| name | web-research |
| description | Pesquisa estruturada na internet com síntese em relatório markdown. Use sempre que o usuário pedir "pesquisar", "buscar", "investigar", "research", "procurar online", "find online", "look up", "comparar X vs Y", "qual o melhor X" ou similar. Decide automaticamente entre modo fast (consultas pontuais) e deep (relatórios profundos), executa via NotebookLM e retorna markdown com citações. |
Web Research via NotebookLM
Pesquisa autônoma na internet com importação de fontes, síntese cruzada e geração de relatório em PT-BR. Usa o CLI notebooklm-py (reverse-engineering das APIs do Google NotebookLM). Profile dedicado: clowdbot-research.
Quando Ativar
Ative SEMPRE que a intenção do usuário envolver buscar/sintetizar informação atual da internet. Triggers:
- "pesquise", "pesquisa sobre", "busque", "busca sobre", "investigue"
- "research X", "look up", "find online", "search the web"
- "qual o melhor X", "comparar X vs Y", "panorama de X em 2026"
- "me dá um relatório sobre X", "preciso entender o cenário de X"
Não use para: questões respondíveis pelo seu próprio conhecimento, fatos triviais, ou perguntas sobre o código deste repositório (use Grep/Read).
Critério: fast vs deep
Decida AUTONOMAMENTE antes de disparar:
| Modo | Quando usar | Tempo | Custo cognitivo |
|---|
fast | Consulta pontual, pergunta com resposta clara, tópico estável, validação rápida | ~30-60s | baixo |
deep | Comparativo amplo, panorama, decisão estratégica, tópico volátil (>= 3 dimensões), usuário pediu "profunda/completa/extensa" | 5-15min | alto |
Regra prática: se você precisaria abrir 5+ abas do browser pra responder, é deep. Se 1-2 sites resolvem, é fast.
Ao escolher deep, AVISE o usuário antes ("Vou disparar deep research, leva ~10min, te aviso quando terminar") e rode o research wait com run_in_background: true.
Invocação por Plataforma
Detecte o sistema antes de rodar. Use python -m notebooklm (forma portável que não depende do PATH ter o script):
| OS | Shell | Como rodar |
|---|
| Windows | PowerShell | python -m notebooklm -p clowdbot-research <args> |
| Linux/Mac | Bash | python3 -m notebooklm -p clowdbot-research <args> (ou ative o venv onde foi instalado) |
Storage local:
- Windows:
%USERPROFILE%\.notebooklm\profiles\clowdbot-research\storage_state.json
- Linux/Mac:
$HOME/.notebooklm/profiles/clowdbot-research/storage_state.json
Workflow
Pré-flight (sempre)
python -m notebooklm -p clowdbot-research auth check --test
Espere ver "Authentication is valid". Se falhar com SID/cookie ausente → AVISE o usuário ("Auth do NotebookLM expirou — rode python -m notebooklm -p clowdbot-research login --fresh"). Não tente reauth automaticamente.
1. Criar notebook efêmero
python -m notebooklm -p clowdbot-research create "research-<timestamp>-<slug>"
Captura o UUID retornado. SEMPRE passe via -n <uuid> nos comandos seguintes.
2. Disparar pesquisa
fast:
python -m notebooklm -p clowdbot-research source add-research --mode fast --import-all -n <uuid> "<query>"
deep (background + wait):
python -m notebooklm -p clowdbot-research source add-research --mode deep --no-wait -n <uuid> "<query>"
python -m notebooklm -p clowdbot-research research wait -n <uuid> --timeout 1200 --import-all
3. (Opcional) Adicionar fontes premium curadas
python -m notebooklm -p clowdbot-research source add -n <uuid> "https://..."
4. Gerar relatório
python -m notebooklm -p clowdbot-research generate report --format briefing-doc -n <uuid> --wait --retry 3 --append "Estruture em seções com tabelas markdown. Cite fontes com [n]. Foque em: <aspectos>"
5. Baixar e apresentar
python -m notebooklm -p clowdbot-research artifact list -n <uuid>
# pega o UUID do artifact Report
python -m notebooklm -p clowdbot-research download report <output-path>.md -n <uuid> --artifact <artifact-uuid>
Sugestão de output path:
- Windows:
$env:TEMP\notebooklm-research\<title>.md
- Linux/Mac:
/tmp/notebooklm-research/<title>.md
Depois leia o arquivo e apresente:
- Resumo executivo em 3-5 bullets (não cole o markdown inteiro inline)
- Caminho completo do arquivo
- ⚠️ Fact-check de claims duvidosas
6. Cleanup
python -m notebooklm -p clowdbot-research delete <uuid> --yes
Mantenha o notebook só se o usuário sinalizou follow-up.
Verificação de Veracidade
Deep research do NotebookLM tem taxa de erro factual ~5-15% (datas erradas, claims exageradas, citações distorcidas). Sempre faça sanity check pós-relatório:
- Datas absurdas (e.g. "lançamento em 2021" para produto de 2026) → flag
- Claims de benchmarks → cruzar com fonte primária se for decisão importante
- Numerais (preços, percentuais) → conferir se existem na fonte citada
Adicione no fim da resposta: "⚠️ Fact-check recomendado: <itens específicos>".
Quando NÃO usar esta skill
- Pergunta respondível pelo seu próprio conhecimento sem precisar de fontes atuais
- Busca dentro do código do repositório → use
Grep / Read
- Documentação de biblioteca específica → use
context7 MCP (mais rápido e preciso)
- Validação de fato singular conhecido → use
WebSearch direto (sem overhead de notebook)
Troubleshooting
| Sintoma | Causa | Fix |
|---|
auth check falha com SID ausente | Cookies expiraram (~6 meses) | Refazer python -m notebooklm -p clowdbot-research login --fresh |
IMPORT_RESEARCH timed out durante deep | Normal para queries amplas | Skill já passa --retry 3 — só esperar |
generate report retorna texto vazio | Notebook sem sources prontas | Verifique source list -n <uuid> antes de gerar |
| Erro "Unknown language code: pt-BR" | Use underscore: pt_BR | python -m notebooklm -p clowdbot-research language set pt_BR |
notebooklm não encontrado no PATH | Script não está no PATH | A skill já usa python -m notebooklm (que sempre funciona se o pacote está instalado) |
