业州愚公分享了使用NotebookLM的经验，该工具可以根据上传的来源回答问题，并且每句话都会标明出处页数。业州愚公提到，当他需要核对一份一百多页的招标文件时，使用一般聊天机器人会出现问题，因为它可能会补充不存在的内容。然而，NotebookLM可以根据上传的来源提供准确的答案，并且可以点击引文跳转到原文。这使得业州愚公对于需要严格核对内容的工作感到满意。同时，他也分享了使用NotebookLM的三个坑需要注意，包括来源喂法、三类提问、语音摘要等。
菜鸟之友系列：《AI 工具实操与提示词》・工具篇作者：业州愚公
上个月帮朋友核一份招标文件，一百多页 PDF。对方在电话里问：「第三节说的付款节点，原文是怎么写的？」我用一般聊天机器人问了同样的问题，它答得头头是道——然后我翻回 PDF 对照，发现它说的条款编号根本不存在。那一刻我明白了：对于「每个字都要有出处」的活，通用聊天机器人是把双刃剑，它知道太多，也编得太像真的。
这篇要写的 NotebookLM，就是 Google 为了解决这个问题做的工具。它的原则只有一句话：只根据你上传的数据回答，每句回答都挂引文。用了一个多月，它已经成了我读长文档的第一站。下面是完整的上手过程。
用一般聊天机器人读文件，你是把文件贴进对话框，模型靠自己在「贴进来的内容」和「它训练时学过的知识」之间做调和。文件讲得不够细的地方，它会用自己的知识补——补对了是惊喜，补错了就是幻觉，而且你很难分辨哪些是补的。
NotebookLM 把这条路堵死了：它的回答被限制在你上传的「来源」范围内。你问的东西数据里没有，它会直接告诉你「来源中没有相关信息」，而不是现编一段。每一句回答旁边都带编号引文，点一下，右侧直接跳到原文对应的位置，高亮给你看。
这个设计带来一个很实际的用法转变：你可以把它当成「数据的查帐员」。你负责提问题，它负责找出处，你负责点开引文核对。三方分工，谁也骗不了谁。
一句话定位：ChatGPT 适合「想创意、聊思路」，NotebookLM 适合「读数据、核出处」。两者不是替代关系，是分工关系。
打开 NotebookLM（notebooklm.google.com，用 Google 账号登入），第一步是建一个「笔记本」（Notebook），然后往里添加来源。一个笔记本就是一个主题的工作区，来源只在本笔记本内生效——这点和 ChatGPT 的「专案」很像，但重心完全放在数据上。
它支持的来源类型比我预期的多，我把常用的几种整理成表：
| 来源类型 | 适合场景 | 我的使用心得 |
|---|---|---|
| PDF / 文字档 | 论文、报告、合同、扫描书籍章节 | 主力格式；扫描版要看 OCR 有没有辨识出文字层 |
| Google Docs / Slides | 已在 Google 文件里协作的稿子 | 直接连，不用反覆下载上传 |
| 网页网址 | 官方文档、新闻报导、博客文章 | 贴 URL 自动抓正文，动态页面偶尔抓不全 |
| YouTube 视频 | 有字幕的讲座、访谈、教程 | 能抓字幕文本，等于把视频变成可问答的文字稿 |
| 音讯档 | 会议录音、课堂录音 | 自动转成文字来源，开会录音终于有下文了 |
| 直接贴文字 | 散落的笔记、邮件片段 | 临时补充用，适合零碎材料 |
免费版与付费版在来源数量、单一来源的字数上限上有所不同，具体额度以官方最新版本为准。我的习惯是：一个笔记本只管一件事——读一本书的笔记本、备一门课的笔记本、核一个专案的笔记本，别混着装，否则问答时它会把不相干的来源也扯进来。
实操片段：我把那份一百多页的招标 PDF 上传后，先不急着问细节，而是问了一个总览问题：「这份文件的主要结构是什么？每章的核心内容用三句话概括。」它给了结构图式的回答，每段后面跟着引文编号。我先花两分钟对照原文把框架验证了一遍——确认它读的是同一份东西——之后才放心往深里问。
很多人第一次用就问「帮我总结这份文件」，然后觉得「好像也没比别的工具强」。这是把查帐员用成了摘要机。根据我的实测，有三类问题它特别值得问：
第一类：定位型问题。「文件中关于违约金的条款在哪一章？原文怎么写的？」——它会给出精确的出处，你点引文就能看到原文高亮。这类问题是通用聊天机器人最容易出事的地方，却是它的主场。
第二类：跨来源对比问题。 笔记本里放了两份以上数据时，可以问「文件 A 和文件 B 对付款周期的说法有什么不一致？」——它会分别引两边的原文给你看。做数据核对、版本比对的人会爱死这个功能。
第三类：追问链。 先问结论，再点着引文往原文追，追到可疑处再问「第 47 页这段说 X，但第 88 页说 Y，怎么解释？」——整个过程它都必须站在你的数据上说话，没有自由发挥的空间。
关键提醒：它的回答再可靠，引文也只是「定位工具」不是「免死金牌」。重要结论，仍然要亲手点开引文、读到原文那一行为止。工具帮你把查证成本从「翻一百页」降到「点一下」，但最后那一下，得你自己点。
NotebookLM 最出圈的功能是 Audio Overview（语音摘要）：一键把笔记本里的数据生成一段两位 AI 主持人对谈的音讯，像一档为你量身定制的播客节目。它们会介绍数据要点、举例、互相追问，把干巴巴的文档聊成有节奏的对话。
我的实测感受：它不替代阅读，它替代「通读前的畏难情绪」。拿到一份三百页的东西，先听十几分钟的 Audio Overview 建立整体感，知道重点在哪几块，再回到文字问答去精读——这个顺序比直接硬啃舒服太多。通勤路上听一遍，相当于做了预习。
几个实用细节：生成的音讯可以下载；早期只支持英文，后续已扩充支持多种语言，中文的支持情况与效果以官方最新版本为准；生成一段通常需要等待几分钟，不是即时的。另外，你可以在生成前的互动模式里「插话」提问，主持人会回应——这个功能见仁见智，我个人还是喜欢听完整版。
每个笔记本底部有个「笔记本指南」（Notebook guide）区域，除了自动生成的摘要，还提供几种一键产出的文件类型，我常用的几种如下：
| 一键文件 | 产出什么 | 适合谁 |
|---|---|---|
| FAQ | 从来源提炼的常见问答 | 要对外交付材料、准备答问口径的人 |
| 学习指南 | 名词解释＋短答题＋论述题 | 备考、带新人、做读书会材料 |
| 时间轴 | 按时序梳理的事件脉络 | 读历史数据、专案纪要、大事记的人 |
| 简报文件 / 研究报告 | 结构化的汇报式文稿 | 要把阅读成果转成交接文件的人 |
这些产出同样全部挂引文，可以点回去核对。我的用法是把「学习指南」生成后存成笔记，改造成自己的复习提纲——它出的题往往精准踩在数据的核心概念上，比我自问自答想得周全。
坑一：来源品质决定一切。 它忠实于你的数据——这是优点也是枷锁。你上传一份错误百出的数据，它就一本正经地基于错误回答，引文照样工整。垃圾进、垃圾出，在它身上体现得比任何工具都纯粹。上传前先扫一眼材料本身靠不靠谱。
坑二：扫描版 PDF 可能是「空壳」。 没有文字层的扫描件，转出来的来源内容可能是空的或不全的，问答自然答不上。上传后随便问一个「这份文件的标题是什么」，答不上来就说明内容没读进去，先解决文字辨识再说。
坑三：把它当唯一真相来源。 有一回我问了一个数据里只有间接线索的问题，它给出的推断合理得让我差点直接采信——但点开引文才发现，原文只说了一半，另一半是它从上下文串出来的推理。它比别的模型诚实，但诚实的模型也会推理。结论级的内容，永远回到原文做最后确认。
带走这三句：①一个笔记本管一件事，别混装；②先问总览、再问定位、最后做跨来源对比；③引文是路标不是终点，重要结论自己点到原文为止。
长文档的阅读，本质上是一场「注意力管理」：你没有足够的注意力读完并记住每一页，所以需要工具帮你把有限的注意力投到对的地方。NotebookLM 做的正是这件事——它不替你思考，但替你把每一句话的来路标得清清楚楚。试一次你就回不去了。
工具推荐随身机器人（新用户免费试用 7 天）
读完的数据要落地成日常能用的能力，可以搭配 SY 视野的「随身机器人」：把你沉淀的方法论做成随叫随到的专属助手，免费试用 7 天，详见 sylogs.com。
下一篇预告： 写程序的朋友常问「AI 到底能不能真的动手改代码，而不是光给我贴一段让我自己复制？」下一篇实测 Cursor——这款 AI 程序码编辑器怎么把「读代码、改代码、跑起来」变成一气呵成的事，以及新手第一天该先设置好哪三件事。
业州愚公 ｜ SY 视野（sylogs.com）原创内容，转载请注明出处。
编辑评论 / Editor's Note
这款聊天机器人的设计理念是强调信息来源的透明和可靠性，让用户可以轻易地追踪到每个答案的出处。这种设计可以有效地避免虚假信息的传播和使用，同时也能够帮助用户更好地评估信息的可信度。通过这种方式，聊天机器人可以提供更加可靠和值得信赖的答案。