終極檢索架構：NotebookLM + LanceDB + GraphRAG 三 CLI 協作

• 18 January 2026
• NotebookLM,
• LanceDB,
• GraphRAG,
• CLI,
• Skills,
• 多模態,
• 知識圖譜,
• RAG

終極檢索架構：NotebookLM + LanceDB + GraphRAG 三 CLI 協作

TL;DR

三者透過 Skills 協作，Claude 自動選擇最適合的檢索方式。

Part 1：NotebookLM-py — 多模態 DB

1.1 API 現況

notebooklm-py 是逆向工程的 CLI，支援完整功能：

pip install notebooklm-py

1.2 核心能力

# 建立筆記本
notebooklm-py notebook create "tech-research"

# 上傳多模態來源
notebooklm-py sources add tech-research \
  --pdf paper.pdf \
  --youtube "https://youtube.com/watch?v=xxx" \
  --audio meeting.mp3

# 語意檢索
notebooklm-py query tech-research "Kubernetes 部署重點" --json

# 匯出
notebooklm-py export tech-research --format podcast
notebooklm-py export tech-research --format mindmap

1.3 檢索機制

重要：notebooklm-py query 使用 Gemini 1.5 Pro 語意檢索，不是 Hybrid Search。

輸出格式：

{
  "answer": "Kubernetes 部署需要...",
  "sources": [
    {"text": "相關段落", "page": 5, "source": "paper.pdf"}
  ]
}

Part 2：LanceDB CLI — Hybrid 精準檢索

2.1 與 NotebookLM 的互補

2.2 使用方式

# 安裝
pip install lancedb[cli]

# Hybrid 查詢
lancedb query ./blog.lance \
  --hybrid "Kubernetes 台積電" \
  --top-k 10

# 建立優化索引
lancedb create-index blog.lance --ivf-pq

2.3 適用場景

• 技術 blog / 程式碼
• 需要精確關鍵字匹配
• 需要自訂 rerank 策略

Part 3：GraphRAG CLI — 知識圖譜

3.1 為什麼需要 GraphRAG？

向量搜尋的問題：只看局部，看不到全局。

例如查詢 "整個 RAG 流程"：

• 向量搜尋：抓到零散段落
• GraphRAG：遍歷圖譜，找出完整 pipeline

3.2 一鍵建圖譜

# 安裝
pip install graphrag

# 初始化
mkdir graphrag-blog && cd graphrag-blog
graphrag init --root .

# 複製文件
cp ../blog/*.md ./

# 建圖譜（自動提煉 entities/relations）
graphrag index --root . \
  --llm-model "openai/gpt-4o-mini" \
  --embedding-model "openai/text-embedding-3-small"

自動做的事：

1. Chunk 文件
2. LLM 提煉 entities（Kubernetes, LanceDB, deploy）
3. LLM 提煉 relations（"依賴", "用於", "pipeline"）
4. 建立圖譜索引

時間：100 文件約 3-5 分鐘

3.3 查詢模式

# Global（全局摘要）
graphrag query "Kubernetes 部署依賴哪些元件？" --method global

# Local（局部搜尋）
graphrag query "LanceDB 如何與 RAG 整合？" --method local --json

3.4 成本

• 首次索引：約 $0.5（小型 blog）
• 後續查詢：按 token 計費
• 可存 Git，不需重建

Part 4：三 CLI 協作架構

4.1 架構圖

flowchart TB
  Q[Claude 收到 Query] --> S[Skills 匹配]

  subgraph T[三路檢索]
    direction TB
    N[notebooklm-py
（多模態）]
    L[LanceDB
（Hybrid）]
    G[GraphRAG
（圖譜）]
  end

  S --> N
  S --> L
  S --> G

  N --> F[融合 top-5]
  L --> F
  G --> F

  F --> C[Context]

4.2 Skills 設定

選擇邏輯：

ultimate-rag.SKILL.md 範例：

---
name: Ultimate RAG
description: 三路檢索：多模態 + Hybrid + 知識圖譜
keywords: ["search", "rag", "vector", "graphrag", "multimodal"]
---

# 三路 CLI 檢索

## 執行

### 多模態
notebooklm-py query my-notebook "{query}" --json

### Hybrid
cd mcp-server && bun run search-material-cli.ts --focus "{query}" --limit 5

### GraphRAG
graphrag query "{query}" --method global --json

## 融合
取各路 top-3，去重後組成 context。

4.3 實際效果

Part 5：實作建議

5.1 遷移步驟

# 1. 安裝三個 CLI
pip install notebooklm-py lancedb graphrag

# 2. 建立各自索引
# NotebookLM
notebooklm-py notebook create "my-research"
notebooklm-py sources add my-research --pdf *.pdf

# LanceDB（你已有）
# 無需額外操作

# GraphRAG
mkdir graphrag-blog && cd graphrag-blog
graphrag init --root .
cp ../blog/*.md ./
graphrag index --root .

# 3. 建立 Skills
cp ultimate-rag.SKILL.md .agent/skills/

5.2 何時用哪個？

你的 Query 是？

├── 涉及 PDF/影片/音訊
│   └── notebooklm-py
│
├── 需要精確關鍵字匹配
│   └── LanceDB Hybrid
│
├── 問「全局流程」「整體關係」
│   └── GraphRAG global
│
└── 一般技術問題
    └── LanceDB Hybrid（預設）

5.3 成本估算

關鍵學習

1. 三 CLI 互補：多模態 + Hybrid + 圖譜，覆蓋所有場景
2. Skills 自動切換：Claude 根據 query 特性選擇最佳路徑
3. GraphRAG 解決全局問題：向量搜尋的盲點
4. 成本可控：GraphRAG 索引一次，後續便宜
5. CLI > MCP：更少 token、更可靠、更易維護

相關資源

• notebooklm-py
• LanceDB CLI
• Microsoft GraphRAG
• NotebookLM Enterprise API
• 我的 Career RAG 專案

• ← Previous
  Hybrid Search 實戰：從中文分詞到向量資料庫選型完整指南