業州愚公分享了使用NotebookLM的經驗，該工具可以根據上傳的來源回答問題，並且每句話都會標明出處頁數。業州愚公提到，當他需要核對一份一百多頁的招標文件時，使用一般聊天機器人會出現問題，因為它可能會補充不存在的內容。然而，NotebookLM可以根據上傳的來源提供準確的答案，並且可以點擊引文跳轉到原文。這使得業州愚公對於需要嚴格核對內容的工作感到滿意。同時，他也分享了使用NotebookLM的三個坑需要注意，包括來源餵法、三類提問、語音摘要等。
菜鳥之友系列：《AI 工具實操與提示詞》・工具篇作者：業州愚公
上個月幫朋友核一份招標文件，一百多頁 PDF。對方在電話裡問：「第三節說的付款節點，原文是怎麼寫的？」我用一般聊天機器人問了同樣的問題，它答得頭頭是道——然後我翻回 PDF 對照，發現它說的條款編號根本不存在。那一刻我明白了：對於「每個字都要有出處」的活，通用聊天機器人是把雙刃劍，它知道太多，也編得太像真的。
這篇要寫的 NotebookLM，就是 Google 為了解決這個問題做的工具。它的原則只有一句話：只根據你上傳的資料回答，每句回答都掛引文。用了一個多月，它已經成了我讀長文檔的第一站。下面是完整的上手過程。
用一般聊天機器人讀文件，你是把文件貼進對話框，模型靠自己在「貼進來的內容」和「它訓練時學過的知識」之間做調和。文件講得不夠細的地方，它會用自己的知識補——補對了是驚喜，補錯了就是幻覺，而且你很難分辨哪些是補的。
NotebookLM 把這條路堵死了：它的回答被限制在你上傳的「來源」範圍內。你問的東西資料裡沒有，它會直接告訴你「來源中沒有相關資訊」，而不是現編一段。每一句回答旁邊都帶編號引文，點一下，右側直接跳到原文對應的位置，高亮給你看。
這個設計帶來一個很實際的用法轉變：你可以把它當成「資料的查帳員」。你負責提問題，它負責找出處，你負責點開引文核對。三方分工，誰也騙不了誰。
一句話定位：ChatGPT 適合「想創意、聊思路」，NotebookLM 適合「讀資料、核出處」。兩者不是替代關係，是分工關係。
打開 NotebookLM（notebooklm.google.com，用 Google 帳號登入），第一步是建一個「筆記本」（Notebook），然後往裡添加來源。一個筆記本就是一個主題的工作區，來源只在本筆記本內生效——這點和 ChatGPT 的「專案」很像，但重心完全放在資料上。
它支援的來源類型比我預期的多，我把常用的幾種整理成表：
| 來源類型 | 適合場景 | 我的使用心得 |
|---|---|---|
| PDF / 文字檔 | 論文、報告、合同、掃描書籍章節 | 主力格式；掃描版要看 OCR 有沒有辨識出文字層 |
| Google Docs / Slides | 已在 Google 文件裡協作的稿子 | 直接連，不用反覆下載上傳 |
| 網頁網址 | 官方文檔、新聞報導、部落格文章 | 貼 URL 自動抓正文，動態頁面偶爾抓不全 |
| YouTube 影片 | 有字幕的講座、訪談、教程 | 能抓字幕文本，等於把影片變成可問答的文字稿 |
| 音訊檔 | 會議錄音、課堂錄音 | 自動轉成文字來源，開會錄音終於有下文了 |
| 直接貼文字 | 散落的筆記、郵件片段 | 臨時補充用，適合零碎材料 |
免費版與付費版在來源數量、單一來源的字數上限上有所不同，具體額度以官方最新版本為準。我的習慣是：一個筆記本只管一件事——讀一本書的筆記本、備一門課的筆記本、核一個專案的筆記本，別混著裝，否則問答時它會把不相干的來源也扯進來。
實操片段：我把那份一百多頁的招標 PDF 上傳後，先不急著問細節，而是問了一個總覽問題：「這份文件的主要結構是什麼？每章的核心內容用三句話概括。」它給了結構圖式的回答，每段後面跟著引文編號。我先花兩分鐘對照原文把框架驗證了一遍——確認它讀的是同一份東西——之後才放心往深裡問。
很多人第一次用就問「幫我總結這份文件」，然後覺得「好像也沒比別的工具強」。這是把查帳員用成了摘要機。根據我的實測，有三類問題它特別值得問：
第一類：定位型問題。「文件中關於違約金的條款在哪一章？原文怎麼寫的？」——它會給出精確的出處，你點引文就能看到原文高亮。這類問題是通用聊天機器人最容易出事的地方，卻是它的主場。
第二類：跨來源對比問題。 筆記本裡放了兩份以上資料時，可以問「文件 A 和文件 B 對付款週期的說法有什麼不一致？」——它會分別引兩邊的原文給你看。做資料核對、版本比對的人會愛死這個功能。
第三類：追問鏈。 先問結論，再點著引文往原文追，追到可疑處再問「第 47 頁這段說 X，但第 88 頁說 Y，怎麼解釋？」——整個過程它都必須站在你的資料上說話，沒有自由發揮的空間。
關鍵提醒：它的回答再可靠，引文也只是「定位工具」不是「免死金牌」。重要結論，仍然要親手點開引文、讀到原文那一行為止。工具幫你把查證成本從「翻一百頁」降到「點一下」，但最後那一下，得你自己點。
NotebookLM 最出圈的功能是 Audio Overview（語音摘要）：一鍵把筆記本裡的資料生成一段兩位 AI 主持人對談的音訊，像一檔為你量身定製的播客節目。它們會介紹資料要點、舉例、互相追問，把乾巴巴的文檔聊成有節奏的對話。
我的實測感受：它不替代閱讀，它替代「通讀前的畏難情緒」。拿到一份三百頁的東西，先聽十幾分鐘的 Audio Overview 建立整體感，知道重點在哪幾塊，再回到文字問答去精讀——這個順序比直接硬啃舒服太多。通勤路上聽一遍，相當於做了預習。
幾個實用細節：生成的音訊可以下載；早期只支援英文，後續已擴充支援多種語言，中文的支援情況與效果以官方最新版本為準；生成一段通常需要等待幾分鐘，不是即時的。另外，你可以在生成前的互動模式裡「插話」提問，主持人會回應——這個功能見仁見智，我個人還是喜歡聽完整版。
每個筆記本底部有個「筆記本指南」（Notebook guide）區域，除了自動生成的摘要，還提供幾種一鍵產出的文件類型，我常用的幾種如下：
| 一鍵文件 | 產出什麼 | 適合誰 |
|---|---|---|
| FAQ | 從來源提煉的常見問答 | 要對外交付材料、準備答問口徑的人 |
| 學習指南 | 名詞解釋＋短答題＋論述題 | 備考、帶新人、做讀書會材料 |
| 時間軸 | 按時序梳理的事件脈絡 | 讀歷史資料、專案紀要、大事記的人 |
| 簡報文件 / 研究報告 | 結構化的彙報式文稿 | 要把閱讀成果轉成交接文件的人 |
這些產出同樣全部掛引文，可以點回去核對。我的用法是把「學習指南」生成後存成筆記，改造成自己的複習提綱——它出的題往往精準踩在資料的核心概念上，比我自問自答想得周全。
坑一：來源品質決定一切。 它忠實於你的資料——這是優點也是枷鎖。你上傳一份錯誤百出的資料，它就一本正經地基於錯誤回答，引文照樣工整。垃圾進、垃圾出，在它身上體現得比任何工具都純粹。上傳前先掃一眼材料本身靠不靠譜。
坑二：掃描版 PDF 可能是「空殼」。 沒有文字層的掃描件，轉出來的來源內容可能是空的或不全的，問答自然答不上。上傳後隨便問一個「這份文件的標題是什麼」，答不上來就說明內容沒讀進去，先解決文字辨識再說。
坑三：把它當唯一真相來源。 有一回我問了一個資料裡只有間接線索的問題，它給出的推斷合理得讓我差點直接採信——但點開引文才發現，原文只說了一半，另一半是它從上下文串出來的推理。它比別的模型誠實，但誠實的模型也會推理。結論級的內容，永遠回到原文做最後確認。
帶走這三句：①一個筆記本管一件事，別混裝；②先問總覽、再問定位、最後做跨來源對比；③引文是路標不是終點，重要結論自己點到原文為止。
長文檔的閱讀，本質上是一場「注意力管理」：你沒有足夠的注意力讀完並記住每一頁，所以需要工具幫你把有限的注意力投到對的地方。NotebookLM 做的正是這件事——它不替你思考，但替你把每一句話的來路標得清清楚楚。試一次你就回不去了。
工具推薦隨身機器人（新用戶免費試用 7 天）
讀完的資料要落地成日常能用的能力，可以搭配 SY 視野的「隨身機器人」：把你沉澱的方法論做成隨叫隨到的專屬助手，免費試用 7 天，詳見 sylogs.com。
下一篇預告： 寫程式的朋友常問「AI 到底能不能真的動手改代碼，而不是光給我貼一段讓我自己複製？」下一篇實測 Cursor——這款 AI 程式碼編輯器怎麼把「讀代碼、改代碼、跑起來」變成一氣呵成的事，以及新手第一天該先設定好哪三件事。
業州愚公 ｜ SY 視野（sylogs.com）原創內容，轉載請註明出處。
編輯評論 / Editor's Note
這款聊天機器人的設計理念是強調信息來源的透明和可靠性，讓用戶可以輕易地追蹤到每個答案的出處。這種設計可以有效地避免虛假信息的傳播和使用，同時也能夠幫助用戶更好地評估信息的可信度。通過這種方式，聊天機器人可以提供更加可靠和值得信賴的答案。