/2406.xxxxx

# 대화형 모드 (모드/소스 대화로 결정)
/kdynotebook

주의사항

• NotebookLM은 Google 계정 로그인이 필요합니다
• MCP 서버 사용 시 Chrome 프로필 또는 쿠키 인증이 필요합니다
• Zero-Token 리서치 모드에서 Claude는 오케스트레이션만 수행하므로 API 비용이 최소화됩니다
• 소스 추가 시 NotebookLM의 소스 제한 (최대 50개)을 확인하세요
• NotebookLM Audio Overview는 웹 UI에서만 생성 가능합니다 (MCP로 트리거 불가한 경우 수동 안내)
• 레시피 상세는 references/pipeline-recipes.md를 참조하세요
• 비용 추정은 Anthropic API 공식 가격 기준이며 실제 비용은 다를 수 있습니다