如何用好 qiaomu-anything-to-notebooklm：JSON 结构化输出驱动下游工作流完全指南

如何用好 qiaomu-anything-to-notebooklm：JSON 结构化输出驱动下游工作流完全指南

【免费下载链接】anything-to-notebooklmClaude Skill: Multi-source content processor for NotebookLM. Supports WeChat articles, web pages, YouTube, PDF, Markdown, search queries → Podcast/PPT/MindMap/Quiz etc.项目地址: https://gitcode.com/GitHub_Trending/an/qiaomu-anything-to-notebooklm

qiaomu-anything-to-notebooklm 是一个把微信公众号、网页、YouTube、PDF、播客等多源内容自动上传到 NotebookLM 并生成播客/PPT/思维导图的 Claude Skill。它的"深度分析"模式会输出一份JSON 结构化分析结果，这份 JSON 正是驱动飞书文档、报告、PPT 等下游工作流的核心数据源。本文带你搞懂这份 JSON 长什么样、怎么生成、以及如何让它驱动你的自动化工作流。

一、为什么"结构化输出"很重要

普通 AI 工具给你一段"读后感"文本，复制粘贴还得手动整理；而本项目的设计思路是：先产出机器可读取的 JSON，再由 JSON 驱动后续动作。

整个链路可以概括为：

多源内容（文章/视频/PDF/播客） → 上传 NotebookLM → 自动生成 10 个深度问题并逐一提问 → 输出结构化 JSON 分析结果 → 驱动下游：飞书文档 / 本地报告 / PPT / 思维导图 / Quiz

这样做的好处是：

• 🎯可复用：同一份 JSON 可以反复用于不同下游格式，不必重复分析
• 🎯可校验：status、answered等字段让你一眼看出任务是否成功
• 🎯可编排：JSON 是标准的中间格式，方便接入任意自动化脚本

二、深度分析 JSON 输出格式详解

运行深度分析模式后，结果会保存到/tmp/{标题}_analysis.json。它的字段结构如下：

输出格式定义在 SKILL.md 的"输出格式"一节，生成逻辑位于主入口 main.py 的deep_analysis()函数（第 198-252 行）：

• generate_questions()按内容类型选取问题模板（main.py）
• ask_notebooklm()逐题向 NotebookLM 提问（main.py）
• 最终组装成上述字典并写入 JSON 文件

💡 提示：answered < total_questions时，说明部分问题提问失败，下游使用 JSON 前建议先检查这个字段。

三、JSON 分析结果的三大下游工作流

工作流 1：JSON → 飞书文档（自动创建）

这是官方内置的下游链路。在deep_analysis()中，如果指定了--to-feishu参数，程序会调用format_feishu_markdown()把问答数据格式化为 Markdown（每题一个## 标题小节，未回答的标注"未回答"），再调用lark-cli自动创建飞书文档（main.py）。

一条命令即可跑通"分析 → 文档"全流程：

python main.py /path/to/book.epub --deep-analysis --to-feishu

适合场景：团队知识沉淀、读书笔记共享。相关抓取模块可参考 feishu-read-mcp/src/server.py。

工作流 2：JSON → 本地结构化报告

不接飞书时，JSON 本身就是一份可归档的结构化报告，保存在/tmp/{标题}_analysis.json（main.py）。你可以：

• 直接交给其他 AI 工具二次加工（例如让它基于answers写公众号文章）
• 用简单的脚本按content_type分类归档
• 对比多份 JSON，横向比较不同资料的核心观点

工作流 3：JSON → NotebookLM 再生成 PPT / 思维导图 / Quiz

深度分析只是"提问环节"，分析完成的内容仍留在 NotebookLM 笔记本中。此时可以继续触发标准生成命令，把同一份内容再产出为其他格式：

也就是说：JSON 负责"深度理解"，NotebookLM 负责"多格式产出"，两者组合就是一条完整的内容加工流水线。思维导图产出的.json同样是结构化数据，可被其他工具再次消费。

四、快速上手：生成你的第一份 JSON

1. 克隆并安装

cd ~/.claude/skills/ git clone https://gitcode.com/GitHub_Trending/an/qiaomu-anything-to-notebooklm cd qiaomu-anything-to-notebooklm ./install.sh

2. 认证 NotebookLM（只需一次）

notebooklm login notebooklm list # 验证认证成功

3. 运行深度分析

# 本地文件（EPUB / PDF / Markdown 均可） python main.py /path/to/file.epub --deep-analysis # 网页链接 python main.py https://example.com/article --deep-analysis # 深度分析 + 自动创建飞书文档 python main.py /path/to/book.epub --deep-analysis --to-feishu

输入类型识别逻辑在 main.py 的detect_input_type()：自动区分微信、YouTube、播客、X/Twitter、本地文件甚至搜索关键词，无需手动指定格式。播客转写依赖 scripts/get_podcast_transcript.py，付费网页抓取依赖 scripts/fetch_url.sh。

4. 检查输出

cat /tmp/你的标题_analysis.json

看到"status": "success"且answered等于total_questions，说明 10 个问答全部完成，可放心接入下游。

五、问题模板：JSON 里的 10 个问题从哪来

问题不是随机生成的，而是"5 个通用问题 + 5 个类型专属问题"（main.py）：

• 书籍/文档类（epub、pdf、md）：核心主题、3 个重要观点、金句、论证逻辑，再加读者画像、实践建议、局限性分析、50 字推荐语、最大收获
• 视频类（YouTube）：目标受众、关键数据、叙事结构、5 分钟精华版、观点时效性
• 文章/网页类：写作目的、数据支撑、作者立场、个人启发、转发评论

这套模板保证了不同内容类型的 JSON 都具备一致的分析维度，下游消费时可以放心按"问题 + 答案"逐条处理。

六、使用建议与常见坑

总结

qiaomu-anything-to-notebooklm 最有价值的输出其实不是某个 mp3 或 pdf，而是那份JSON 结构化分析结果——它是整条工作流的"数据中枢"：向上对接 NotebookLM 的多格式生成，向下驱动飞书文档、本地报告、思维导图等消费场景。理解了这份 JSON 的字段含义和生成机制，你就能把它嵌入自己的知识管理流水线，把"读内容 → 出结论 → 变资产"真正自动化。

【免费下载链接】anything-to-notebooklmClaude Skill: Multi-source content processor for NotebookLM. Supports WeChat articles, web pages, YouTube, PDF, Markdown, search queries → Podcast/PPT/MindMap/Quiz etc.项目地址: https://gitcode.com/GitHub_Trending/an/qiaomu-anything-to-notebooklm