NotebookLM旨在基于笔记本中的来源进行回答，并展示行内引用。检索具有选择性：它可能仅使用其认为相关的段落，且仍可能出现错误。
基于来源的回答方式可以让答案更易于审计，但不能消除糟糕的OCR结果、选择性检索、上下文缺失、信息整合错误，或来源材料中本就存在的错误。只有在产品和账户获准处理相关材料时，才应使用此功能。
本文是对NotebookLM的概览，涵盖四种低风险试点模式以及用于判断笔记本是否适用于特定任务所需的控制措施。
NotebookLM是什么
NotebookLM是Google推出的基于来源的研究产品，网址为notebooklm.google.com。可用性、适用年龄、平台、支持的国家和地区以及配额各不相同；请查看Google当前的产品指南。
你创建一个“笔记本”并向其中添加来源。Google当前的产品指南列出了包括以下在内的来源类型；格式和导入行为可能会发生变化，因此在设计工作流之前请确认最新指南：
- PDF（研究论文、合同、书籍、报告）
- Word文档，以及直接从Drive导入的Google Docs、Slides和Sheets
- 文本文件
- 网页（粘贴网址，NotebookLM会抓取并包含该页面）
- YouTube视频（基于转录文本）
- 音频文件（自动转录）
- 粘贴的文本（直接贴入文章正文、会议记录等）
NotebookLM会处理来源，并在回答时检索相关段落。Google表示，NotebookLM聊天的回复以笔记本来源为依据；与其他Google产品的集成可能有不同表现，因此请确认你使用的具体界面。
这听起来很局限。但这正是其核心所在。
为什么这对某些用例很重要
想象一下，你拥有：
- 关于你试图理解的主题的二十篇研究论文。
- 一本600页的参考书。
- 来自一个项目的五份会议记录。
- 2,000行合同。
- 一组公司内部文档。
对于上述任何一种情况，关于“这些来源对X说了什么”的问题都需要来源检索和可追溯性。没有这组来源的通用聊天机器人无法确定那些文档的内容，而将大量内容粘贴到一次对话中，可能使覆盖范围的审计变得困难。
NotebookLM专为基于来源的检索而构建。只有在账户、产品、权限以及保留的来源持续支持时，笔记本才能继续复用。回答可指向特定来源和段落；请通过打开引用的文本以查看上下文来验证每一项实质性声明。
四种低风险试点模式
先选择公开或已获批准的信息源，提出一个你已知道答案的问题，并设定检查引用和覆盖范围错误的验收标准。以下仅为示例模式，不代表结果保证：
1. 个人学习笔记本
选择一个你试图学习的主题，例如某个监管体系、技术领域，或是你刚刚涉足的领域。收集5–10份高质量的相关资料：论文、文章、官方指南以及该领域的最佳书籍。将它们全部上传。
现在向模型提问：
向我提问这些来源中最重要的概念，一次一个问题。每次回答后，请注明该概念出自哪个来源。从简单的问题开始，逐渐增加难度。十道题结束后，告诉我哪两个概念我需要重新阅读。
这将生成一份限定于阅读清单范围的草稿学习辅助材料。在使用它来评估理解程度之前，请仔细核对每一项解释和引用；它不能替代对原始材料的阅读。
2. 团队或项目知识笔记本
对于任何持续进行的项目，例如客户合作、内部倡议或研究项目，上传定义该项目的文档：简报、合同、会议记录、关键电子邮件、幻灯片演示文稿和参考资料。
然后询问：
目前该项目中最大的三个开放性问题是什么？请为每个问题引用来源。
总结每位利益相关者在我们的会议中关于[主题X]的发言。
是否有人已明确承诺了[交付物]的日期？引用他们的原话。
我们的文档之间是否存在矛盾？
跨来源对比可以揭示可能存在的矛盾。检查每一处引用，并确定这些段落是否真正存在冲突，还是指代不同的范围、日期或定义。
3. 合同或政策笔记本
对于长篇且内容密集的文件，经批准的笔记本可以提供可查询的导航辅助。对于合同、法规以及雇佣政策而言，它并非法律解释，也不能替代阅读原文并获取专业审核。
定位所有提及终止、通知、续订或提前退出的条款。逐字引用，并附上页码或章节编号。不要解释适用的条件。
定位提及上限、限制、排除条款、赔偿或无上限义务的段落。引用这些内容并附上页码或章节参考，列出需咨询合格律师的问题。不要判定其法律效力。
定位所有关于数据处理的内容。引用它并附上页码或章节参考，列出需由合格隐私审核人员审查的问题；不要自行判定其是否符合《通用数据保护条例》（GDPR）。
在这两份合同中找出涉及责任和知识产权的段落。将确切文本和页码引用并排呈现，不要推荐任何条款。
多文档比较仅在每一个实质性主张都能追溯至确切来源并经过核查时才具有价值。引用提升了可审计性；但它们并不能保证覆盖范围或正确性。
4. 个人研究笔记本
任何为你自己的工作汇集资料来源的场景，例如围绕某个主题编写通讯、文章或演示文稿。将资料来源添加进去，再用通俗自然的语言提问。
总结这三篇文章中各自最有力的论点，并指出它们之间的分歧之处。
引用这些来源中任何具体的统计数据或数据点，以便我使用。
围绕该主题撰写一页简报，仅依据这些来源。对每一项声明注明出处。
“仅依据这些来源”的指令缩小了任务范围。你仍需核查引用的上下文、缺失的观点、来源质量以及任何未经引用的结论。
Audio Overview（音频概览）功能
NotebookLM具备 Audio Overview（音频概览） 功能，可根据笔记本来源生成对话式音频内容。具体长度、格式、语言支持及控制选项因产品版本而异。Google警告称，生成内容可能不准确；Audio Overview并不能证明所有重要来源均已涵盖。
使用场景：
- 你希望在步行或通勤时，获得对已批准参考资料的补充性导读。
- 你已对该材料足够熟悉，能够识别其中的遗漏或错误。
- 学习者也会收到原始来源，并被告知该音频由AI生成且必须经过核查。
何时跳过：
- 你需要一个可以引用的精确摘要（该音频为对话形式，不具备引用级质量）。
- 资料来源高度专业化，你需要的是深度而非概览。
- 时间紧迫，且问题范围狭窄。
NotebookLM还提供思维导图和简报文档等生成内容。请将每项生成内容视为草稿，并分别检查其覆盖范围和准确性；功能的可用性和名称可能会变化。
陷阱与局限
值得了解的一些约束。
来源覆盖范围至关重要。 NotebookLM的效果取决于你输入的内容。如果来源存在偏见、不完整或错误，笔记本也会忠实地重复这些偏差。输入的是垃圾，输出的只是有出处的垃圾。
来源PDF的质量至关重要。 OCR质量糟糕的扫描版PDF会生成充满拼写错误和误读的笔记本。请尽可能使用干净的文本型PDF。
来源限制和配额会变化。 请根据实际使用的账户和日期，查看 Google的来源文档 和升级页面。不要根据文章中引用的数字设计长期工作流。只有在按已记录的范围拆分大型资料集、确实能让覆盖情况更易测试时，才应进行拆分；不要只为了迁就配额而拆分。
回答以何种来源为依据，取决于界面和功能。 NotebookLM聊天以笔记本中的资料来源为基础，而Gemini Apps中的笔记本用法和来源发现功能可能采用不同的溯源方式。请检查引用及界面；不要假定每句话都只来自上传的资料来源。
刷新行为因来源类型而异。 与Drive关联的来源和导入的快照可能采用不同的更新方式。请检查来源状态及当前的来源文档，并记录重要工作所使用的来源版本或检索日期。
语言支持和质量因情况而异。 请查阅当前产品指南，确认所需来源语言、聊天语言和生成内容的语言。在每种语言中运行已知答案测试；跨语言输出即使读起来流畅，也可能改变含义。
几个好习惯
如果你使用NotebookLM处理可重复的工作，请保留以下控制项：
为每个笔记本定义一个可审计的范围。 更窄的范围可以使遗漏和访问决策更容易检查，但这并不能保证得到更好的答案。
记录来源的质量与目的。 优先选择相关且权威的一手资料，并说明纳入每个来源的原因。仅凭来源数量无法反映质量或完整性。
使用来源视图。 当模型引用某段内容时，点击以阅读原始上下文。这有助于发现误解，并帮助你判断哪些声明值得信任。
保存问题、来源版本和验收结果。 当来源或产品发生变化时，重新运行检查。笔记本的保留取决于账户、产品和管理员设置；不要假设其永久存在。
在起草过程中不要破坏数据边界。 将提取内容移至另一个模型会形成第二个披露、保留和准确性边界。仅使用经批准的工具，并为每项事实声明附带引用来源。
隐私角度
NotebookLM是Google的产品。数据处理方式取决于你的账号类型：
- 个人Google账号： Google表示，除非你选择提供反馈，否则NotebookLM的内容不会被用于直接训练其基础模型。反馈可以包括提示词、上传内容、输出结果和笔记本上下文，并可能按照产品通知中所述进行审核和保留。
- 符合条件的Google Workspace或教育版账号： Google表示，上传内容、查询和回复不会由人工审核员审查，也不会用于训练AI模型。适用的合同、管理员设置、数据保留策略、共享规则和组织政策仍然重要。
- 套餐名称和功能： 查看当前的升级页面以及具体账号的隐私声明。付费标签本身并不能证明它具备组织所需的数据处理条款。
对于敏感文档，例如受保密协议（NDA）约束的合同、机密客户数据、私人法律事务，在授权所有者确认该数据所用的NotebookLM、特定账户、保留策略、共享和反馈行为已获批准之前，请勿上传。
今天设置一个笔记本
如果你还没有尝试过NotebookLM，请先从少量公开、低风险的来源开始，选择一个你已经熟悉的话题。运行一个你可以验证答案的问题，并在扩展之前记录所有的引用或覆盖错误。
官方产品参考和验证状态
已核查Google的NotebookLM产品指南、NotebookLM隐私与条款声明，以及在Gemini应用中使用笔记本的文档。最后一份来源说明，来源依据和数据处理行为可能因界面而异。
