Learn

Skill: Learn — YouTube → NotebookLM → Plan nauki → Questy

Dlaczego ten skill istnieje

Nauka z YouTube to chaos — 50 filmów, zero struktury, nie wiadomo od czego zacząć. Ten skill zamienia ten chaos w grę: szuka filmów, wrzuca do NotebookLM, generuje plan nauki, a potem rozbija go na questy z achievementami i checkboxami. Na końcu feedback loop sprawdza czy faktycznie rozumiesz temat (quiz + Feynman probe), nie tylko czy obejrzałeś filmik.

Wymagania

• yt-dlp — szukanie filmów na YouTube (brew install yt-dlp)
• notebooklm CLI — interakcja z Google NotebookLM (pipx install "notebooklm-py[browser]")
• Jednorazowa autoryzacja: notebooklm login (otwiera przeglądarkę → Google login)
• Sprawdzenie auth: notebooklm auth check

Flow

Krok 0: Konfiguracja output

Sprawdź zmienną środowiskową LEARN_OUTPUT_DIR. Jeśli ustawiona — użyj jej jako katalogu wyjściowego. Fallback: ./learn-output/ w katalogu projektu.

Utwórz katalog jeśli nie istnieje.

Krok 1: Szukaj filmów na YouTube

Uruchom skrypt bundlowany w skillu:

python3 scripts/youtube_search.py --topic "[TEMAT]" --max-results 10

Skrypt filtruje po: min 1000 views, min 5 min, sortuje po popularności.

WAŻNE: Bash output może być zwinięty w UI — user go nie widzi! Przepisz wyniki jako sformatowaną tabelę markdown w odpowiedzi do usera. Kolumny: #, Tytuł, Views, Czas, Kanał. Zapytaj które filmy dodać — np. "1,2,5" lub "all".

Krok 2: Nowy notebook czy istniejący?

Zapytaj:

• Nowy — stwórz notebook o nazwie tematu
• Istniejący — pokaż listę

Dla nowego:

notebooklm create "[TEMAT]"

Zwraca notebook_id. Ustaw jako aktywny:

notebooklm use [NOTEBOOK_ID]

Dla istniejącego:

notebooklm list
notebooklm use [NOTEBOOK_ID]

Krok 3: Dodaj filmy jako źródła

Dodawaj po jednym z 3-sekundowym delay (rate limiting Google):

notebooklm source add "https://youtube.com/watch?v=VIDEO_ID_1"
sleep 3
notebooklm source add "https://youtube.com/watch?v=VIDEO_ID_2"

Po dodaniu — poczekaj na przetworzenie (zbieraj source_id z outputu):

notebooklm source wait [SOURCE_ID] --timeout 120

Informuj o postępie (X/Y dodane, przetwarzanie...).

Krok 4: Odpytanie promptem do nauki

Zaproponuj prompty z references/learning-prompts.md (przeczytaj plik w tym momencie):

1. Plan nauki krok po kroku
2. Plan nauki na X dni — zapytaj ile dni (domyślnie 7 lub 14)
3. Trend Extraction
4. FAQ — 15 pytań z odpowiedziami
5. Syntetyzator wielu filmów
6. Contrarian Finder
7. Pomiń (porozmawiam sam później)

Dla opcji 2: Zapytaj o liczbę dni. Wczytaj prompt #2 i zamień {DAYS} na wybraną liczbę.

Po wyborze:

notebooklm ask "[WYBRANY PROMPT]"

Krok 5: Quest Generation (opcjonalny)

Po wyświetleniu planu nauki, zapytaj:

> Chcesz wygenerować quest chain? Questy z achievementami, checkboxami i estymacją czasu — jak w grze.

Jeśli tak:

5a. Przeczytaj szablon

Przeczytaj references/quest-template.md — pełny format questów, zasady achievementów i mapowanie plan → questy.

5b. Wygeneruj quest chain

Weź plan nauki z NotebookLM (output z Kroku 4) i transformuj w questy:

• Każdy major topic / faza / dzień = osobny Quest
• Prerequisites → wpleć w Quest 1
• Quick wins → wcześniejsze questy (1-2)
• Deep dives → ostatnie questy
• Checkboxy - [ ] do trackowania progresu
• Achievementy: kreatywne, tematyczne, po polsku
• "Sukces wygląda tak:" = weryfikowalne kryterium
• Estymacje: realistyczne (oglądanie = 1.3x film, zadanie = 10-20 min)
• Tabela podsumowująca na końcu

5c. Zapisz do pliku

Ustal slug tematu (lowercase, polskie znaki → ASCII: ą→a, ć→c, ę→e, ł→l, ń→n, ó→o, ś→s, ź→z, ż→z, spacje → -, max 50 znaków).

Nazwa pliku: YYYY-MM-DD_[slug].md Katalog: output dir z Kroku 0.

Jeśli plik istnieje → dodaj suffix -v2, -v3 etc.

YAML front matter:

---
type: quest-chain
topic: "[TEMAT]"
slug: "[slug]"
created: YYYY-MM-DD
notebook_id: "[notebook_id z Kroku 2]"
version: 1
quests: [liczba questów]
source: learn-skill
---

Pokaż ścieżkę do pliku.

Krok 6: Feedback Loop Setup (po quest generation)

Warunek: Tylko jeśli quest chain powstał w Kroku 5.

6a. Wygeneruj pytania per quest

Dla KAŻDEGO questa użyj NotebookLM:

notebooklm ask "[QUIZ_GENERATOR_PROMPT z references/learning-prompts.md — podmień QUEST_TOPIC]"

Powtórz dla Feynman probe (prompt #8 z learning-prompts.md).

Jeśli NotebookLM nie odpowie → wygeneruj pytania sam (Claude) na podstawie materiału questa.

6b. Wygeneruj feedback-loop.md

Przeczytaj references/feedback-loop-template.md. Wypełnij szablon:

• Quest rows: Quest 1 = pending, reszta = -
• Pre-generowane pytania quiz + feynman per quest
• Notebook ID zachowany

6c. Zapisz obok quest chain

Nazwa pliku: YYYY-MM-DD_[slug]_feedback-loop.md Katalog: ten sam co quest chain (output dir).

YAML front matter:

---
type: feedback-loop
topic: "[TEMAT]"
slug: "[slug]"
created: YYYY-MM-DD
notebook_id: "[notebook_id]"
quest_file: "[nazwa pliku quest chain]"
version: 1
status: active
source: learn-skill
---

6d. Podsumowanie

Feedback loop wygenerowany:
- Plik: [ścieżka]
- Questów: X (z pre-generowanymi pytaniami)
- Pierwszy do review: Quest 1 — [nazwa]
- Komenda: /learn-review [slug]

Failure Handling

| Sytuacja | Co robić | |----------|----------| | yt-dlp: 0 wyników | Zaproponuj szerszy temat lub angielskie keywords | | yt-dlp: timeout | Retry raz, potem poinformuj | | NotebookLM: auth expired | notebooklm auth check → notebooklm login | | NotebookLM: source add fail | Pomiń film, kontynuuj z resztą, poinformuj | | NotebookLM: query fail | Retry raz, potem fallback — wygeneruj plan sam (Claude) | | Partial success | Zapisz co masz, powiedz co brakuje | | Plik już istnieje | Suffix -v2 lub zapytaj | | notebooklm not found | Instrukcja: pipx install "notebooklm-py[browser]" | | yt-dlp not found | Instrukcja: brew install yt-dlp |

Debugowanie

notebooklm auth check          # Sprawdź auth
notebooklm login               # Ponowna autoryzacja
notebooklm -vv ask "test"      # Verbose mode

Ograniczenia

• Przetwarzanie YouTube w NotebookLM: 30-90s per film
• Max 50 źródeł per notebook (NotebookLM Free)
• Auth Google wygasa co kilka dni/tygodni — notebooklm login
• notebooklm-py korzysta z undocumented Google RPC API (3k+ stars, aktywny maintenance, ale może się zmienić)
• yt-dlp search zwraca wyniki bez rankingu jakości — filtrujemy po views/duration
• Delay 3s między source add — Google rate limiting

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: Szewowsky
• Source: Szewowsky/learn-skill
• License: MIT

Install and usage instructions live in the source repository linked above.