Claude Code y NotebookLM: cómo crear un sistema RAG gratuito para investigación en profundidad

Uno de los problemas más frustrantes al trabajar con Claude Code es la necesidad de analizar un gran corpus de documentos: la búsqueda web integrada ofrece resultados superficiales, y los tokens se consumen a ojos vistas. Una solución que gana popularidad en la comunidad de desarrolladores de habla rusa es la combinación de Claude Code de Anthropic y NotebookLM de Google, convertida en un sistema RAG sin gastar ni un rublo adicional.

Por qué Claude Code se atasca con documentos extensos

Claude Code es un asistente de IA para la línea de comandos que escribe código, analiza proyectos e interactúa con el sistema de archivos. Su punto débil es el trabajo con conocimiento externo: la búsqueda web integrada a menudo no ofrece la profundidad necesaria, y cada consulta consume tokens del límite. Como resultado, en lugar de una investigación profunda, se obtiene un costoso rastreo superficial.

Qué es RAG y qué tiene que ver NotebookLM con esto

RAG (Retrieval-Augmented Generation) es un enfoque arquitectónico en el que el modelo de lenguaje no responde a una pregunta únicamente a partir de su propio «conocimiento», sino que primero extrae información relevante de una base de datos externa y solo después genera una respuesta basada en ella. Las soluciones RAG empresariales cuestan dinero y requieren infraestructura: bases de datos vectoriales, pipelines de indexación, configuración de embeddings.

NotebookLM es un producto experimental de Google, creado originalmente como asistente de investigación personal. Puede cargar documentos, archivos PDF, páginas web y notas, y luego responder preguntas estrictamente dentro del contexto cargado; en esencia, es un sistema de recuperación de información ya listo, con citación de fuentes.

Esquema de integración

El esquema de integración, descrito en Habr, funciona así: el usuario carga los documentos necesarios (especificaciones técnicas, artículos de investigación, documentación de API y otros materiales que requieren un análisis profundo) en NotebookLM. Luego NotebookLM se usa para una investigación preliminar: se hacen preguntas, se recopilan las conclusiones clave y las citas con indicación de las fuentes. Los resúmenes estructurados obtenidos se transfieren a Claude Code como contexto, tras lo cual el modelo de Anthropic trabaja ya con información concentrada y relevante en lugar de gastar tokens en buscar y filtrar.

Economía y limitaciones del enfoque

NotebookLM es gratuito y generoso en sus límites. Claude Code, dentro de una suscripción a Claude Pro, ofrece una cantidad determinada de tokens, y cada uno de ellos cuenta: cuando el modelo recibe contexto ya filtrado y relevante en lugar de resultados brutos de búsqueda web, la eficiencia en el uso de tokens aumenta considerablemente. En este esquema, NotebookLM cumple el papel de preprocesador que elimina el ruido informativo antes de que entre en juego la costosa generación.

El mercado de herramientas de IA para desarrolladores, mientras tanto, se fragmenta rápidamente: GitHub Copilot, Cursor, Windsurf, Claude Code, Google Gemini Code Assist; cada producto destaca en algo concreto, pero ninguno cubre todas las necesidades, y los desarrolladores arman cada vez más sus propios «stacks» a partir de varias herramientas de IA.

El enfoque también tiene limitaciones. Transferir el contexto manualmente entre dos herramientas es un paso adicional que interrumpe el flujo de trabajo. NotebookLM tiene sus propios límites en cuanto al volumen de documentos que se pueden cargar y no siempre procesa correctamente el formato complejo. Además, Google puede cambiar las condiciones de uso del servicio en cualquier momento; los productos gratuitos no ofrecen garantías. Aun así, para desarrolladores individuales y equipos pequeños sin presupuestos corporativos para investigación profunda, esta solución parece funcional.

¿Qué es el enfoque RAG que utiliza esta combinación?

RAG (Retrieval-Augmented Generation) es un enfoque en el que el modelo de lenguaje primero extrae información relevante de una base de datos externa y luego genera una respuesta basada en ella, en lugar de responder únicamente a partir de su propio «conocimiento». En la combinación de Claude Code y NotebookLM, el papel de la recuperación de información lo asume NotebookLM, mientras que Claude Code trabaja ya con el contexto obtenido.

¿Cuánto cuesta la combinación de Claude Code y NotebookLM?

La solución funciona sin gastar ni un rublo adicional: NotebookLM es gratuito y generoso en sus límites, y Claude Code se usa dentro de una suscripción a Claude Pro ya activa, que ofrece una cantidad determinada de tokens.

¿Qué limitaciones tiene este enfoque?

La transferencia de contexto entre las herramientas se realiza manualmente e interrumpe el flujo de trabajo; NotebookLM tiene sus propios límites en cuanto al volumen de documentos que se pueden cargar y no siempre procesa correctamente el formato complejo; además, Google puede cambiar las condiciones de uso del servicio en cualquier momento, y los productos gratuitos no ofrecen garantías.