昨天发完《我被确诊了 Gemini 的狗》,Gemini 产品负责人连夜“打电话”给我了。
他说：“你把 NotebookLM 给吃了？”
愣了三秒。确实漏了。（开玩笑，电话是假的，但漏了是真的）
这两天我和我老婆搁开封大吃大喝呢，赶紧连夜补上 notebooklm。
听说明天一大箩筐国产新模型要出来了，赶紧把之前没搞完的东西发掉～
这不，Gemini 刚给我老婆试着生成了一套完整的 Spring Boot 后端 demo。十分钟，代码跑得飞快。但我这手头还一堆没看完的 pdf 资料和一一堆刚学的 flutter 文档啥的，我突然意识到一个恐怖的事实：
AI 写代码的速度，已经彻底超过了我脑子处理信息的速度。
它十分钟干完的活，我得先花三天把资料啃完才能开工。代码越写越快，脑子欠的“理解债”越欠越多。
这时候我才明白：光靠聊天窗口，已经不够了。
那就需要 NotebookLM 出马了——Google 生态里专门解决“输入过载”的那把刀。
不是笔记本，也不是 PPT 生成器。它是让你的大脑跟上 AI 速度的唯一办法。
上周我看到一条推，有人分享了 NotebookLM 的 best practice（ref）。
结论让我感觉看到了镜子的自己哈哈：90% 的人把它当高级记事本。
就像买了辆法拉利，天天开去菜市场买葱。
我自己也干过。丢份文档进去，问“这讲了啥”，得到答案，关掉。心想：嗯，还行。
直到有次我被逼急了。
手里 50 多份竞品资料，后天要交报告。我死马当活马医，给它扔了条狠指令——
20 秒，它吐出的交叉对比表，比我手动标三小时还清楚。
那一刻我才认清现实：不是工具废，是我的指令太敷衍。
NotebookLM 真正的能力是跨文档模式识别——同时在工作记忆里保持 50+ 来源，即时交叉引用。人脑做不到，但它行。
前提是：你得会问。
我其实用的也不是很好，不过我把这个精华都整理出来了，大家感兴趣可以玩玩试试看。
1. 专家模式：别让它给你复读机式的总结
问“这篇文章讲了什么”，就像请米其林大厨给你煮泡面。
能吃，但浪费。
试试这个：
让 AI 扮演某领域 15 年经验的专家，从资料中识别出 3 个从业者会立刻认为具有突破性的核心洞见，并解释每个洞见为何重要、挑战了哪些传统认知。
这个提示词逼它做判断，不是做复读。输出可以直接贴进报告，不用二次加工。
AI 不是你的秘书，是你请来的外脑专家。别让它干秘书的活。
2. 找茬模式：让它帮你揪出资料里打架的地方
五篇论文，三种说法。你像个裁判，来回翻，眼睛都翻白了。
最后发现：妈的，都有道理。
试试这个：
比较多个来源，找出所有相互矛盾的观点。对每个矛盾点，判断哪个来源的证据更强，如果两者都可信，解释可能导致分歧的因素。
上周我用这招对比了五篇 AI Agent 架构的论文。它直接标出三处核心分歧，还附上实验数据强度评估。
省了我三小时。真香。
让 AI 当裁判，你只管看热闹。
3. 直接说干啥：别光看热闹，直接给我能干的事儿
读完 50 页报告，脑子里全是“很有道理”。
然后呢？不知道。
就像看完健身教程，还是不知道第一个动作该怎么做。
试试这个：
提取所有来源中提到的可执行步骤、工具、框架和技术，整理成包含前置条件、预期结果和潜在陷阱的分步实施计划。
它能把散落在 20 份文档里的操作细节，拼成一张可以直接照着干的地图。
知识不值钱，能落地的知识才值钱。
4. 打破砂锅问到底：让它问出你没想到的角度
最危险的不是“不懂”。
是“觉得自己懂了”。
试试这个：
基于现有资料，生成 15 个专家会问但这些资料没有回答的问题，优先考虑能推动领域发展或揭示当前理解关键缺口的问题。
上个月我用这个梳理多模态模型的资料。它抛出几个我压根没想到的角度，其中两个直接变成了后续调研方向。
好问题比好答案更值钱。AI 能帮你问出那些你不知道该问的问题。
5. 质疑假设：揪出那些藏着的“理所当然”
有次分析增长策略，整个方案建在一个前提上：“用户会主动分享”。
我问 NotebookLM:“这里面有哪些未经验证的假设？”
它直接揪出这条。我背一凉。
试试这个：
识别资料中所有未明说的假设，对每个假设评估其关键程度和出错可能性，解释如果该假设为假会改变什么。
最危险的不是你不知道的事，是你以为理所当然、但其实站不住脚的事。
还好发现得早。不然上线就是灾难。
6. 自动建框架：把一堆散装概念拼成能用的地图
看了十几篇文章，脑子里都是散装零件。
像买了一堆乐高，但没有说明书。
试试这个：
创建一个整合所有来源概念的综合框架，包括关键组件、组件间关系、应用决策树，以及框架失效的边缘情况。
上周我用这个整理了十几篇 Prompt Engineering 的文章。生成的框架现在还在用。
它能自动把散装概念拼成可操作的决策图。
AI 是你的私人乐高说明书生成器。
7. review 信源：哪些是硬货，哪些在吹牛
很多文章说得信誓旦旦，但证据薄得像纸。
就像相亲对象说“我年薪百万”，你得看看银行流水。
试试这个：
为每个主要论断提取支持证据，并评估其强度：轶事级、相关性、实验性还是元分析。标记那些证据薄弱却表述得很有把握的论断。
做竞品分析时特别好用。快速识别：哪些是硬数据，哪些在吹牛。
让 AI 帮你查银行流水。
8. 翻译成人话：一份材料，三种人都能听懂
给高管讲技术，他们听不懂。给工程师讲 ROI，他们不想听。
你得自己当翻译。很烦。
试试这个：
将洞见翻译给三类不同受众：高管、工程师、终端用户。针对每类受众关心的内容，使用他们能立即理解的语言和案例。
上次做技术方案汇报，我直接生成三版材料：高管版（ROI 和风险）、工程师版（架构和实现路径）、产品版（用户价值）。
省了大半天。
一份材料，三种人话。AI 是你的同声传译。
9. 时间线自动串：看清这事儿是怎么一步步走到今天的
很多领域的发展不是线性的，会有突然加速的拐点。
但你得把所有时间信息串起来才能看清。
就像看侦探片，得把时间线理顺了，才知道凶手是谁。
试试这个：
提取所有日期、事件、里程碑和时间引用，构建展示领域演变的完整时间线，识别进展显著加速的拐点。
上个月梳理 AI Agent 发展史，它标出 2022 年底到 2023 年初那个明显加速期——正好对应 ChatGPT 发布后的连锁反应。
看清过去的拐点，才能预判未来的拐点。
10. 毒舌评审：让它狠狠挑刺，别让你踩坑
最后一个，是我用得最狠的。
有次我兴冲冲准备推一个新功能。让 NotebookLM 挑刺。
结果它指出三个我没想到的边缘情况。冷静下来我发现：如果不解决这三个问题，上线就是灾难。
试试这个：
扮演严苛的同行评审，识别每个方法论缺陷、逻辑漏洞、过度声称和无支撑的跳跃，并建议需要什么额外证据来加强论证。
在自己身上挑刺，总比让用户帮你挑刺好。让 AI 当你的毒舌顾问。
闲聊下
Anyway，我感觉啊，尽管模型越来越聪明，工具的强大程度很多时候还是取决于 prompt 质量。
NotebookLM 从来不是能力不足。是有时候我们懒得用，或者不太了解咋用好的 prompt。
可以学一下这个用法，又或者直接把想法扔给 gemini 让 gemini 给你出 prompt 都可以。
总之下次再丢文档进去之前，整点高级的提示词试一试。
别客气，往狠了用。
你的目的，tmd 榨干 AI 的能力！？！
好像明天又有新的 GLM5 用咯，我要用我的 coding plan pro 榨干试一试嘿嘿（痴笑）
还有我的 gemini api （剩余 200 刀），我的 ChatGPT plus（双倍额度）
（痴笑中……）