Claude Code e NotebookLM: como montar um sistema RAG gratuito para pesquisa aprofundada

Um dos problemas mais irritantes ao trabalhar com o Claude Code é a necessidade de analisar um grande corpus de documentos: a busca na web integrada oferece resultados superficiais, e os tokens somem a olhos vistos. Uma solução que vem ganhando popularidade na comunidade de desenvolvedores de língua russa é a combinação do Claude Code, da Anthropic, com o NotebookLM, do Google, transformada em um sistema RAG sem gastar um único rublo a mais.

Por que o Claude Code trava em documentos extensos

O Claude Code é um assistente de IA para linha de comando que escreve código, analisa projetos e interage com o sistema de arquivos. Seu ponto fraco é o trabalho com conhecimento externo: a busca na web integrada muitas vezes não oferece a profundidade necessária, e cada consulta consome tokens do limite. Como resultado, em vez de uma pesquisa aprofundada, obtém-se uma varredura superficial e cara.

O que é RAG e o que o NotebookLM tem a ver com isso

RAG (Retrieval-Augmented Generation) é uma abordagem arquitetônica na qual o modelo de linguagem não responde a uma pergunta apenas com base em seu próprio "conhecimento", mas primeiro recupera informações relevantes de um banco de dados externo e só depois gera uma resposta com base nelas. Soluções RAG corporativas custam dinheiro e exigem infraestrutura: bancos de dados vetoriais, pipelines de indexação, configuração de embeddings.

O NotebookLM é um produto experimental do Google, criado originalmente como assistente pessoal de pesquisa. Ele consegue carregar documentos, arquivos PDF, páginas da web e anotações, e depois responder a perguntas estritamente dentro do contexto carregado — na prática, é um sistema pronto de recuperação de informações com citação de fontes.

Esquema de integração

O esquema de integração, descrito no Habr, funciona assim: o usuário carrega os documentos necessários (especificações técnicas, artigos de pesquisa, documentação de API e outros materiais que exigem análise aprofundada) no NotebookLM. Em seguida, o NotebookLM é usado para uma pesquisa preliminar — perguntas são feitas, e as principais conclusões e citações com indicação das fontes são reunidas. Os resumos estruturados obtidos são passados para o Claude Code como contexto, depois do que o modelo da Anthropic trabalha já com informações concentradas e relevantes, em vez de gastar tokens buscando e filtrando.

Economia e limitações da abordagem

O NotebookLM é gratuito e generoso em seus limites. O Claude Code, dentro de uma assinatura do Claude Pro, oferece uma determinada quantidade de tokens, e cada um deles conta: quando o modelo recebe um contexto já filtrado e relevante em vez de resultados brutos de busca na web, a eficiência no uso de tokens aumenta muito. Nesse esquema, o NotebookLM desempenha o papel de pré-processador, que elimina o ruído informacional antes de entrar em cena a geração, que é cara.

O mercado de ferramentas de IA para desenvolvedores, por sua vez, se fragmenta rapidamente: GitHub Copilot, Cursor, Windsurf, Claude Code, Google Gemini Code Assist — cada produto se destaca em algo específico, mas nenhum atende a todas as necessidades, e os desenvolvedores cada vez mais montam suas próprias "pilhas" com várias ferramentas de IA.

A abordagem também tem limitações. Transferir manualmente o contexto entre duas ferramentas é uma etapa extra que interrompe o fluxo de trabalho. O NotebookLM tem seus próprios limites quanto ao volume de documentos carregados e nem sempre processa corretamente formatações complexas. Além disso, o Google pode alterar os termos de uso do serviço a qualquer momento — produtos gratuitos não oferecem garantias. Ainda assim, para desenvolvedores individuais e equipes pequenas sem orçamento corporativo para pesquisa aprofundada, essa solução parece funcional.

O que é a abordagem RAG usada por essa combinação?

RAG (Retrieval-Augmented Generation) é uma abordagem na qual o modelo de linguagem primeiro recupera informações relevantes de um banco de dados externo e depois gera uma resposta com base nelas, em vez de responder apenas com base em seu próprio "conhecimento". Na combinação entre Claude Code e NotebookLM, o papel de recuperar informações fica a cargo do NotebookLM, enquanto o Claude Code trabalha já com o contexto obtido.

Quanto custa a combinação de Claude Code e NotebookLM?

A solução funciona sem gastar um único rublo a mais: o NotebookLM é gratuito e generoso em seus limites, e o Claude Code é usado dentro de uma assinatura do Claude Pro já ativa, que oferece uma determinada quantidade de tokens.

Quais são as limitações dessa abordagem?

A transferência de contexto entre as ferramentas é feita manualmente e interrompe o fluxo de trabalho; o NotebookLM tem seus próprios limites quanto ao volume de documentos carregados e nem sempre processa corretamente formatações complexas; além disso, o Google pode alterar os termos de uso do serviço a qualquer momento, e produtos gratuitos não oferecem garantias.