NotebookLM 功能逆天了：我是如何用它来深度学习的
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：别再等AI喂给你知识了。关键中的关键是，你得先教会AI“如何教你”。文章来自编译。
顺便分享一些我用来定制化学习的实用提示词。
我本想用 LangChain 为我的newsletter写个具备 RAG（检索增强生成）功能的专属 AI 智能体聊天机器人的。
但问题是，我完全不知道从何下手。
每一篇教程都默认我已经懂了向量数据库、嵌入（embeddings）和检索管道。那些文档是写给把 Python 玩得滚瓜烂熟的开发者的。Stack Overflow 上的帖子动辄“分块策略”和“相似性搜索”这样的术语，好像人人都该懂似的。
我就卡在那种“一知半解，离真正有用还差得远”的尴尬境地。我理解 ChatGPT 和 Claude。我也用 Make.com、Zapier、n8n、Relay 这些工具写过过自动化流程，感觉已经颇为高级了。
但 LangChain 呢？
用代码开发真正的 AI 智能体？
这感觉就像只看了几个 YouTube 视频，就被人推上手术台去做外科手术一样。
零代码自动化和真正的 AI 智能体开发之间的鸿沟，感觉宽得令人绝望。我无法理解。
然后我想起了那个曾改变过我学习方式的工具。
六个月前，我曾写过一篇关于 NotebookLM 的文章。那篇文章成了我迄今为止最火的一篇——读者显然对“将 AI 变成个性化学习系统，而不只是又一个研究工具”这个想法产生了共鸣。
但我没想到的是：NotebookLM 它自己也在不断进化。
就在我专注于开发 AI 自动化工作流、探索新的 AI 工具的时候，NotebookLM 悄悄地增加了一些功能，彻底改变了可能性。我们说的不是小修小补——而是一种能让你根据自己所处的学习阶段，来定制 AI 如何教你的能力。
而当你试图跨越从零代码到实际开发智能体的鸿沟时，这一点改变了一切。
所以，当我在用 LangChain 和 RAG 系统构建 AI 智能体上碰壁时，我又回到了 NotebookLM。但这一次，我不再只是上传信源然后提问，而是构建了一个完整的学习生态系统，这个系统完全契合我当时的水平：一个懂 AI 概念、但从未实际开发过智能体的“AI 操作员”。
NotebookLM
在继续之前，我想特别提一下 Jason Spielman，他是 NotebookLM 背后的艺术家兼首席设计师。他早期的草图和实验造就了今天的版本。我对这个设计的复杂性感到惊讶——就像看着一个打磨精良、开箱即用的成品送到你家门口。如果你喜欢产品开发的艺术，你可能会想看看他讲述的 NotebookLM 的早期开发故事。
相信我，那故事非常精彩！
好了，言归正传。
当我不再强迫自己像开发者那样学习，而是构建了一个匹配我大脑实际工作方式的系统后，事情发生了变化。
我构建的学习系统
在我真正开始学习之前，我必须解决第一个问题：我到底该读些什么？
当你学习一个全新的东西时，你甚至都不知道哪些资料是靠谱的。Google 一搜“LangChain RAG 教程”，你会得到 10000 个结果。
哪些是给新手的？哪些已经过时了？哪些又默认我具备了我所没有的知识？
就在这时，NotebookLM 的“发现”(Discover) 功能成了我的第一个突破口。
阶段一：筛选“对的”信源（而非“随便”哪个信源）
大多数人没有意识到，你可以定制 NotebookLM 为你查找的信源种类。你不用只问“帮我找找 RAG 的资料”，而是可以具体指定你需要的信源类型。
我是这样使用Discover功能的定制选项的：
定制一：“只从 Reddit 查找信源”
Reddit 的帖子里会有真正的开发者揭露他们在哪儿卡壳了。你会看到像“我是一个试图理解 RAG 的新手，这是最终让我豁然开朗的东西”这样的帖子。这些人往往只是比你快了一步，正在解释他们的突破点。这对于构建初步的心智模型非常完美，不会被各种流行词和行话搞得晕头转向。
定制二：“只查找 YouTube 视频”
这些年来，YouTube 一直是我最大的学习来源，因为它通常有我能轻松跟上的新手指南。上面也充斥着能带你从入门到进阶的内容。
定制三：“只查找来自 LangChain、OpenAI 和 ChromaDB 的官方文档 PDF”
如果你一上来就看文档，那是没用的——文档是写给已经懂基础的人看的。但一旦你从 Reddit 和 YouTube 建立了心智模型，官方文档突然就变得有意义了。指定“仅 PDF”或“来自 LangChain.com”可以防止搜到杂七杂八的博客文章，确保来源的权威性。
定制四：“只从顶级技术出版物查找信源——如 AWS 博客、谷歌云文档、企业案例研究”
这些信源解释了企业为什么要做 RAG 系统以及现实世界的架构决策。一旦你理解了怎么做，你就需要了解生产环境的最佳实践、成本优化和安全考量，而这些只有企业级信源才会涵盖。
通过定制信源类型，我创建了一套多样化的材料来加深对我所学主题的理解。这帮助我避免了单一信源的偏见，让我能看到多元的视角，使我的学习比以往任何时候都更扎实。
此外，你还可以用你 Google Drive 里的文件作为信源。这是他们最近刚加的新功能。
Perplexity 深度研究 + NotebookLM：收集信源的强力组合
🚨 专业提示：想提升你的信源收集效率吗？使用 Perplexity 的深度研究功能来收集高质量信源，然后让它将引用文献汇编为原始链接。把这些链接复制到 NotebookLM 中作为你的信源集。这样，你就快速拥有了一个精选的研究中心。
阶段二：用不同的学习风格打基础
筛选完信源后，我就有了“原材料”。现在我需要真正地从中学习。但问题是：坐下来阅读文档让我感到不堪重负，而且我每天能集中精力的时间有限。
这就是 NotebookLM 多格式生成功能大放异彩的地方。我没有强迫自己用单一的学习方式，而是将格式与情境相匹配——通勤时听音频，需要好好看时看视频，需要深度时读报告。
我们来逐一分解。
1. 用定制化报告打好基础
NotebookLM 定制化报告
当我要学习新东西时，我甚至连“自己不知道什么都不知道”。像“向量嵌入”、“语义搜索”和“检索管道”这样的术语随处可见，但我分不清哪些是核心必备的，哪些只是锦上添花的。
NotebookLM 有一个“报告”功能，提供多种格式：博客文章、简报、学习指南，以及根据你上传的文档自动建议的四种额外选项。你可以用自定义指令来生成它们，也可以自己编写。
不过，我更喜欢从我自己的指令开始。
这里有一些你可以用来创建自己报告的自定义指令：
定制一：将新知识与你已有的知识“锚定”
指令：
通过对比 [我已理解的事物]，来解释 [新主题]
我的示例：
“通过对比 make.com 的工作方式，来解释 LangChain 和 RAG”
这么做的好处是：我不再是在真空中学习，而是将新概念锚定在了我已理解的事物上。
NotebookLM 解释说：“在 Make.com 中，你构建的是遵循预定步骤的工作流。而使用 LangChain，你构建的是让 AI 根据用户的问题来决定采取哪些步骤的系统。Make.com 是一个你必须严格遵守的食谱。LangChain 则是给 AI 提供食材，让它自己去烹饪。”
我豁然开朗，明白了为什么我需要换种方式来学这个。
定制二：渐进式增加复杂度
指令：
从对 [主题] 最简单的解释开始，然后逐层增加复杂度
我的示例：
“从对 RAG 最简单的解释开始，然后逐层增加复杂度”
这么做的好处是：避免了第一天就信息过载。
我学到的：
简单版：RAG = 让 AI 能访问你自己的文档，以便它能回答关于这些文档的问题
进阶层：它的工作原理是把文档转换成数字（嵌入），并在用户提问时找到相关的数据块（chunks）
技术层：向量数据库存储嵌入，相似性搜索检索相关数据块，大语言模型（LLM）使用检索到的上下文生成答案
每一层都建立在前一层的基础上，而不是一股脑地把所有东西都砸过来。
定制三：技能等级进阶图
指令：
分 4 个层次解释这个主题：(1) 绝对新手（无术语），(2) 中级（带关键术语），(3) 高级（有技术深度），(4) 专家级见解（指出大多数人容易搞错的地方）
我的示例：
“用这个指令来理解从简单聊天机器人 → 文档助手 → 研究智能体的进阶过程”
这么做的好处是：这给了我一个进阶路径，而不是逼我马上去开发高级版本。
我获得的清晰认知：
新手：FAQ 聊天机器人（需要：基础 RAG、简单嵌入、单一信源）
中级：文档助手（需要：数据块优化、多信源、元数据过滤）
高级：研究智能体（需要：复杂的检索策略、重排序、引用跟踪）
专家级洞察：AI 智能体最适合用于特定场景，而非广泛用途
我意识到我不需要一口气掌握所有东西——我只需要先开发出那个新手版本。
2. 用音频概览打造定制化播客
NotebookLM 音频概览播客
现在，我已经吸收了书面报告，但我需要在“死时间”里进行强化。
比如：我下午散步和去健身房锻炼的时候。
NotebookLM 的“音频概览”功能可以创建由两位 AI 主持人进行的播客式对话。你可以定制格式（“深度探讨”、“简报”、“评析”、“辩论”）、时长和焦点。而且你可以在播放时随时提问。
🚨 专业提示：NotebookLM 的移动应用让我在路上也能听，但我希望能有更多控制权。我希望能下载这个播客并上传到 Spotify，这样我一点就能播放，并且能和我已关注的播放列表无缝衔接。
以下是我的三个播客策略，效果出奇地好：
定制一：新手采访专家
设置：
使用“深度探讨”格式，默认长度。
指令：
设定特定受众：让第一个主持人扮演对 [主题] 一无所知的纯新手，第二个主持人扮演专家。新手应该采访专家，问一些刚接触的人真正会问的基础问题。
我的示例：
“让第一个主持人扮演对 AI 智能体一无所知的纯新手，第二个主持人扮演专家。新手应该就开发 RAG 系统采访专家。”
这么做的好处是：
你能听到那个新手主持人问出你真正想问的问题
专家在解释时不会假设你已具备先验知识
这种采访形式感觉很自然，不像是在听课
我听到的内容：
新手：“好吧，但为什么我不能直接把我的文档粘贴到 ChatGPT 里呢？”
专家：“好问题！这种方法的问题在于……”
这感觉就像在实时收听我自己学习的过程。
定制二：专家辩论
设置：
使用“辩论”格式，默认长度。
指令：
让两位专家就 [主题] 的不同方法进行辩论。一方支持 [方法A]，另一方支持 [方法B]。他们应该讨论各种权衡取舍，而不仅仅是争论谁对谁错。
我的示例：
“让两位专家辩论一下，新手是应该从简单的 RAG 开始，还是应该直接跳到高级检索策略。讨论每种方法的权衡。”
这么做的好处是：
倾听双方观点能防止你认为只有一种“正确”的方法
你学到的是决策框架，而不仅仅是事实
它向你展示了有经验的人到底在争论些什么
我听到的内容：
专家1：“从简单的开始，这样你才能理解基础。”
专家2：“但简单的方法会让你养成坏习惯，以后还得花功夫纠正。”
双方：讨论了在什么情况下各自的方法是合理的
这帮助我理解了，我可以追求不同的路径，并不存在一个完美的答案。
定制三：专家评析
设置：
使用“评析”格式，默认长度。
指令：
让一位专家评审这些信源并提出建设性批评：缺少了什么？哪些地方过于简化了？新手在阅读这些材料时通常会误解什么？
我的示例：
“让一位专家评审这些 RAG 教程，并指出缺少了什么、哪些地方过于简化了，以及新手通常会误解什么。”
这么做的好处是：
揭示了你收集的信源中存在的空白
在你形成常见误解之前就向你发出警告
告诉你应该对哪些内容持怀疑态度
我听到的内容：
“这些教程让 RAG 看起来很简单，但它们完全跳过了数据块优化。”
“大多数指南都没提到，你的第一个 RAG 系统很可能会返回糟糕的结果。”
“注意到了吗，这些信源都没讨论成本问题。”
这次评析让我避免了在听完前两遍后就自以为无所不知。
3. 用定制化视频概览让你看得清楚
NotebookLM 视频概览
通过阅读和聆听，我已经理解了这些概念，但有时候我仍然需要有人能像讲入门课（101 presentation）一样给我解释一遍，让我能快速上手，并进阶到更复杂的主题。这就是视频的用武之地。
NotebookLM 的“视频概览”功能可以生成带有 AI 旁白的演示文稿。对于喜欢看的学习者来说，这可能正合你意。
以下是我的3条策略，也是建立在我从播客学到的知识之上：
定制一：结构化的学习路径
指令：
描述一下演示结构：从我需要首先理解的内容开始，接着是下一个内容，再接着是再下一个。按学习顺序组织，而不是按主题复杂度。
我的示例：
“从 RAG 是什么以及为什么存在开始，然后解释我需要知道的核心组件，接着向我展示基本工作流，最后告诉我应该先学什么以及哪些可以缓缓。”
这么做的好处是：
文本幻灯片以清晰的学习顺序列出了信息
在深入细节之前，你能看到全局
在你阅读的同时，旁白会解说每一页幻灯片
我实际看到的内容：
幻灯片1：“什么是 RAG？” 附带 3-4 个要点
幻灯片2：“核心组件” 列出了嵌入、向量数据库、检索、大语言模型
幻灯片3：“基本工作流” 附带编号步骤
没有复杂的图表——只有组织有序的文本，帮我一步步建立理解。
定制二：对比表格演示
指令：
针对特定用例：通过比较复杂度、成本、时间投入和最佳用例等关键因素，帮我在 [选项A]、[选项B] 和 [选项C] 之间做出选择。
我的示例：
“通过比较复杂度、各自的适用时机以及我需要为每种方式学习什么，帮我选择如何构建 AI 智能体。”
这么做的好处是：
简单的基于文本的对比幻灯片清晰地展示了差异
在你阅读的同时，旁白会带你过一遍各种权衡取舍
帮助你做出决策，而不仅仅是消费信息
我实际看到的内容：
NotebookLM 视频概览结果
幻灯片显示了三列：智能体类型、能力和最适用场景
AI 旁白会在幻灯片之外进行更深入的解释
表格突出了关键差异
这种可视化效果很好，帮我选定了自己的路径。我能看清我该如何着手开发我的 AI 智能体。
定制三：错误预防清单
指令：
专注于特定主题：创建一个演示文稿，列出新手在 [主题] 上最常犯的错误。对于每个错误，解释会出什么问题以及该怎么做。
我的示例：
“列出新手在开发 RAG 系统时最常犯的错误。对于每个错误，解释会出什么问题（比如使用的数据块太大或太小）以及该怎么做。”
这么做的好处是：
逐页清单的格式便于日后参考
文本清晰地陈述了 错误 → 后果 → 解决方案
防止你花好几个小时去调试那些显而易见的问题
我实际看到的内容：
幻灯片1：“错误#1：数据块大小” 附带要点解释问题
幻灯片2：“会发生什么” 描述糟糕的检索结果
幻灯片3：“该怎么做” 附带具体指导
这份演示文稿成了我的故障排除参考指南，每当我遇到问题时都会翻看。
阶段三：通过验证“你以为你懂的”来测试你的知识
在通过报告、播客和视频吸收了信息后，我以为我懂了 AI 智能体和 RAG 系统。我可以在读到相关概念时解释它们，也可以在听到解释时跟着点头。
但是，我需要通过测试来确保我真的完全理解了整个概念。
这时候，NotebookLM 的测试功能揭示了“我以为我懂”和“我真的懂”之间的差距。
1. 使用“闪卡”测试我的理解
NotebookLM 的闪卡
我以为我理解了概念，但当我想去实施时，我意识到我只是在背定义，并没有真正理解东西是怎么协同的。
NotebookLM 的“闪卡”功能让你能用自定义指令生成卡片，并能就任何答案要求解释。你可以选择制作多少张卡片，还可以调高或调低难度。最终结果是：一个高度定制的学习环节。
我是这么用闪卡定制功能的：
定制一：基于场景的测试
指令：
创建基于场景的闪卡，测试我就 [主题] 做出的决策能力，而不只是测试定义。给出真实情景，需要我选择正确的方法。
我的示例：
“创建基于场景的闪卡，测试我构建 RAG AI 智能体的决策能力，而不是测试定义”
这么做的好处是：
迫使你应用知识，而不只是认得知识
揭示你是否理解了什么时候运用你所学的知识
暴露在实际理解上的差距
我抽到的一张卡片示例：
“一个用户上传了一份 200 页的 PDF 手册，并想就此提问。你需要：(a) 微调，(b) RAG，(c) 提示词工程，还是 (d) 函数调用？”
我自信地回答了 (c) “提示词工程”，因为我以为只要把内容粘贴到提示里就行了。
错了。
答案是 (b) RAG，因为 200 页超出了上下文窗口的限制，你需要通过检索来提取相关部分。这张闪卡揭示了，我其实并不理解 RAG 在什么时候是必要的，什么时候是可选的。
定制二：新手的常见错误
指令：
专注于新手在 [主题] 上常犯的错误。创建闪卡，测试我是否能识别出哪里错了以及为什么错了。
我的示例：
“聚焦在新手在开发 AI 智能体时常犯的错误”
这么做的好处是：
让你在遇到问题前就有所准备
测试你对故障模式的理解
建立故障排除的直觉
一张帮我免去日后麻烦的卡片示例：
NotebookLM 闪卡示例
看到了吗？这些闪卡完全是根据我的自定义指令量身定做的。如果我想问某个答案背后的逻辑，我可以点击“解释”，它会带我到聊天区，在那里我可以进行更深入的探索。
定制三：学习术语以加深理解
指令：
为我在 [主题] 中总是混淆的特定术语创建闪卡。让我分别用一句话解释相似概念之间的区别。
我的示例：
“为我总是混淆的特定术语创建闪卡：嵌入 vs 向量 vs 向量数据库，语义搜索 vs 关键词搜索，检索 vs 生成。”
这么做的好处是：
澄清那些阻碍你理解的术语
迫使你精确理解，而不是停留在“我好像懂了”的模糊状态
让文档突然变得可读了
那些曾困扰我的术语：
“分别用一句话解释嵌入、向量和向量数据库之间的区别”
嵌入 = 将文本转换为数字的过程或结果
向量 = 那些以数组形式存在的数字
向量数据库 = 为查找相似向量而优化的存储系统
“语义搜索和关键词搜索有什么区别？”
关键词 = 查找完全匹配的词
语义 = 查找意思匹配的内容（即使词语不同）
把这些术语搞清楚后，阅读文档的难度降低了 10 倍。
2. 进行“测验”：测试概念如何应用和关联
NotebookLM 测验功能
如果你和我一样，你不会只满足于闪卡。你会寻找其他方法来测试你对新学主题的理解。这就是为什么我调整了测验，让它进行更高强度的压力测试，以揭示我是否能整合知识并解决实际问题。
NotebookLM 的“测验”功能可以生成带解释的选择题（闪卡则不提供选项）。
这是我的测验定制策略：
定制一：跨概念的综合测试
指令：
创建需要我结合 [主题] 中的多个概念来解决问题的测验题。不要孤立地测试概念——要测试我是否理解它们是如何协同工作的。
我的示例：
“创建需要我结合多个 RAG 概念——嵌入、数据块大小、检索质量和 LLM 生成——来解决实际应用问题的测验题。”
这么做的好处是：
测试你是否理解了整个系统，而不只是组件
揭示你在概念关联理解上的空白
为现实世界的复杂性做准备（在现实中，任何事物都有关联）
我抽到的一道题示例：“你的 RAG 聊天机器人返回的信息是准确的，但用户抱怨答案缺乏上下文。问题最可能出在：(a) 嵌入模型错误，(b) 数据块大小太小，(c) 向量数据库错误，(d) LLM 没理解问题”
我猜了 (a)，因为“嵌入”看起来是技术性最强的。
又错了。
答案是 (b) 数据块大小太小——它检索到了精确匹配的内容，但丢失了完整答案所需的周围上下文。这道题揭示了，我并不理解数据块大小是如何影响答案质量的，我只知道它会影响检索。
定制二：权衡决策测试
指令：
创建关于 [主题] 中权衡取舍的测验题。每道题都让我在几个各有优缺点的选项中选择——在没有上下文的情况下，没有普遍‘正确’的答案。
我的示例：
“创建关于 RAG 系统架构权衡的测验题。让我根据不同的优先级（如速度 vs 准确性、成本 vs 质量、简洁 vs 强大）在选项中做出选择。”
这么做的好处是：
为没有完美答案的真实决策做准备
测试你是否理解了为什么要选择某个选项
建立决策框架，而不仅仅是知识
我抽到的一道题示例：“对于一个每天要回答 10000 个问题的聊天机器人，哪种方法能最好地平衡成本和质量：(a) 用高质量嵌入检索 3 个数据块，(b) 用标准嵌入检索 10 个数据块，(c) 用重新排序检索 1 个数据块，(d) 用混合搜索检索 5 个数据块”
这不是要选“正确”答案——而是要理解其中的权衡：
更多数据块 = 更好的上下文，但成本更高
更好的嵌入 = 更好的检索，但更慢/更贵
重新排序 = 提高相关性，但增加复杂性
混合搜索 = 效果最好，但成本最高
这个测验迫使我深入思考每种选择的（潜在）影响，而不只是挑选那个看起来最高级的选项。
定制三：故障模式预测
指令：
创建要求我预测 [主题] 中什么会出问题或失败的测验题。给出情景，问我会发生什么问题，以及为什么。
我的示例：
“创建要求我预测在构建 AI 智能体系统时什么会出问题的测验题。给出应用情景，问我会发生什么问题。”
我抽到的一道题示例：
正确答案是 D，因为要构建一个能真正解决业务问题、满足真实需求的 AI 智能体，特异性（specificity）是必需的。
如果你不确定答案，可以要个“提示”。它会推你一把，帮你靠近正确答案。
究竟发生了什么样的改变
经过一周这样的学习，我终于弄清楚了，到底哪些是我现在就必须知道的，哪些是我可以以后再搞明白的。我可以开始为我的新闻通讯构建 AI 智能体聊天机器人了，这样读者就可以随时访问我的全部知识库——从我的新闻通讯和社交笔记中提取资源——无论他们是想学习还是想探索我的内容档案。
以下是整个过程中最让我惊讶的地方：
我原以为 NotebookLM 的新功能只是为了生成不同格式。播客、视频、闪卡、测验——不就是用更多方式来消费同样的信息嘛，对吧？
错了。
每种格式都解决了一个我甚至没意识到的不同学习问题：
报告为我打下了基础，但我不可能在通勤路上一遍遍重读它们。
播客让我在散步时也能学习，但我无法在脑中想象出各个组件是如何连接的。
视频向我展示了结构，但我（看后）高估了自己实际的理解程度。
闪卡揭示了，我只是“认得”答案，而没有真正“理解”它们。
测验则暴露了，我根本无法实际应用我学到的东西。
我意识到，所有这些功能都是为了通过契合我当前的水平来定制我的学习需求。
六个月前，我写过一篇关于 NotebookLM 作为学习工具的文章。那篇文章成了我最受欢迎的一篇，因为读者对“将 AI 变成个性化学习系统，而不是去跟那些千篇一律的教程”这个想法产生了共鸣。
但我当时没有意识到——而现在我明白了——那就是：
学习的未来，不在于 AI 教你。
而在于你教会 AI 如何来教你。
我在这篇文章中分享的每一个定制提示，都是在告诉 NotebookLM 我的知识差距在哪里、我的大脑是如何建立联系的、哪种学习方式适合我当下的情景。AI 不会魔法，它不知道这些。我必须自己设计我的学习路径。
说真的，这才是真正值得培养的技能。
如果你现在正试图学习一些复杂的东西，无论你像我一样在学 AI 开发，还是在学市场营销、健身或别的什么，都别再强迫自己去啃那些根本不适合你当前水平的教程了。
相反，你应该思考：
你已有的哪些知识可以用来锚定新事物？
你现在到底困惑在哪里？
你是在测试你是否能“认得”信息，还是在测试你是否能真正“应用”它？
然后，利用 NotebookLM 的定制功能来构建你所需要的学习系统。
我分享的提示词不是什么魔法公式。它们只是一些示例，展示了如何设计出匹配你当前位置和未来目标的学习方式。你的定制会看起来不一样，因为你的学习需求是不一样的。
而这，恰恰就是重点所在。
NotebookLM 你用得怎么样？在评论里分享你最得心应手的技巧和窍门吧。
译者：boxi。
