NotebookLM MCP: NotebookLM mulai masuk ke dunia agentic workflow

Google NotebookLM itu menarik karena dia bukan sekadar chatbot.

Dia lebih mirip workspace untuk membaca, memahami, dan menyusun pengetahuan dari source yang kita kasih: PDF, dokumen, link, catatan, materi riset, dan segala macam bahan mentah lain yang biasanya bikin kepala panas kalau dikerjakan manual.

Masalahnya, selama ini NotebookLM masih terasa sangat klik-klik manual.

Buka browser. Buat notebook. Upload source. Tanya satu-satu. Generate audio. Download. Share. Ulangi lagi untuk project berikutnya.

Untuk pemakaian pribadi, oke.

Untuk workflow riset, content, atau client intelligence yang berulang? Mulai kerasa lambat. Bukan karena NotebookLM jelek, tapi karena prosesnya belum jadi pipeline.

Nah, repo ini menarik karena mencoba membuka jalur lain:

NotebookLM yang bisa dikendalikan lewat CLI dan MCP.

Repo-nya ada di sini:

https://github.com/jacob-bd/notebooklm-mcp-cli

Dan menurutku ini worth watching. Bukan karena sudah sempurna. Tapi karena arahnya benar.

Apa itu notebooklm-mcp-cli?

notebooklm-mcp-cli adalah tool Python yang memberi akses programmatic ke Google NotebookLM lewat dua jalur:

1. CLI lewat command nlm
2. MCP server lewat command notebooklm-mcp

Dengan CLI, operasi NotebookLM bisa dijalankan dari terminal atau script.

Dengan MCP, AI assistant seperti Claude, Cursor, Gemini, Copilot, Cline, atau agent lain bisa memakai NotebookLM sebagai tool.

Contoh sederhananya begini:

nlm notebook list
nlm notebook create "Research Project"
nlm source add <notebook> --url "https://example.com"
nlm notebook query <notebook> "Apa insight utama dari semua source ini?"
nlm audio create <notebook> --confirm

Kelihatannya simpel, tapi implikasinya lumayan besar.

Karena begitu NotebookLM bisa dipanggil dari terminal, dia tidak lagi cuma aplikasi riset manual. Dia mulai bisa jadi bagian dari automation stack.

Kenapa ini menarik?

Karena NotebookLM punya posisi yang agak unik.

Banyak AI tool bagus untuk menjawab pertanyaan. Tapi NotebookLM kuat di satu hal yang sering disepelekan: source-grounded context.

Dia cocok untuk kerja seperti:

• membaca banyak dokumen,
• merangkum materi riset,
• membandingkan beberapa sumber,
• membuat briefing,
• menghasilkan audio overview,
• menyusun pemahaman dari kumpulan referensi.

Kalau aksesnya bisa diotomasi, NotebookLM bisa masuk ke workflow berulang.

Misalnya:

1. kumpulkan artikel, PDF, atau link,
2. buat NotebookLM baru,
3. masukkan semua source,
4. tanya beberapa pertanyaan standar,
5. generate summary,
6. buat audio briefing,
7. kirim hasilnya ke Telegram, email, atau dashboard internal.

Itu workflow yang sebelumnya banyak klik manual. Dengan CLI dan MCP, sebagian bisa dibuat repeatable.

Dan repeatable workflow itu beda kelas dari sekadar “AI bisa jawab”.

MCP bikin ceritanya lebih serius

MCP, atau Model Context Protocol, pada dasarnya adalah cara agar AI assistant bisa memakai tool eksternal secara lebih rapi.

Kalau NotebookLM expose tool lewat MCP, agent bisa melakukan instruksi seperti ini:

“Buat notebook baru tentang topik ini, masukkan link berikut, lalu buat ringkasan dan audio overview.”

Bedanya, agent tidak cuma memberi saran ke manusia.

Agent bisa menjalankan langkahnya.

Dari README repo tersebut, tool yang tersedia mencakup operasi seperti:

• list notebook,
• create notebook,
• add source dari URL, text, Drive, atau file,
• query notebook,
• create studio content seperti audio,
• download artifact,
• share notebook,
• batch operation,
• cross-notebook query,
• pipeline,
• tagging dan smart selection,
• setup untuk beberapa AI tools.

Ini pattern yang kuat: NotebookLM sebagai workspace source, MCP sebagai control plane, agent sebagai operator.

Bukan cuma aplikasi. Lebih mirip mesin kecil di dalam knowledge workflow.

Use case yang langsung masuk akal

Menurutku ada beberapa use case yang paling realistis.

1. Client research pack

Untuk riset calon client atau industri tertentu, workflow-nya bisa begini:

• masukkan website company,
• kumpulkan artikel berita,
• tambahkan PDF profile,
• tambahkan annual report atau dokumen teknis,
• lalu minta NotebookLM menyusun briefing.

Output-nya bisa jadi bahan meeting, proposal, atau strategi pendekatan.

Ini menarik untuk sales engineering, consulting, B2B service, dan internal business development.

Bukan karena AI-nya ajaib. Tapi karena source-nya rapi.

2. Content intelligence

Untuk content workflow, NotebookLM bisa jadi tempat mengolah bahan mentah sebelum jadi artikel.

Misalnya:

• bookmark X atau Threads,
• Reddit thread,
• artikel teknis,
• transcript video,
• dokumentasi produk,
• catatan internal.

Dari sana bisa keluar ide artikel, outline, angle, summary, dan kontra-argumen yang lebih grounded karena berbasis source.

Ini jauh lebih waras daripada minta chatbot kosong “buatkan artikel tentang topik X” lalu berharap hasilnya tidak generik.

Spoiler: biasanya generik.

3. Internal knowledge notebook

Untuk project internal, setiap project bisa punya NotebookLM sendiri.

Source-nya bisa berupa:

• meeting notes,
• technical docs,
• proposal,
• kontrak,
• issue history,
• decision log.

Agent kemudian bisa query notebook tersebut saat butuh konteks.

Ini cocok untuk tim kecil yang belum siap bikin full RAG system, tapi sudah butuh knowledge base yang lebih rapi daripada folder Drive berantakan.

4. Audio briefing

NotebookLM punya fitur audio overview yang lumayan berguna.

Kalau generation dan download-nya bisa diotomasi, kita bisa membayangkan daily atau weekly audio briefing dari kumpulan source tertentu.

Bukan untuk semua hal. Jangan semua hal dijadikan podcast juga, nanti hidup berubah jadi seminar tanpa akhir.

Tapi untuk riset panjang, briefing client, atau summary mingguan, audio overview bisa useful.

Tapi jangan salah baca: ini bukan official Google API

Ini bagian penting.

Tool ini bukan official Google API.

README repo-nya menyebut bahwa tool ini memakai internal API NotebookLM yang undocumented. Artinya:

• endpoint bisa berubah kapan saja,
• login bisa rusak setelah update Google,
• behavior bisa tidak stabil,
• butuh cookie extraction dari browser,
• tidak ideal untuk workflow production yang critical.

Jadi jangan diperlakukan seperti API resmi.

Menurutku posisinya begini:

Berguna untuk eksperimen serius dan internal workflow, tapi belum layak jadi fondasi production tanpa fallback.

Kalau dipakai untuk personal research atau automation internal, masuk akal.

Kalau dipakai untuk sistem client-facing yang harus jalan 24/7 tanpa drama, jangan dulu. Itu cari masalah namanya.

Risiko security-nya nyata

Karena tool ini butuh autentikasi Google lewat cookie atau browser session, setup-nya harus hati-hati.

Jangan asal pasang di server publik.

Jangan pakai akun Google utama tanpa pertimbangan.

Jangan taruh cookie atau credential di repo.

Jangan expose MCP server ke internet.

Kalau mau dicoba, jalur aman menurutku:

1. pakai akun Google khusus untuk eksperimen,
2. jalankan di environment lokal atau VPS yang terkunci,
3. simpan auth dengan permission ketat,
4. jangan expose port MCP publik,
5. audit command dan file config sebelum dipakai rutin,
6. anggap bisa rusak sewaktu-waktu.

Ini bukan paranoid. Ini hygiene standar kalau sebuah tool memakai session Google.

Kalau credential Google bocor, masalahnya bukan cuma satu tool rusak. Bisa melebar ke Drive, email, dokumen, dan akses lain. FFS jangan main-main di sini.

Kenapa tetap worth watching?

Karena arahnya benar.

Banyak pekerjaan knowledge work sekarang bukan kekurangan model AI. Modelnya sudah banyak. Yang kurang justru sistemnya.

Masalah sehari-hari biasanya begini:

• source tersebar,
• context tidak rapi,
• hasil riset tidak reusable,
• pekerjaan manual berulang,
• AI assistant sering tidak punya akses ke workspace yang tepat.

NotebookLM sudah cukup bagus sebagai tempat mengolah source. Kalau dia bisa dikendalikan agent, nilainya naik.

Bukan karena tool ini sempurna.

Tapi karena pattern-nya masuk akal:

source-grounded workspace + agent automation + repeatable pipeline.

Itu kombinasi yang akan makin penting.

Kita tidak butuh AI yang makin heboh untuk setiap masalah. Kadang yang dibutuhkan cuma workflow yang lebih rapi, lebih bisa diulang, dan lebih sedikit klik manual.

Cara mulai yang waras

Kalau mau coba, aku tidak akan langsung mengintegrasikan ini ke workflow penting.

Aku akan mulai kecil:

uv tool install notebooklm-mcp-cli
nlm login
nlm notebook create "Test Research Notebook"
nlm source add <notebook> --url "https://example.com"
nlm notebook query <notebook> "Ringkas insight utama dari source ini"
nlm audio create <notebook> --confirm

Lalu cek beberapa hal:

• login stabil atau sering putus,
• source masuk dengan benar,
• query konsisten,
• audio generation bisa dipanggil ulang,
• artifact bisa di-download,
• MCP server terbaca baik di AI assistant yang dipakai.

Kalau stabil beberapa hari, baru pikirkan workflow yang lebih serius.

Jangan kebalik: jangan bikin sistem dulu baru berharap tool-nya stabil. Itu resep migrain.

Verdict

notebooklm-mcp-cli menarik dan layak dicoba.

Bukan untuk langsung dijadikan production backbone. Tapi untuk internal research, content pipeline, client intelligence, dan eksperimen agent workflow, potensinya jelas.

Menurutku ini bukan sekadar “tool baru buat NotebookLM”. Ini sinyal bahwa NotebookLM mulai bisa masuk ke dunia agentic workflow.

Dan itu menarik, karena banyak pekerjaan riset sebenarnya tidak butuh AI yang lebih meledak-ledak.

Yang dibutuhkan adalah sistem yang lebih rapi untuk membaca, menyusun, dan mengulang proses dengan konsisten.

NotebookLM sudah punya bagian “membaca source”-nya.

MCP bisa memberi bagian “dikendalikan agent”-nya.

Kalau dua hal itu makin matang, knowledge work bakal makin sedikit klik manual dan makin banyak pipeline yang bisa dipercaya.

Nah, itu baru automation yang masuk akal.