NotebookLM 的引用能定位到段了，我反而看出了几处不对

年初我写过一篇，说用 NotebookLM 主要做三件事：读行业报告，整理竞品资料，翻会议记录。看中的不是它答得多顺，是答案旁边那条引用，能把我送回原文。那时候引用能指到文档，指不到段，回去还得自己翻。

6 月 5 日它上了来源归属功能。这段时间我主要拿它读行业报告。

一份报告，问十来个问题

我读报告的方式是问。一份报告丢进去，一般问十来个问题：市场规模多大，增速多少，几个细分方向各占多少，报告自己的判断是什么，依据是哪几个数。

问完这十来个，一份几十页的报告里我要的东西，大概就齐了。剩下的，是核。

这次的变化就一点：引用能直接定位到段。点一下，原文那一段亮出来，不用翻。

省下来的时间，一次也就几十秒。但这几十秒，正好是我以前最容易偷懒的地方。以前引用只指到文档，一份报告几十页，翻两页没找到，我就算了，信它一次。

一份报告十来个问题，每个都要翻，加起来就不是几十秒了。以前真正核过的，大概只有其中两三个。现在每个答案，我都点开。

每个都点开以后，看到了一个以前没注意的问题：有时候它引的那一段，和它得出的结论并不相关。

它给出一个判断，旁边挂着引用，点开是报告里的一段，讲的却是别的内容，或者只是提到了相关的词，撑不起那个判断。结论不一定错，也许报告别处有依据，但它挂的这条引用撑不住。

以前引用只到文档，这个问题看不见。整份报告里总能找到相关的内容，我会默认它是从某处来的。定位到段以后，引用和结论之间的距离暴露出来了。

发现这种情况，我的做法是追问：这个结论的依据在哪一段。

追问比自己去翻快，也比直接把结论扔掉好。它要么给出一段更贴的依据，要么就得把话收回来一点。不管是哪一种，我手上都多了一个判断：这个结论能不能用，能用到什么程度。

我没有把这件事当成它的缺点来记。一个会引错段的工具，只要能被追问，比一个从不给引用的工具好用得多。

读完的报告，结论最后进的是工作文档。

所以我对引用这件事格外在意。进了工作文档的数，会被别人拿去用，拿去做判断。一个引错的数写进去，传出去的时候，已经没人记得它是从哪来的了。

读报告的时候，我旁边一般还开着 ChatGPT，做对照。同一个问题，两边各问一次，结论对得上，心里踏实一点；对不上，就是需要自己去核的地方。NotebookLM 的长处是引用贴着原文，ChatGPT 的长处是能跳出这一份报告，说说别的来源怎么讲。两个一起用，比单用一个稳。

这件事让我注意到自己一个习惯的变化。

引用不准的时候，我看引用是为了防它编：它说的话，原文里到底有没有。引用准了，我看引用变成了核对：这一段是不是真的支持这个结论。

同一个动作，目的换了。前一种问的是信不信它，后一种问的是它说得对不对。行业报告尤其需要后一种。报告里预测值和实际值常常写在一起，不同来源的口径不一样，只有定位到段，才看得出它是不是把两处拼在了一起。

读得多了，我大概知道行业报告里哪些地方最容易被引错。

一是同一个名词在不同章节指的范围不同。前面说的市场，可能是整个行业；后面说的市场，可能只是其中一个细分。答案里如果只写市场规模，挂的却是另一章的引用，数字就对不上口径。

二是图表和正文不一致。报告里的图常常有自己的注释和统计口径，正文引用的时候又换了说法。定位到段，能看到它引的是正文还是图注，两者经常不是一回事。

三是预测和实际混在一起。报告喜欢在同一段里既写去年的实际值，又写未来几年的预测值。答案里一个数，是哪一种，只有点开那一段才知道。

三件事里，会议记录那部分还是不太准，但原因不在 NotebookLM。

问题在转写本身。录音转成文字，错字很多，人名、产品名、数字尤其容易错。NotebookLM 定位得再准，也只是准确地指向了一段本身就有错的话。

这件事要在前面解决，不在它这里。