notebooklm-py 是目前最完整的 Google NotebookLM 非官方 Python API。它不只是簡單的爬蟲或 Selenium wrapper——而是直接逆向了 Google 內部的 RPC 協議，讓你能以程式化方式操作 NotebookLM 的所有功能，甚至包含網頁 UI 沒有暴露的能力。
核心技術：Google batchexecute RPC
NotebookLM 網頁版底層使用 Google 內部的 batchexecute RPC 協議。這不是 NotebookLM 獨有的——Google Photos、Google Translate 等產品都用同一套機制。
請求結構長這樣：
POST /_/LabsTailwindUi/data/batchexecute
f.req = [[[rpc_id, json_params, null, "generic"]]]幾個關鍵設計：
- RPC ID：每個操作對應一個 6 字元識別碼（如
wXbhsf），這些 ID 是逆向工程得來的 - 位置敏感的參數：payload 不是 key-value，而是巢狀 JSON 陣列，靠索引位置區分參數意義。缺少的位置必須填
None - Anti-XSSI 保護：回應前綴
)]}'\n，需要先剝掉才能解析 - CSRF Token：透過頁面中的
SNlM0e值作為at參數傳遞
這套協議沒有任何官方文件。開發者的做法是打開 Chrome DevTools，篩選 batchexecute 請求，在網頁上執行操作，然後從攔截到的請求中逐一拆解 RPC ID 和 payload 結構。
認證：Playwright 瀏覽器 Cookie 擷取
Google 沒有為 NotebookLM 提供 OAuth scope 或 API key，所以 notebooklm-py 用了一個務實的方案：直接用 Playwright 開瀏覽器讓使用者登入，然後擷取 session cookies。
pip install "notebooklm-py[browser]"
playwright install chromium
notebooklm login流程是：Playwright 啟動 Chromium → 使用者手動登入 Google → 程式擷取 cookies 儲存到本地 → 後續所有 API 請求都帶上這些 cookies 模擬已登入狀態。
這意味著認證的生命週期等同於 Google session cookie 的有效期，過期就需要重新登入。
功能：不只是 Web UI 的鏡像
除了對應網頁上所有操作（建立筆記本、新增來源、聊天問答、生成音訊概覽等），notebooklm-py 還提供了 Web UI 做不到的事：
- 批量下載 artifacts（音訊、影片、投影片）
- 結構化匯出：測驗和閃卡可匯出為 JSON / Markdown / HTML，而不只是在介面上看
- 心智圖階層資料擷取：拿到結構化的樹狀資料
- 可編輯的 PPTX 下載：網頁只給 PDF，這裡給你 PowerPoint
- 程式化權限管理：批量設定分享和存取權限
所有內容生成都走同一個 CREATE_ARTIFACT RPC 方法，用不同的 type code 區分產出類型（音訊、影片、投影片、測驗等）。長時間任務會回傳 task ID，透過輪詢追蹤完成狀態。
三種使用方式
CLI 適合快速操作和腳本：
notebooklm create "Research Project"
notebooklm source add "https://example.com"
notebooklm generate audio "make it engaging" --wait
notebooklm download audio ./podcast.mp3Python API 是 async-based，適合整合進應用：
async with await NotebookLMClient.from_storage() as client:
nb = await client.notebooks.create("Research")
await client.sources.add_url(nb.id, "https://example.com", wait=True)
result = await client.chat.ask(nb.id, "Summarize this")AI Agent 技能 可以安裝到 Claude Code、Codex 或 OpenClaw：
notebooklm skill install整體架構
使用者（Python / CLI / Agent）
│
NotebookLMClient（async session）
│
RPC 方法層（RPCMethod enum → 6 字元 RPC ID）
│
HTTP POST → /_/LabsTailwindUi/data/batchexecute
（cookies + CSRF token + 巢狀 JSON payload）
│
Google NotebookLM 後端
│
回應解析（strip anti-XSSI → parse chunked JSON → dataclass）整體來說
notebooklm-py 的核心取捨很明確：用逆向工程換來完整的程式化存取能力，代價是穩定性依賴 Google 不改動內部協議。
適合的場景：原型開發、研究、批量處理（例如一次幫 20 份文件生成 podcast 音訊）、或是把 NotebookLM 整合進 AI agent 工作流。
不適合的場景：生產環境、對穩定性有嚴格要求的服務。Google 改一個 RPC ID，整個功能就會壞掉。
目前 9.1k stars、650+ commits，是這個領域最成熟的選擇。如果你需要程式化操作 NotebookLM，這基本上是唯一的路。