我用 NotebookLM 做的三件事，都是为了能回去看原文

我用 NotebookLM 主要做三件事：读行业报告和论文，整理竞品资料，翻会议和项目记录。看中的不是它答得多顺，是答案旁边那条引用。

不是看到角标就放心了，是它给了我一条回去的路。一个判断从哪篇文档来，原文前后还有什么限制，能不能支持当前这句话，终于不用完全凭记忆翻找。文件越存越多以后，难的未必是找到一份资料，而是在几份资料之间来回看：这里说支持，那边又说正在测试；这张表是去年的，另一篇文章用的是预测值。让 AI 先帮忙整理很省事，只读最后的总结，这些差别也很容易一起消失。

读得快，和弄清楚，是两件事

假设正在比较两款企业产品，一份介绍说支持某种部署方式，另一份开发文档却有限制。模型把它们合并成“支持私有化部署”，句子很利落，但可能已经跳过了版本、套餐或适用范围。这样的错误不只来自模型。自己搜集资料时没标日期，或者把宣传页、帮助文档和第三方评论当成同等依据，也会给后面的分析留下问题。

我不把通用聊天工具都说成不可靠，也不把 NotebookLM 说成不会犯错的研究员。更值得区分的是当前回答依据什么：模型已有知识，临时搜索到的页面，还是我选定的这批材料。范围越清楚，越知道该检查哪里。

RAG，也就是检索增强生成，可以简单理解为先找相关材料，再让模型结合材料回答。带着资料查询更接近开卷，只靠参数里学到的内容回答更接近闭卷。不能因为限制了资料范围，就说它绝不会编造。NotebookLM 围绕来源组织回答，这一点很有帮助，但来源本身可能有错，检索可能遗漏，模型也可能把条件读反。Google 的 NotebookLM 帮助说明 介绍了引用和基于来源的问答方式。我把这个机制当作核对的便利，不是免检许可。一个回答说“用户增长了百分之五十”，引用可能确实存在，可还要看，是新增用户还是活跃用户，是季度环比还是年度同比，正文有没有把预计写成已经发生。

三个用法

竞品和行业资料，先把可比的内容找出来。手上有十个竞品的网页和五份报告，直接要求“分析整个赛道”往往太大。我会先决定当前要比较什么，比如退款流程、计费条件或某一类用户的使用限制。新建一个围绕问题的 Notebook，把来源按产品、类型、日期命名，再逐项导入。官网主页未必比帮助中心有用，后者经常能找到真正的限制条件。可以从这样的提问开始：

只根据已选材料，对比 A、B、C 三款产品的计费方式和退款条件。每项结论附上来源与对应日期。没有找到的信息写“未找到”，不要根据同类产品补全。不同材料口径不一致时，单独列出。

一张表出来后，我会先检查不可比的部分。企业版和个人版、不同地区价格、限时活动，不该放在一列里直接判断谁便宜。还可以让它找矛盾，列出对同一功能的不同描述、发布日期和适用版本，先不判断谁对。差异可能来自时间，也可能是真正的矛盾，先把证据摆出来。阅读没有被省掉，只是从按文件一份份往下读，变成围绕当前问题来回查。

访谈材料，保住说话的人和当时的条件。有二十份逐字稿，很容易只记住表达最强烈的那几个人。放进去之前，资料本身要做好匿名编号、脱敏和使用授权。我会先按受访者和时间整理，不把所有文本拼成一个没有来源的大文件。问的时候区分主动提到和在提问后回应，区分不同人提到的次数与同一个人重复提到。我也不太想按“情绪激烈程度”给反馈排行，文字里激烈不激烈，与问题重要不重要不是同一回事。对一句看起来很适合放进汇报的原话，我会翻回去，前面问了什么，后面有没有补充“但我其实也不常用”。

项目记录，查清一个决定怎么形成。项目做久了，现在的设计知道，为什么变成这样却记不清。会议纪要、需求变更、技术评审分散在不同地方。可以为一个重点项目建资料集合，先确认权限，再整理版本、日期、会议和负责人。围绕登录方式的变化，可以这样问：

按时间列出这些材料中关于手机号登录和邮箱登录的讨论。分别标明建议、待定事项和已确认决定，引用原文。没有明确决策人的记录不要推测，不要把最后出现的意见自动当成最终方案。

资料里找不到，就说明没有找到。NotebookLM 不会知道发生在口头沟通里、从来没被记录的决定，也不能成为项目唯一的记忆。

音频概览是我觉得有意思的部分。读一篇比较难的技术材料，有时连从哪段开始都拿不准。先听一版概览，知道它大致在讨论什么，再回去看需要细读的部分。我不会把播客里的比喻当成论文原话。通勤时听一听挺合适，但不想因此把所有空闲都叫成“应该利用的时间”。它帮我减少的是进入资料的阻力，不是取消阅读。

开始用之前，先整理这些

信源不用多，但要知道它是什么。财报、官方文档、论文、采访和评论，各有用途。查当前功能，优先找对应版本的官方帮助；看用户为什么不喜欢某个环节，需要实际反馈；了解一个技术方法，就读论文和实现资料。我会给每份资料保留日期、出处和用途。旧版本不一定要删，比较变化时很重要，只是别和新版本混着当当前事实。导入后要检查来源实际包含什么，输入一个首页链接不等于抓到了所有子页面。

问题要带着自己的任务。背景、范围、任务和输出形式，这个组合很实用。对比两份产品文档，就仅根据上传的文档对比，用表格列差异，每项附来源，资料里没有的写明缺失。整理一组负面反馈，就保留具体场景，不只统计情绪词，不为了凑够三条证据重复引用。为一个观点找支持和反例，就分别列出支持、反对和无法判断的材料，最后说明还缺什么证据，不要先替我写一句有冲击力的结论。

检查答案时，先看最重要的几个结论，尤其金额、日期、增长和能力边界。沿引用打开原文，确认引文确实支持这句话，而不是只提到了同一个主题。接着看被忽略的来源，模型一直引用同一篇文章，可能是那篇最相关，也可能是其他资料没有被正确读取。再找反例。要把结果交给同事，我会保留来源链接、日期和不确定项，这样对方有异议时可以一起回到材料，不必在两段不同的 AI 总结之间争论。

真拿它做一次竞品分析，我会把过程分成几个小回合：第一回合只列来源清单，第二回合才做事实对比，第三回合提出自己的问题，第四回合整理结论，把确认的事实、自己的判断和未解决的问题分开。同一份 Notebook 后续补了新资料，旧答案也不能直接当最新结论继续使用。原始文件更新以后，已导入内容是否同步，也要确认。把文件上传进去，只是建立了一个可查询的资料集合，不等于建立了自动更新、永远准确的知识系统。最终确认的发现，我会写回自己的笔记，附上链接和理由，而不是只留在聊天历史里。

最后还是要回到自己的判断

我不想用读完多少份文档衡量自己有没有做功课，也不觉得用了工具就一定会变懒。资料多的时候，辅助索引、比较、找引用，本来就是很实际的需求。

真正让我警惕的是，答案太完整以后，容易忘了自己原来在问什么。得到一份结构漂亮的总结，就像已经完成分析；可它没有回答当前产品该怎么选，也没有说明哪些条件还不确定。

NotebookLM 对我的吸引力，恰好是能沿着答案回去看。它把“你再查查”变成了一个具体的动作：打开这条引用，读一下前后，比较另一份材料。下次能少花一点时间找文件，多花一点时间弄清一个不同意见，就已经用得值了。