Claude Code + NotebookLM чрез MCP: пълен наръчник [2026]

Представете си: вместо да превключвате между Claude Code в терминала и Google AI платформата в браузъра, казвате на Claude "проучи тази тема в NotebookLM" и получавате citation-backed отговори директно в чата — без tab-hopping, без copy-paste, без халюцинации. Това не е бъдеще — това е MCP (Model Context Protocol), и можете да го настроите за под 5 минути.

Накратко: MCP свързва Claude Code с изследователската платформа на Google, създавайки най-мощната изследователска комбинация в AI света. Claude получава достъп до source-grounded отговори от Gemini, а изследователската платформа получава агентна автоматизация — създаване на notebooks, добавяне на източници и генериране на Audio Overviews, всичко от един интерфейс. XDA Developers нарече комбинацията "the best research setup I've ever used".

Какво е MCP и защо свързва AI инструментите

Model Context Protocol (MCP) е отворен стандарт, създаден от Anthropic, който позволява на AI модели да се свързват с външни инструменти чрез леки сървъри. Мислете за него като USB-C за AI — универсален конектор, който свързва Claude с всичко: GitHub, бази данни, браузъри, и да — Google AI за изследвания.

Как работи MCP архитектурата

MCP следва клиент-сървър модел:

• MCP клиент — Claude Code (или Claude Desktop, Cursor, VS Code)
• MCP сървър — програма, която expose-ва "инструменти" (tools) за конкретна услуга
• Комуникация — AI агентът извиква инструментите на сървъра чрез стандартизиран протокол

Към март 2026 г. екосистемата на MCP включва над 200 сървъра — от GitHub и Slack до Google Ads и Brave Search. Но най-интересната комбинация е тази с Google AI платформата за изследвания — защото превръща два отделни гиганта в една свързана изследователска машина.

Двата AI инструмента — какво прави всеки поотделно

Преди да ги свържем, нека разберем какво прави всеки инструмент уникален — и защо комбинацията е по-мощна от сумата на частите.

"NotebookLM now connects to Claude through MCP, and it's the best research setup I've ever used."

Защо тази комбинация работи

Claude Code е мощен, но халюцинира. Когато го питате за конкретни факти от документация, може да измисли отговори, които звучат правилно, но не са.

Изследователската платформа не халюцинира, но не може да действа. Дава перфектни, цитирани отговори от вашите документи, но не може да пише код, да управлява файлове или да изпълнява задачи.

Протоколът ги обединява: единият действа, другият верифицира. Резултатът е агент, който може да прави неща И знае за какво говори.

Стъпка по стъпка: настройка на MCP сървъра за изследвания

Настройката отнема под 5 минути. Ще използваме notebooklm-mcp — най-популярния сървър за тази интеграция с 1,600+ GitHub stars.

Предварителни изисквания

Важно: Тази интеграция ползва недокументиран вътрешен API на Google чрез browser автоматизация — не е официален Google API. Работи стабилно към март 2026 г., но Google може да промени интерфейса без предупреждение. Препоръчваме отделен Google акаунт за автоматизация.

Преди да започнете, уверете се, че имате:

• Node.js 22 LTS и npm 9+ — инсталация от nodejs.org
• Активен Pro ($20/мес) или Max ($100-200/мес) абонамент за Anthropic
• Google акаунт с достъп до платформата за изследвания на Google
• Chrome браузър инсталиран (сървърът го използва за автоматизация)

Стъпка 1: Добавяне на MCP сървъра в Claude Code

Отворете терминала и изпълнете една команда:

macOS / Linux:

claude mcp add notebooklm npx notebooklm-mcp@latest

Windows (важно — изисква cmd /c wrapper):

claude mcp add --transport stdio notebooklm -- cmd /c npx -y notebooklm-mcp@latest

Windows gotcha: Без cmd /c wrapper ще получите "Connection closed" грешки. Това е документирано изискване за всички npx-базирани MCP сървъри на Windows.

Това е! Агентът вече знае за изследователския сървър. Сървърът ще се стартира автоматично при следващото извикване.

Стъпка 2: Автентикация с Google акаунт

При първото използване, кажете на Claude:

Log me in to NotebookLM

Chrome ще се отвори автоматично с Google login страница. Влезте с вашия акаунт. Credentials-ите остават локално на вашата машина и никога не напускат компютъра ви.

Настройките се запазват в ~/.config/notebooklm-mcp/settings.json и персистират между сесиите — не е нужно да се логвате отново.

Стъпка 3: Изберете профил на инструменти

Сървърът предлага три профила с различен брой инструменти:

За повечето потребители standard профилът е оптимален. Задайте го с:

npx notebooklm-mcp config set profile standard

Стъпка 4: Добавяне на notebook

Вече можете да работите! Кажете на Claude:

Add this notebook to the library: https://notebooklm.google.com/notebook/YOUR_NOTEBOOK_ID

Агентът ще запази линка с метаданни (заглавие, тагове, описание) за бъдещо използване.

Алтернативен път: Python-базиран сървър (jacob-bd)

Ако предпочитате Python вместо Node.js, или имате нужда от 35 инструмента (вместо 16), включително batch операции, cross-notebook queries и pipeline workflows, използвайте notebooklm-mcp-cli:

# Инсталация
uv tool install notebooklm-mcp-cli

# Автентикация
nlm login

# Автоматична конфигурация за Claude Code
nlm setup add claude-code

# Проверка
nlm doctor

Този сървър е препоръчан от XDA Developers и предлага допълнителни функции: nlm batch query "въпрос" --notebooks nb1 nb2 за заявки към множество тетрадки едновременно, nlm cross query за търсене между notebooks, и nlm pipeline run за многостъпкови автоматизирани workflows.

Практически примери: какво можете да правите с комбинацията

Ето конкретни workflow-и, които тази интеграция прави възможни.

Пример 1: Изследване преди кодиране

Research каква е препоръчителната структура за
Next.js 16 приложение с MDX блог, преди да създадеш проекта.

Агентът ще:

1. Избере подходящия notebook (или поиска да добавите нов)
2. Зададе поредица от въпроси към изследователската платформа
3. Получи citation-backed отговори — всеки факт е свързан с конкретен източник
4. Обобщи резултатите и предложи план за имплементация

Пример 2: Автономно проучване на документация

Do deep research за EU AI Act — какви са
изискванията за AI компании в България?

Инструментът research_topic стартира многостъпково автономно проучване: агентът задава последователни въпроси, всеки от които надгражда върху предишните отговори, изграждайки задълбочено разбиране на темата.

Пример 3: Генериране на Audio Overview от код

Generate Audio Overview за нашия API layer —
искам подкаст-стил обяснение на архитектурата.

Агентът инициира генериране на Audio Overview — подкаст-формат дискусия между двама AI водещи, които обсъждат вашата документация. Идеално за onboarding на нови членове на екипа.

Пример 4: Верификация на код срещу документация

Check in the research notebook дали нашата имплементация на
authentication flow съответства на спецификацията.

Това е "killer use case" на комбинацията: агентът чете кода ви, изследователската платформа чете спецификацията, и заедно идентифицират несъответствия — с точни цитати от документацията.

Пример 5: Конкурентен анализ за продуктова стратегия

Create a notebook с документацията на нашите 3 конкурента
и направи сравнителен анализ на функциите.

Този workflow е особено ценен за продуктови мениджъри и стратези. Качвате публичната документация, ценовите страници и блог постовете на конкурентите в отделна тетрадка, и след това задавате въпроси като: "Кои функции предлагат конкурентите, но ние не?", "Как се различават ценовите модели?" или "Кои потребителски болки адресират, които ние игнорираме?". Всеки отговор идва с точни цитати от конкретния документ — няма измислени данни, само реални факти от вашите източници.

Пример 6: Подготовка за техническо интервю

Качи документацията на компанията и направи deep research
за техния технологичен стек и архитектура.

За разработчици, които се подготвят за интервю, тази комбинация е безценна. Качвате engineering блога, публичните repo-та и техническите статии на целевата компания, и получавате задълбочен анализ на технологичните им решения — защо са избрали конкретна архитектура, какви предизвикателства решават, и как вашият опит се припокрива с техните нужди.

Алтернативни MCP сървъри за изследователската платформа

Ако основният сървър не отговаря на нуждите ви, екосистемата предлага няколко алтернативи:

За начинаещи препоръчваме PleasePrompto/notebooklm-mcp — най-прост за настройка и с най-активна общност. За пълен достъп до Studio функции (видео, слайдове, flashcards) — alfredang/notebooklm-mcp.

Настройка за Cursor, VS Code и Claude Desktop

Сървърът работи не само в терминала — ето как да го добавите в други среди.

Cursor

Добавете в ~/.cursor/mcp.json:

{
  "mcpServers": {
    "notebooklm": {
      "command": "npx",
      "args": ["-y", "notebooklm-mcp@latest"]
    }
  }
}

VS Code

Изпълнете в терминала:

code --add-mcp '{"name":"notebooklm","command":"npx","args":["notebooklm-mcp@latest"]}'

Claude Desktop

Създайте или редактирайте claude_desktop_config.json:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "notebooklm": {
      "command": "npx",
      "args": ["-y", "notebooklm-mcp@latest"]
    }
  }
}

Рестартирайте приложението след промяната.

Отстраняване на проблеми и съвети за напреднали

Като всяка нова технология, интеграцията може да покаже зъби. Ето най-честите проблеми и как да ги решите.

Автентикацията не работи

Ако Chrome не отваря login страница или credential-ите не се запазват:

# Проверете здравето на връзката
npx notebooklm-mcp config get

# Принудително повторно влизане
npx notebooklm-mcp config set profile standard

След това кажете на Claude: "Repair authentication". Той ще изчисти кешираните данни и ще стартира нова автентикация.

Лимитите на безплатния план свършват бързо

С 50 заявки дневно на безплатния план, активен research workflow може да изчерпи лимита за няколко часа. Решения:

1. Ъпгрейднете до Pro ($19.99/мес) за 500 заявки дневно
2. Използвайте minimal профил — ask_question и select_notebook консумират по-малко ресурси от research_topic
3. Планирайте заявките — групирайте свързаните въпроси вместо да питате поединично

Chrome detection проблеми

Browser автоматизацията включва хуманизация (естествена скорост на писане, забавяния, движения на мишката), но не е гарантирана. Ако Google засече автоматизацията:

• Преминете на Jacob Ben-David сървъра (mcp-cli), който използва различен подход
• Или използвайте отделен Google акаунт за автоматизация — препоръка от документацията
• Намалете честотата на заявките, за да имитирате естествена употреба

Бавен отговор от сървъра

Всяка заявка преминава през Chrome → Google AI → Gemini → обратно, което добавя латентност от 3-10 секунди. За сравнение, директен API call отнема под 1 секунда. Ако скоростта е критична:

• Избирайте ask_question вместо research_topic за единични въпроси
• Предварително подгответе тетрадката с правилните източници — по-малко дефрагментация означава по-бързи отговори
• Помислете за alfredang/notebooklm-mcp, който предлага по-директен достъп до Studio функциите

Съвети за оптимална работа

Организирайте notebooks по проект. Не трупайте всичко в една тетрадка — създайте отделни за документация, спецификации, конкурентен анализ и т.н. Тагвайте ги за лесно търсене.

Комбинирайте с други инструменти. Екосистемата от над 200 сървъра означава, че можете да свържете агента едновременно с Google AI за research, GitHub, Brave Search и Slack — създавайки пълна изследователска и комуникационна инфраструктура. За автоматизация на бизнес процеси вижте и n8n + AI интеграцията.

Използвайте standard профил. Минималният профил е твърде ограничен за реална работа, а пълният включва рискови операции като cleanup_data и remove_notebook. Средният профил е балансиран — 10 инструмента, които покриват 95% от нуждите.

Цени: колко струва пълният AI изследователски стек

Знанието колко струва пълният стек е важно за планиране на бюджета. Комбинацията е достъпна на различни бюджетни нива — от безплатен старт до enterprise решения.

Ценовата информация по-долу е актуална към март 2026 г. и е верифицирана от официалната страница на Google AI и Anthropic pricing. За студенти в САЩ, Google предлага AI Pro план на половин цена — $9.99/мес за 12 месеца.

Най-добрата стойност е комбинацията Free план + Claude Pro за $20/месец — получавате 50 research заявки дневно и пълен достъп до Claude Code. За повечето индивидуални потребители това е напълно достатъчно.

Планове на Google AI платформата в детайли

Предимства и ограничения на тази интеграция

За кого НЕ е подходяща тази комбинация

Честността изисква да кажем и кога тази интеграция не е правилният избор:

• Ако работите само с публични данни — ако нямате собствени документи, спецификации или изследвания, нямате какво да качите в тетрадките. По-добре ползвайте Perplexity AI или web search директно.
• Ако нямате нужда от citations — ако не ви интересува откъде идват фактите и просто искате бърз отговор, обикновеният Claude без интеграцията е по-бърз и по-прост.
• Ако бюджетът е нулев — безплатният план на Google дава 50 заявки дневно, но Claude Code изисква минимум $20/мес. Ако и това е прекалено, помислете за безплатни AI алтернативи.
• Ако сте в enterprise среда с строги compliance изисквания — browser автоматизацията не е official API и може да нарушава Terms of Service на Google. За корпоративна употреба изчакайте официален API или използвайте enterprise-secure варианта от Pantheon Security.

Често задавани въпроси за тази MCP интеграция

Заключение: бъдещето на AI изследванията е свързано

Тази комбинация е нещо повече от удобство — тя представлява нов модел на работа с AI. Вместо да избирате между мощност и точност, получавате и двете в един интерфейс.

Настройката отнема една команда. Цената започва от $20 на месец. А резултатът е изследователски workflow, който елиминира tab-hopping, намалява халюцинациите и превръща двата инструмента в единна машина за знание.

Model Context Protocol не е просто технология — той е бъдещето на AI интеграцията. И с над 200 сървъра в екосистемата, Google AI платформата е само началото. Следващата стъпка е да свържете агента с вашите инструменти за програмиране, бази данни, и бизнес системи — всичко чрез един протокол.

Ако вече сте запознати с разликите между водещите AI модели, знаете, че двата водещи AI модела имат различни силни страни. Тази интеграция ги обединява — и именно затова XDA Developers я нарече "the best research setup I've ever used".

Започнете с claude mcp add notebooklm npx notebooklm-mcp@latest и вижте разликата сами.