"我让 AI 总结了一下，但感觉脑子里什么都没留下。"
"ChatGPT 有时候一脸正经地胡说八道，所以我有点担心用它来学习。"
如果你也有过这种感受，那么这篇文章就是为你准备的。这里有 5 个可以直接复制粘贴的提示，能把 NotebookLM 变成一个"会提问、会反驳、甚至会考你的导师"。这是帮你从"只看总结"毕业的模板。
很多人把这款工具当成"总结机器"。扔进资料，看看提炼出的要点，然后就结束了。但这仅仅是个开始。
它真正的价值，在于能成为一个"互动式学习伙伴"，仅凭你上传的资料（PDF、YouTube、网页文章等），就能根据你的理解水平改变形态。而且，回答的每一句话都链接到原始来源作为引用（官方 NotebookLM）。因此，那种"看似合理但资料里并没有的虚构内容"在通用 AI 对话中很常见，但在这里就很少见。这从结构上解决了用 AI 学习和研究时最可怕的问题。
我是 tatsuki（@nobel_824）。我支持中小企业的 AI 应用，帮助企业将 Claude / Codex 落地到业务中，同时自己也整天运行 Claude Code。通常我专注于把 AI 打磨成"工作工具"，但 NotebookLM 是我个人每周都会用来学习和阅读资料的工具。
1. 强制建立"结构性理解"：多层术语解释提示
学习中最耗时的部分就是专业术语的障碍。如果你只是问"给我讲讲这个"，NotebookLM 可能只是从资料里高效地复制粘贴文本，让你感觉懂了，但实际上并没有真正掌握知识。
因此，指定理解的层次非常有效。这是一个模板，让同一个术语在三个不同的抽象层次上进行解释。
请针对本资料中出现的"[专业术语]"，按以下三个层次进行解释： 1. 用熟悉的事物打个比方，让小学生也能直观理解。 2. 给出一个明天就能实际运用的具体使用案例。 3. 解释这个概念与"[相关术语]"之间的联系，以及它处于什么位置。
只需把你卡住的词放进"[专业术语]"里就行。比如，"MCP"或"Cache"这些查了也没搞懂的术语都可以试试。
为什么这招有效？虽然 NotebookLM 擅长基于资料提供答案，但这个指令能让它分解资料中的信息并"重新组装"。尤其是让它创造类比时，抽象概念会与你现有的知识连接起来，改变它们留在你记忆中的方式。
需要注意的是，类比归根结底是 AI 的重建。它偶尔会添加原始资料中没有的比喻，所以最好用第二个解释之后的内容或原始资料本身来印证"这种理解是否正确"。
今天的一个行动：从你正在读的资料里，选一个"最难的术语"，扔到上面的提示里试试。
2. 切换到"主动学习"：反向提问导师提示
只读的话，知识只是过眼云烟。决定知识留存率的关键是你是否处于"回忆信息"的一方，换句话说，就是输出。让 NotebookLM 变成一个会考你的"导师"。
我想扎实掌握这份资料的内容。请根据我们之前的互动以及资料内容，提出 3 个"描述性问题"来衡量我的理解程度。我回答后，请对照资料来源评分，并补充我遗漏的视角。
关键在于让它提出描述性问题，问"为什么会这样"，而不是简单的 Yes/No 确认。被迫用自己的话来解释，而不是单纯的填空，能暴露你自认为懂的地方中存在的模糊之处。
这正是 NotebookLM 的强项。用来评分的资料相关部分会作为引用显示出来，所以当你答错时，你能确切地知道"应该重读哪里"。在通用聊天中，因为无法追踪"写在哪里"，复习很容易变得模糊，但在 NotebookLM 中，核对答案的位置始终在资料内部。
今天的一个行动：读完一份文档后，用这个提示让它生成 3 个问题，在要求总结之前先自己回答一遍。
3. 暴露"盲点"：批判性思维提示
自学最大的陷阱是偏向单一视角。通过让 NotebookLM 刻意站在对立面，你可以客观地审视信息。
请列出 3 个针对本资料中主张的、逻辑上合理的"反驳论点"或"顾虑"。同时，告诉我应该重点重读资料中的哪些部分来验证这些顾虑。
这不仅对学习有效，对商业决策也同样有效。只需加载一份提案或市场研究报告，然后扔出这个提示，它就能指出基于材料本身的、你自己很难注意到的"逻辑漏洞"。这就像给常见的自学和内部文件陷阱（只收集支持性意见就感到安心）买了一份保险。
补充一点，反驳论点也是 AI 的重建，所以不能把出现的顾虑照单全收。要求它也输出"我可以在资料里的哪里读到相关信息来判断这个顾虑"，然后由你自己做最终判断。把 AI 当作一个"观点生成器"，而不是"结论生成器"。
今天的一个行动：放入你最近读过的一份报告或提案，让它生成 3 个反驳论点，并记下最触动你的那个顾虑。
4. 设置"耳濡目染"式学习：自定义音频概览
NotebookLM 的一个亮点是"音频概览"（AI 像播客一样根据资料对话的功能；在标准的 Deep Dive 模式中，是两个 AI 对话）。但是，如果直接生成，你很容易被动地听。
这时就需要在生成之前给出指令。对于音频概览，你可以在创建前指定"聚焦哪个话题"或"如何调整听众的专业水平"（音频概览生成官方帮助，Google 官方博客）。你可以定制音频，只深入挖掘一本厚文件中你想了解的那一点。
请针对本资料中的"[你想了解的话题]"，以适合初次学习者的简化语气创建音频概览。
我经常做的是，在通勤路上听这段音频，之后再通过文字聊天回顾其中有趣的部分。如果你问"刚才音频里提到的 XX，请展示资料中的相关部分"，就能带着引用回到证据本身。在路上的输入和回到办公桌后的深度挖掘就能无缝衔接。
今天的一个行动：在通勤或出行前，从你正在读的资料里确定一个"聚焦话题"，用上面的提示创建一个音频概览。
5. 自动构建"输出"：结构化笔记创建提示
学习的收尾工作是把信息整理成日后可用的形式。NotebookLM 擅长"提取"信息，但如果你提供一个框架，它筛选"什么是重要信息"的准确性会大大提高。
请将本资料的关键点按照以下格式结构化地总结出来： - 结论（是什么）： - 背景（为什么）：为什么现在需要这个？ - 步骤（怎么做）：3 个具体步骤 - 衡量标准（如何衡量）：如何衡量成功
事先定好框架，能让输出向"可用于实践的备忘录"倾斜。而且这种整理不止于文字。NotebookLM 有一个叫做"Studio"的工作区面板，你可以从资料中创建音频概览、视频概览、思维导图（一种通过将资料内容分叉来展示全局概览的功能）、报告和 Slides（思维导图官方帮助，Google 关于 Studio 升级的官方博客）。
换句话说，用上面的提示把骨架语言化之后，再用同一份资料打开一个思维导图，你就可以比较"你自己决定的结构"和"工具画出的全景图"。通过这种来回比较，简单的总结就能转化成你自己的个人知识库。
今天的一个行动：选一份你已经学完的资料，用上面的格式让它总结一遍，然后在 Studio 中打开思维导图进行比较。
面向进阶用户：再深入一步
以下是使用这五个模板时，能带来差异的一些补充要点。
一是与 ChatGPT 或 Claude 等通用聊天的区别。因为通用聊天是根据全世界的知识来回答，它们会"煞有其事地"填补它们不知道的东西。NotebookLM 则相反，它只在你提供的资料范围内作答，并引用证据。因此，当你想了解广泛的最新常识时，使用通用聊天更高效；当你想准确且可验证地阅读手头的资料时，使用 NotebookLM。
另一个是基于资料限制的局限性。NotebookLM 不会回答知识库中未包含的内容，而且虽然附有引用，但如果原始资料本身有误，它会继承这个错误。输出的准确性取决于你放入的资料质量。相反，选择并放入可靠的原始资料是最有效的调优。
最后，关于操作：在放入机密资料之前，最好先检查你所用方案（免费/付费/企业版等）是如何处理数据的。如果你处理的是内部文档，这部分不能跳过。
总结：从"总结工具"到"会质疑你的伙伴"
如果你把 NotebookLM 当成总结机器，你只会读了就完事。但通过改变提示模板，同一个工具就能变成一个会提问、会反驳、甚至会考你的伙伴。
- 通过分层解释攻克专业术语障碍
- 通过反向提问提示从只读切换到输出
- 通过反驳论点提示消除逻辑盲点
- 通过自定义音频概览把通勤时间变成学习时间
- 通过指定框架为你自己构建知识体系
你现在就可以尝试其中任何一个，只需放入你正在读的 PDF，或者你打算晚点再看的 YouTube 链接，然后复制第二个"反向提问导师提示"。从衡量你当前的理解水平开始，效果应该会很明显。
一起学习的社群和参与福利
对于读到此处，并想着"我想动手试试"的人。
我运营着一个用于共同学习和实践 AI 应用、Claude Code 以及 X（推特）运营的 LINE 开放聊天室（可以匿名参与）。加入后，你可以免费获得以下 7 项内容：
- AI 诊断你的 X（推特）账号
- 用于获得关注的个人简介优化模板
- 让 AI 点评你帖子的 10 个提示
- Claude Code 初始设置清单
- CLAUDE.md 模板合集
- 批量生成 X（推特）帖子的工作流程
- 用于提升业务效率的 30 个精选方案
请从这里加入。
如果这篇文章对你有帮助，我会转发所有带引号给出的感想！
