#AI #生产力工具 #NotebookLM
在 NotebookLM 中，对话那一栏是不会调用大模型已知的知识来回答问题，只会根据来源中已经添加的内容，它是一个带强约束的 RAG 系统，但是会调用大模型的认知计算能力，包括语义理解与对齐，跨文档关联与逻辑推理，文本重构和信息提炼等。
在 NotebookLM 中，通过 Deep Research 获取来源信息后，需要做以下几个步骤，筛选有效信息，让信息来源更加可靠。
元数据分析
找到来源中的核心材料，而不是被多手加工过的材料，剔除掉很多低质量的资源。提示词如下：
[!NOTE]-
创建一个表格，列出每个来源的发布日期、作者背景以及来源类型，区分它是原始研究还是观点性文章。
相似性对齐
然后可以将自己的个人资料（比如详细的个人总结，汇报 PPT，自己撰写的调研报告）或其他文档上传给 NotebookLM，进一步增加来源的可信度。
如果你上传的文档足够权威，可以将其作为 Deep Research 得到的信息的基准，进行相似性搜索，排除掉相似性得分较低的资源。提示词如下：
[!NOTE]-
请以我上传的xxx材料作为逻辑和事实的基准，对本笔记本中所有选中的外部来源进行相似性评分，包含以下维度：
- 来源名称
- 对齐得分（1-10）：评估该来源与基准文章在核心观点上的一致性；
- 质量分（1-10）：评估其专业深度；
- 明确给出保留建议，是建议保留还是建议剔除。
盲点诊断
最后找到来源中存在知识盲区和矛盾，缺少哪些重要视角或其他观点。提示词如下：
[!NOTE]-
这些来源之间是否存在矛盾？当前资料缺少哪些重要视角或论点？
这样可以最大程度上清洗来源中的资源，之后再询问 NotebookLM 才能得到更加精确的分析，而不是将未经校验的观点重新排列组合之后告诉你。
[!check]+
dfa