引言：AI開發工具嘅創新融合
喺2025年，AI代理工具快速發展，正重塑開發者工作流程。當中，NotebookLM MCP（Model Context Protocol 伺服器）係由PleasePrompto開發嘅一個開源項目，目標係令AI代理（例如Claude Code、Codex）可以直接同Google嘅NotebookLM互動，實現基於引用嘅零幻覺知識查詢。呢個項目透過瀏覽器自動化，將AI代理連接到由Gemini驅動嘅NotebookLM，提供實用嘅文檔研究能力，支援前端、後端、資料庫同部署腳本嘅生成，毋須手動複製貼上答案。項目喺GitHub開源（https://github.com/PleasePrompto/notebooklm‑mcp），採用MIT許可，適用於VS Code、Cursor等MCP客戶端。喺X平台作者@pleaseprompto嘅推廣帖入面寫住：「厭倦咗喺NotebookLM同Claude之間複製貼上？notebooklm‑mcp令你嘅代碼代理可以直接同NotebookLM對話。」雖然帖文互動有限，但反映咗項目針對AI開發痛點嘅針對性。
NotebookLM本身係Google嘅實驗性工具，能將上傳嘅文檔轉做知識庫，支援PDF、Google Docs、Markdown、網站、GitHub倉庫同YouTube影片，提供專家級合成答案同引用。MCP伺服器則橋接咗呢個能力，令AI代理可以自主查詢，適合用喺快速原型開發（MVP）同研究密集型項目。相比傳統RAG（檢索增強生成）或網頁搜索，NotebookLM MCP強調零幻覺同高效率。Medium文章《NotebookLM and GitHub: Code and Knowledge Synergy》討論過類似整合，指出呢類工具可以改變開發週期，通過標籤同描述管理知識庫。項目雖然比較小眾，但代表咗AI代理同雲端知識庫融合嘅一個趨勢。
功能介紹：由知識管理到迭代研究
NotebookLM MCP嘅核心係MCP伺服器，啟用CLI代理同NotebookLM直接通訊，提供零幻覺嘅答案。關鍵功能包括：
- 零幻覺回應：NotebookLM只會基於上傳來源嚟回答，如果資料唔足夠就會拒絕回應，每條答案會附帶來源引用，避免AI代理常見嘅錯誤。
- 自主研究：代理例如Claude可以自動提出後續問題，建立深度理解，包括實作細節、邊緣情況同最佳實踐。
- 智能庫管理：儲存NotebookLM連結，加入標籤同描述（例如「Add [link] to library tagged 'frontend, react, components'」）；代理會根據任務自動揀相關筆記本。支援列出、更新或移除命令。
- 深度迭代查詢：支援多問題會話，每條答案會觸發更深層查詢，直至完整。
- 跨工具共享：單一設定適用於Claude Code、Codex、Cursor、Gemini、Amp、VS Code等MCP客戶端。
- 深度清理工具：掃描並移除NotebookLM資料，可以選擇保留庫定全部刪除。
- 認證與查看：一次性Google登入；用命令「Show me the browser」可以查看實時瀏覽器互動。
- 常見命令：例如「Log me in to NotebookLM」認證、「Research this in NotebookLM before coding」啟動會話、「Repair NotebookLM authentication」修復等等。
項目架構基於TypeScript，使用 npx notebooklm-mcp@latest 運行，支援瀏覽器自動化連接Gemini。Reddit帖子強調其優勢：NotebookLM處理合成，代理專注於任務。與類似項目例如 lfnovo/open‑notebook（開源NotebookLM替代）相比，NotebookLM MCP更注重代理整合，而唔係完全取代。
安裝指南：簡單配置，跨平台支援
安裝針對MCP客戶端，使用 npx notebooklm-mcp@latest 命令。無需額外依賴，但建議用專用Google帳戶以避免被檢測。
- Claude Code：
claude mcp add notebooklm npx notebooklm-mcp@latest - Codex：
codex mcp add notebooklm -- npx notebooklm-mcp@latest - Gemini：
gemini mcp add notebooklm npx notebooklm-mcp@latest - Cursor：編輯
~/.cursor/mcp.json，添加{"mcpServers": {"notebooklm": {"command": "npx", "args": ["‑y", "notebooklm‑mcp@latest"]}}} - Amp：
amp mcp add notebooklm -- npx notebooklm-mcp@latest - VS Code：
code --add-mcp '{"name":"notebooklm","command":"npx","args":["notebooklm-mcp@latest"]}' - 其他：使用通用配置JSON。
安裝後，首次運行需要認證。GitHub README 提醒：瀏覽器自動化可能會被Google檢測，建議使用專用帳戶；代理可能會出錯，需審查生成嘅代碼。支援率有限，可通過多帳戶切換。貢獻指南歡迎提交 issues 或 PR，並採用MIT許可。
使用說明：由知識庫建立到代理互動
- 建立知識庫：喺 https://notebooklm.google.com 上傳來源，建立筆記本，複製「任何人有連結」嘅分享連結。
- 啟動代理：喺聊天入面提供連結，例如「I'm building with [library]. Here's my NotebookLM: [link]」。代理會自動查詢。
- 示例流程（建立 n8n 工作流）：將 n8n 文件上傳到NotebookLM，叫Claude：「Build me a Gmail spam filter workflow. Use this NotebookLM: [link]」。Claude會做迭代查詢，例如「How does Gmail integration work in n8n?」等，最終生成完整JSON。
- 進階使用：庫管理命令例如「Add [link] to library tagged 'frontend'」；「Research this in NotebookLM before coding」會先做研究再編碼。
Medium文章《Introducing NotebookLM as a solution for interactive code exploration》亦有討論類似用法：NotebookLM提供現成合成，喺好多情境下勝過自建RAG。
優點：高效、低成本、零幻覺
NotebookLM MCP嘅核心優勢係解決傳統AI文檔查詢嘅痛點：
- 零幻覺：只會根據已上傳來源回應，避免將本地喂入文檔嘅檢索錯誤或網頁搜索嘅不可靠性帶入答案。
- 令牌成本低：成本被最小化，因為NotebookLM負責合成，毋須重讀文件。
- 設置時間短：5分鐘即可完成，相比RAG需要數小時、向量資料庫或分塊處理。
- 答案質量高：專家級合成、多來源關聯、自然語言問答附帶引用；通常優於RAG結果嘅變異性。
- 無基礎設施：上傳一次到NotebookLM，毋須額外維護。
- 效率：AI同AI之間對話，減少人工操作；文件始終最新，無需考慮訓練截止日期。
README入面有比較表：同喂文檔比起Claude（高令牌、幻覺）、網頁搜索（命中率低）、本地RAG（設置複雜）相比，MCP更有優勢。Reddit用戶回饋亦指出：NotebookLM嘅優勢係會拒答未知內容，配合MCP可以提升代理嘅準確度。
用家評價：潛力大但需優化
用家反饋主要正面，但指出咗局限。X推廣帖@pleaseprompto獲14次瀏覽、1個回覆，強調解決複製粘貼痛點，但互動數量唔多。Medium嘅《NotebookLM and GitHub》提到類似整合可能改變開發週期，但冇直接做性能評測。GitHub repo冇太多 issues 詳情，但README 嘅 disclaimer 提醒存在被檢測風險同代理錯誤，需要人工審查。
類似工具嘅評測，例如「GPT Pilot Reviewed」指出：NotebookLM MCP適合快速做P O C 或MVP，但複雜項目仍需人工介入；如果用高端模型成本會提高，本地LLM體驗可能較差。Reddit討論強調：適合作為概念驗證，用喺生產環境前要有信任同審查機制。總括嚟講，用家視佢為前沿輔助工具，潛力大但依賴模型配置同審查流程。
結論：AI代理未來嘅橋樑
NotebookLM MCP橋接咗AI代理同雲端知識庫，代表咗零幻覺開發嘅一個創新方向。功能全面、安裝簡單、優勢明顯，適合用喺MVP同研究場景。但用家需注意審查同潛在風險。隨住MCP生態擴展，佢有機會成為開發者嘅標配，推動AI輔助編程嘅新時代。