Hermes Agent + NotebookLM 打造数据飞轮¶
[!info] 基本信息 - 频道: AI超元域 - 时长: 13:50 - 发布: 2026-04-26 - 来源: YouTube - 相关项目: win4r/notebooklm-py
目录¶
核心定位¶
在 Hermes Agent 中集成 Google NotebookLM，相当于为 Agent 外挂了一个云端知识库。用户只需用自然语言就能完成 NotebookLM 网页版的全部操作，包括笔记本管理、来源添加、内容生成、跨笔记本检索等。
关键区别：之前用 RAG（如 Mem0）构建知识库是 Hermes Agent 的内置方案，NotebookLM 则是外部云端方案的集成，两者互补而非替代。
解决的问题¶
| 痛点 | RAG（Mem0 等） | NotebookLM 集成 |
|---|---|---|
| 多设备同步 | 需自建同步机制 | Google 账号天然同步 |
| 内容生成 | 不支持 | PPT/视频/播客/思维导图/Quiz |
| 多模态输出 | 纯文本 | 11 种格式 |
| 部署成本 | 需要 Vector DB + Embedding | 零成本（Google 免费提供） |
| 设置复杂度 | 高（向量库+Embedding 模型） | 低（一行命令安装） |
三层架构设计¶
┌─────────────────────────────────────────────────┐
│ Layer 1: 用户输入层 │
│ │
│ 用户自然语言指令 │
│ "把这篇论文加到 NotebookLM" │
│ "生成讲解视频保存到桌面" │
│ "对比 Notebook A 和 B 的内容" │
└──────────────────────┬──────────────────────────┘
│
▼
┌─────────────────────────────────────────────────┐
│ Layer 2: Hermes Agent 核心层 │
│ │
│ ┌─────────────┐ ┌────────────────────────┐ │
│ │ LLM 推理 │───→│ notebooklm-py CLI │ │
│ │ 意图识别 │ │ notebooklm login │ │
│ │ 指令转换 │ │ notebooklm source add │ │
│ └─────────────┘ │ notebooklm generate │ │
│ │ notebooklm download │ │
│ └───────────┬────────────┘ │
│ │ │
│ ┌──────────────────────────────┴───────────┐ │
│ │ Cookies 自动刷新（每 15-30 分钟） │ │
│ │ rookiepy 读取 Chrome cookies │ │
│ └──────────────────────────────────────────┘ │
└──────────────────────┬──────────────────────────┘
│ HTTP（undocumented API）
▼
┌─────────────────────────────────────────────────┐
│ Layer 3: NotebookLM 云端层 │
│ │
│ Google 服务器 │
│ ├── 来源处理（PDF/URL/YouTube 转写） │
│ ├── 内容生成（Audio/Video/Slides/Quiz...） │
│ ├── 跨来源检索 │
│ └── 笔记本管理与分享 │
└─────────────────────────────────────────────────┘
中英文提示词智能转换：用户输入中文，Hermes Agent 自动转换为英文 API 调用（NotebookLM API 以英文为主），检索精准且响应迅速。
功能演示¶
自然语言操控笔记本¶
用户: "列出我的 NotebookLM 所有笔记"
Agent → notebooklm list → 返回所有笔记本列表
用户: "对比第一和第二个笔记本的内容"
Agent → notebooklm use <id1> → ask → notebooklm use <id2> → ask → 综合对比
添加来源¶
用户: "把这篇论文加到智能体记忆的笔记里"
Agent → notebooklm use <nb_id> → source add "https://arxiv.org/..." → wait
网页端 NotebookLM 同步可见已添加的论文。
自动生成内容¶
| 指令 | 生成内容 | 下载格式 |
|---|---|---|
| "生成幻灯片" | Slide Deck | PDF / PPTX |
| "生成讲解视频" | Video Overview | MP4 |
| "生成播客音频" | Audio Overview | MP3 |
| "生成思维导图" | Mind Map | JSON |
| "生成 Quiz 测验" | Quiz | JSON / Markdown |
跨笔记本检索¶
用户: "在 LoRA 微调相关的笔记本中搜索"
Agent → notebooklm use <nb_id> → ask "LoRA 微调的关键概念" → 返回结构化答案
安装与认证¶
方式一：Hermes Agent 一键安装¶
# 1. 安装 skill
hermes skills tap add win4r/notebooklm-py
hermes skills install win4r/notebooklm-py/skills/notebooklm --force
# 2. 安装 Python 包（审计标签）
VIRTUAL_ENV=~/.hermes/hermes-agent/venv uv pip install \
"notebooklm-py[browser,cookies] @ git+https://github.com/win4r/notebooklm-py@v0.3.4-hermes.4"
# 3. 认证（推荐 browser-cookies）
notebooklm login --browser-cookies chrome
# 4. 配置自动刷新
echo 'NOTEBOOKLM_REFRESH_CMD=notebooklm login --browser-cookies chrome' >> ~/.hermes/.env
方式二：Codex / Claude Code 安装¶
npx skills add win4r/notebooklm-py
认证方案对比¶
| 方式 | 优点 | 缺点 |
|---|---|---|
--browser-cookies |
无需手动登录，自动续期 | 首次需 Keychain 授权 |
notebooklm login |
标准流程 | Google 可能限制新设备 |
| 手动导出 Cookie | 兜底方案 | 15-30 分钟过期 |
Cookies 持久化优化¶
核心问题：Google 的 __Secure-*PSIDTS cookies 每 15-30 分钟轮换一次，静态 cookie 文件很快失效。
解决方案（win4r fork 的 PR #298）：
RPC 调用过期
│
▼
执行 $NOTEBOOKLM_REFRESH_CMD
│
▼
rookiepy 从 Chrome 读取最新 cookies
│
▼
重写 storage_state.json
│
▼
自动重试原始调用（一次性，不循环）
设置后完全无感——cookies 过期时自动刷新，无需人工干预。
实际应用场景¶
场景一：学术论文研究¶
1. 搜索论文 → 获取 arxiv 链接
2. notebooklm source add "https://arxiv.org/..."
3. notebooklm ask "这篇论文的核心贡献是什么？"
4. notebooklm generate audio "总结论文要点" --wait
5. notebooklm download audio ./summary.mp3
视频演示：以 LoRA 微调论文为例，创建专门笔记本 → 添加论文 → 深度问答 → 生成讲解视频。
场景二：内容创作¶
1. 收集多个信息源（URL/YouTube/PDF）
2. notebooklm generate slide-deck --wait
3. notebooklm generate cinematic-video "教程风格" --wait
4. notebooklm generate mind-map --wait
一次性从同一组来源生成多种内容格式。
场景三：自动化任务流水线¶
┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐
│ 论文检索 │───→│ 自动入库 │───→│ 内容生成 │───→│ 本地保存 │
│ (搜索) │ │ (添加来源)│ │ (多格式) │ │ (下载) │
└──────────┘ └──────────┘ └──────────┘ └──────────┘
全部通过 Hermes Agent 的自然语言指令串联，无需手动操作。
知识飞轮模型¶
┌──────────────────────────────┐
│ │
▼ │
收集信息源 分享笔记
(论文/URL/PDF) (公开链接)
│ │
▼ │
NotebookLM 多人协作
索引 + 理解 同步访问
│ │
▼ │
持续添加来源 ◄─────────────── 知识积累
│
▼
生成多格式内容
(PPT/视频/播客/导图)
│
└──────────→ 分享 → 获取反馈 → 收集更多来源
核心循环：添加来源 → 生成内容 → 分享笔记 → 持续添加 → 形成长效积累
关键优势： - Google 账号天然支持多设备同步 - 笔记可分享给他人，协作构建知识库 - 每次添加新来源都在增强现有笔记本的检索能力
与 RAG 知识库的对比¶
┌─────────────────────────────────────────────────────────────┐
│ RAG（Mem0 等方案） │
│ │
│ 本地部署 → 需要向量数据库 + Embedding 模型 │
│ 优势: 数据完全本地控制，无外部依赖 │
│ 劣势: 不支持多媒体生成，部署复杂 │
├─────────────────────────────────────────────────────────────┤
│ NotebookLM 集成 │
│ │
│ 云端服务 → Google 免费提供 │
│ 优势: 零部署，多模态生成，多设备同步 │
│ 劣势: 依赖 Google API（非官方），数据在 Google 端 │
├─────────────────────────────────────────────────────────────┤
│ 最佳实践: 两者结合 │
│ │
│ NotebookLM → 研究总结、内容生成、知识分享 │
│ RAG → 实时查询、本地偏好记忆、隐私数据 │
└─────────────────────────────────────────────────────────────┘