AI学习工具 NotebookLM / 快速入门教程

官方网址：https://notebooklm.google/

一、学习神器NotebookLM简介

NotebookLM是 Google 的 AI 笔记 / 研究助手，会把你上传的各种资料变成一个可对话的知识库。换句话说就是，你丢给它一堆的资料，可以让它给你总结、讲解、输出报告。这对于我这种懒人真是好消息，资料太繁懒得看——丢给它，文档太长懒得看——丢给它，视频太长懒得看——丢给它。

ChatGPT之类的聊天模型已经很好用了，但NotebookLM核心好用点在于：

• 支持上传多种格式的资料，包括 PDF 文件、Google Docs、幻灯片、视频链接、网站 URL、音频文件，以及大段的纯文本粘贴内容。
• 它不乱讲外面的东西，只围绕你上传的资料回答问题，给出明确的来源。
• 可以生成思维导图、PPT、报告、播客音频（为不想用眼睛的人量身定制）、视频大纲等。

二、NotebookLM 怎么用？

1. 创建 Notebook：给一个主题开个“专属空间”

• 登录 NotebookLM 后，点击 “新建 Notebook / Create new notebook”。
• 给它一个明确主题的名字。

一个 Notebook 就是一个“项目文件夹”，里面放的是同一主题的资料和对话。

建议：一个主题一个 Notebook，不要把完全不相关的东西混一起。

2. 添加资料（Sources）：把“书架”先搭好

进入 Notebook 后，点击 “Add / + 添加”，支持多种来源：

• Upload：上传本地文件，PDF、Word、图片、音频等。
• Google Drive。
• Web URL：贴一个网页或在线 PDF 链接，它会抓取其中的文本内容。
• YouTube：填入视频链接，它会用字幕和描述作为学习内容。
• Paste text：直接粘一大段文字，让它变成一个 Source。

还有一个很好用的小功能是 “Discover sources / 发现新来源”：输入关键词，它会帮你在网上和你自己的 Workspace 里找一批可能相关的资料，供你选择加入 Notebook。

小技巧：如果你只想就某几篇文档提问，可以在左侧 Sources 面板里勾选 / 取消勾选，这样 Chat 就会只参考选中的源。

3. 熟悉界面三大区域：左 Source、中 Chat、右 Studio

左边是“资料库”，中间是“聊天区”，右边是“输出车间”。

1.左：Sources 面板

• 管理资料：添加 / 删除 / 同步；
• 点开某个 Source，可以看到：
• 自动生成的摘要（Source Guide）；
• 章节结构导航；
• 系统推荐的提问（Suggested questions）。

2.中：Chat 面板

• 和 AI 对话的地方；
• 默认会先给出一个综合摘要；
• 底部输入问题，比如“帮我用中文概括这篇文献的结论”，直接回车就行。

3.右：Studio 面板，各种“成品生成器”：

• 报告 / 学习指南 / FAQ
• Mind Map（思维导图）
• Flashcards & Quizzes（记忆卡 & 测验）
• Audio Overview（音频讲解）
• Video Overview（视频讲解）
• Infographic（信息图）
• Slide Deck（演示文稿）

4. 一些实用的小习惯

综合官方建议，可以养成几条习惯：

1.一个主题一个 Notebook

• 各个主题分开建 Notebook，避免串文。

2.先扔资料，再问问题

• 先把能搜集到的 PDF/网页/讲义都扔进来，让 NotebookLM 整体消化；
• 再根据它自动生成的摘要、推荐问题，循序递进。

3.先自动生成，后人工微调

• 先让它自动生成 Study Guide + Flashcards + Audio Overview；
• 然后你再挑核心部分改写、增补、本地化（比如加上你自己的经验）。

4.把好回答保存成 Note

• 这样你可以在 Notebook 内逐渐沉淀自己的“二次整理版本”，
• 最后导出到 PPT、讲义、内部文档里。

下面这个是我随手把一个介绍NotebookLM的视频丢过去，给我生成的思维导图。

三、NotebookLM 局限

NotebookLM 背后本质上是一个 RAG 系统：

• 你上传的内容会被切成很多小块（chunks），放进索引；
• 当你提问时，系统先检索几块“看上去最相关”的内容，然后把它们丢给大模型；
• 模型只能看到这些被检索出来的部分，而不是整个 50 万字全文。

因此RAG的缺陷，这里也会有。对于非常长的文档，如果用户的问题是关于文档开头或结尾的特定事实，而 RAG 系统认为这些部分与查询的语义相关性不高，那么这些信息可能不会被检索到，导致 LLM 无法回答或给出不准确的答案。

这使得 NotebookLM 更适合于内容的语义分析和提炼，而不是用于精确的计数或结构性元数据检索（例如，统计某个词出现的次数或获取文件最后一句话）。