Google 做过很多 AI 产品。Google Assistant、Bard、Duet AI、Gemini…… 说实话，大部分给人的感觉是"有，但不好用"或者"好用，但没人知道"。
NotebookLM 是个例外。
它可能是 Google 过去两年做出的最好的 AI 产品。不是因为技术最先进，而是因为它真正解决了一个实际问题：你有一堆文档，你需要快速理解它们的内容，但你没有时间全部看完。
而且它免费。完全免费。没有 Pro 版本、没有使用次数限制。Google 账号登录就能用。
这篇文章会从头到尾讲清楚 NotebookLM 到底能干什么、怎么用最有效、以及它和 ChatGPT/Claude 的本质区别。
NotebookLM 到底是什么
一句话：基于你上传的文档来回答问题的 AI 研究助手。
注意关键词：“你上传的文档”。这是 NotebookLM 和 ChatGPT 最根本的区别。
ChatGPT 基于它的训练数据回答你的问题。它见过互联网上的大量信息，但它不知道你手头这份 PDF 说了什么，它也会"编造"听起来合理但实际不存在的信息。
NotebookLM 不一样。它只基于你提供的文档回答问题。 你上传什么，它就读什么。你没上传的内容，它不知道，也不会假装知道。每个回答都有引用，点一下就跳到原文对应位置。
这意味着：它不编造。
“不编造"三个字，在 AI 产品里是非常稀缺的品质。
你能扔进去什么
NotebookLM 支持的输入格式比你想象的多：
- PDF 文件 (每个最大 500,000 字)
- Google Docs
- Google Slides
- 网页 URL (自动提取正文)
- YouTube 视频 (自动提取字幕内容)
- 纯文本 / Markdown
- 音频文件 (自动转录)
- 复制粘贴的文本
每个 Notebook 最多可以添加 50 个来源。对于大多数研究项目来说，50 个来源绰绰有余。
一个常见误解：很多人以为 NotebookLM 只能处理英文。错了，它对中文的支持很好。中文 PDF、中文网页、中文 YouTube 字幕都能处理。只有音频摘要目前只支持英文生成，这个后面会说。
核心功能一：精准问答
上传文档后，你可以用自然语言对这些文档提问。
比如你上传了一份 80 页的行业报告，你可以问：
- “这份报告的核心结论是什么？”
- “报告里提到了哪些市场风险？”
- “2025 年和 2024 年的数据对比，最大的变化是什么？”
- “作者对未来三年的预测是什么？引用原文。”
NotebookLM 会在你的文档里找到相关内容，组织成一个结构化的回答，并标注每句话的出处。你可以点击引用编号，直接跳到原文对应段落。
为什么这比 ChatGPT 好？
如果你把同样的 PDF 扔给 ChatGPT（通过文件上传功能），它也能回答问题。但有两个问题：
ChatGPT 会混合自己的知识。 它可能会用训练数据里的信息"补充"回答，但这些信息可能是过时的、不准确的、甚至是编造的。你分不清哪些来自你的文档，哪些来自它的"想象力”。
ChatGPT 的引用不可靠。 它会说"根据文档第 X 页"，但你翻到第 X 页发现根本不是那么写的。
NotebookLM 的回答严格限定在你的文档范围内。它不知道的就说不知道，不会编一个看起来合理的答案来糊弄你。
对于需要准确性的场景，比如学术研究、法律文档分析、财务报告解读，这个区别至关重要。
核心功能二：Audio Overviews（音频摘要）
这是 NotebookLM 的杀手级功能，也是让它出圈的功能。
它能把你的文档变成一段两人对话的"播客"。
具体来说：你上传了一些文档，点击 “Audio Overview”，NotebookLM 会生成一段 10-30 分钟的音频。两个 AI 主持人会用对话的方式讨论你文档的核心内容：一个负责解释，一个负责提问和追问。
声音自然、语调有起伏、有笑声、有感叹。如果你不说这是 AI 生成的，很多人会以为是真人录的播客。
为什么这个功能厉害
它改变了信息消化的方式。
一份 50 页的 PDF，认真读可能要两三个小时。但变成 15 分钟的"播客"后，你可以在通勤路上听、跑步时听、做饭时听。你的眼睛和手都是自由的。
而且对话格式比阅读更容易理解。一个人解释概念，另一个人提出疑问，解释者再进一步澄清。这种交互式的信息呈现方式，比干巴巴的文字有效得多。
怎么用效果最好
定制提示词。 点击 “Customize” 按钮，你可以写一段引导语，比如：
- “重点讨论对中国市场的影响”
- “假设听众是对 AI 一无所知的普通人”
- “关注技术细节，特别是架构设计部分”
- “对比这三篇论文的方法论差异”
加了引导语，生成的音频会聚焦你关心的方向，而不是泛泛而谈。
选择性来源。 如果你的 Notebook 里有 10 个来源，但你只想听其中 3 个的播客，可以在生成前取消勾选不需要的来源。
下载保存。 生成的音频可以下载为 MP3。我会把好的音频存到 Apple Podcasts 的"文件"里，出门时当播客听。
当前限制
只支持英文音频生成。 即使你的文档是中文的，生成的播客也是英文的。AI 会自动翻译内容。对于英文好的人这不是问题，但对于只看中文的用户来说，目前只能等 Google 支持更多语言。
不过好消息是，Google 已经在测试中文和日文的音频摘要支持，预计 2026 年内会上线。
核心功能三：多文档交叉分析
这个功能的价值在单文档场景下体现不出来，但一旦你上传了多个来源，它就变得非常强大。
场景一：文献综述
你在做一个研究课题，下载了 10 篇相关论文。把它们全部上传到一个 Notebook，然后问：
- “这 10 篇论文的共同结论是什么？”
- “哪些论文的结论互相矛盾？”
- “这些论文使用了哪些不同的研究方法？各有什么优缺点？”
- “按时间顺序梳理这个领域的研究进展。”
10 分钟完成的文献综述，质量不敢说超过人工，但速度是人工的 50 倍。 它至少能帮你快速建立全局视野，知道哪些论文值得精读。
场景二：竞品分析
上传 3-5 个竞品的产品文档、定价页面、用户评价：
- “对比这几个产品的核心功能差异。”
- “哪个产品在定价上最有竞争力？”
- “用户评价中，哪些产品被吐槽最多？主要问题是什么？”
场景三：会议 + 数据联合分析
上传一份会议记录 + 一份数据报表 + 一份战略文档：
- “会议中提到的’增长放缓’，在数据报表中有体现吗？具体数字是什么？”
- “战略文档中的目标和会议中的讨论方向一致吗？有哪些偏差？”
这种跨文档的关联分析，是 NotebookLM 最独特的能力。 你很难在 ChatGPT 或 Claude 里做到同样的事情，因为它们没有 NotebookLM 这种"多来源管理 + 精准引用"的架构。
核心功能四：结构化输出
除了对话式问答和音频摘要，NotebookLM 还提供几种预设的输出格式：
FAQ 文档。 基于你的来源自动生成一份常见问题解答。适合把产品文档变成用户手册。
学习指南。 自动提取知识点、整理成有层次的学习大纲。适合学生用教材生成复习指南。
时间线。 如果你的文档涉及事件发展（历史文献、项目进度报告等），它能自动梳理出时间线。
概念摘要。 把文档中出现的核心概念提取出来，每个概念给出定义和在文档中的上下文。
这些输出不是简单的摘要，而是对文档内容的重新组织。 同一份文档，可以生成 FAQ 给用户看，生成学习指南给自己复习用，生成时间线给老板汇报。一份材料，多种视角。
最佳使用技巧
用了一段时间后，总结几个让 NotebookLM 效果最大化的技巧。
技巧一：一个 Notebook 一个主题
不要把所有文档都塞进一个 Notebook。每个研究主题、每个项目、每门课程单独建一个 Notebook。
原因很简单：NotebookLM 在回答问题时会搜索 Notebook 里所有的来源。如果你把完全不相关的文档混在一起，AI 的回答质量会下降。
我的 Notebook 组织方式：
📓 Q1 行业报告分析
📓 产品 X 竞品研究
📓 机器学习课程
📓 新加坡市场调研
📓 每周精选文章 (Week 12)
技巧二：不要问太宽泛的问题
“这些文档说了什么"是一个很差的问题。因为它太宽泛了，AI 只能给你一个笼统的回答。
好的问题是具体的：
❌ “总结一下这些论文” ✅ “这些论文中，哪些用了 Transformer 架构？各自有什么改进？”
❌ “这份报告怎么样” ✅ “这份报告里，对 2026 年中国市场的增长预测是多少？基于什么假设？”
问题越具体，回答越有用。
技巧三：善用来源筛选
上传了 10 个来源，但当前问题只和其中 3 个相关？在提问前取消勾选不相关的来源。
这能显著提高回答质量，因为 AI 不需要在无关的内容里浪费"注意力”。
技巧四：先让 AI 帮你提问
不知道问什么？NotebookLM 打开 Notebook 后，底部会自动生成 3-5 个建议问题。这些问题是基于你上传的文档内容生成的，通常能覆盖文档的核心要点。
从建议问题开始，再根据回答追问细节。这比自己想问题效率高得多。
技巧五：用笔记功能保存重要发现
NotebookLM 有一个"笔记"区域，你可以把 AI 的回答或自己的想法保存为笔记。这些笔记也可以作为"来源"被引用。
这意味着你可以建立一个"渐进式研究"的工作流：
- 上传原始文档 → AI 给出初步分析
- 保存关键发现为笔记
- 基于笔记 + 原始文档进一步提问
- 新发现再保存为笔记
- 循环，直到你对这个主题的理解足够深入
你的笔记和 AI 的回答混合在一起，形成一个不断丰富的知识库。
限制和注意事项
说了这么多好话，也得说说它的局限。
不联网
NotebookLM 不能搜索互联网。它只能基于你上传的文档回答问题。如果你问的东西文档里没有，它会说"在提供的来源中找不到相关信息"。
这既是限制，也是优势。不联网意味着不会胡说，但也意味着它不能帮你补充文档之外的信息。
解决办法： 你可以把相关网页的 URL 作为来源添加进来。NotebookLM 会自动抓取网页内容。但这需要你手动添加。
中文音频摘要暂不支持
前面说了，Audio Overview 目前只生成英文音频。中文文档可以上传、可以问答，但播客功能生成的是英文。
对于英文能力不错的人，英文播客听起来效果很好。对于只习惯中文的用户，目前只能等。
文档质量决定输出质量
Garbage in, garbage out。 如果你上传的 PDF 扫描质量很差、排版混乱、或者内容本身就是低质量的，NotebookLM 也帮不了你。
特别是扫描版 PDF：如果 OCR 识别不好，NotebookLM 读到的可能是一堆乱码。建议上传前先确认 PDF 是可选中文字的（不是纯图片扫描件）。
不适合创意类任务
NotebookLM 的核心价值是"忠实于你的文档"。这意味着它不会发挥想象力、不会写创意文案、不会帮你头脑风暴新点子。
如果你需要的是创意、灵感、开放式讨论，去用 ChatGPT 或 Claude。它们在这方面更强。
NotebookLM 的强项是分析和理解，不是创造。 这两种能力需要不同的工具。
没有 API
截至 2026 年 3 月，NotebookLM 没有公开 API。你只能通过 Web 界面使用它。这意味着无法自动化、无法集成到你的工作流里。
这是我觉得最遗憾的一点。如果有 API，我早就把它集成到 Obsidian 里了。
和 ChatGPT / Claude 的对比
三个工具我都在用，但用途完全不同。
| NotebookLM | ChatGPT | Claude | |
|---|---|---|---|
| 核心能力 | 文档分析 | 通用对话 | 长文理解和写作 |
| 知识来源 | 你的文档 | 训练数据 + 联网 | 训练数据 + 联网 |
| 会编造吗 | 几乎不会 | 会 | 偶尔会 |
| 引用 | 精确到段落 | 不可靠 | 较好 |
| 音频摘要 | 有，很强 | 无 | 无 |
| 多文档分析 | 强项 | 一般 | 较好 |
| 创意写作 | 差 | 强 | 很强 |
| 联网能力 | 无 | 有 | 有 |
| API | 无 | 有 | 有 |
| 价格 | 免费 | 免费/$20月 | 免费/$20月 |
一个简单的决策框架：
- 你需要分析特定文档的内容 → NotebookLM
- 你需要写东西或头脑风暴 → Claude 或 ChatGPT
- 你需要查最新信息 → ChatGPT 或 Claude（开启联网）
- 你需要把文档变成播客 → NotebookLM
- 你需要精确引用和不编造 → NotebookLM
它们不是竞争关系，是互补关系。 用 NotebookLM 做研究和分析，用 ChatGPT/Claude 做创作和延伸思考。
几个实际使用案例
说几个我真实在用的场景，给你一些灵感。
案例一：每周行业精选
每周我会收集 5-8 篇值得读的行业文章和报告。以前的做法是一篇篇读，大概需要两三个小时。
现在的做法：
- 把文章 URL 全部扔进一个 “Week XX 精选” Notebook
- 先生成 Audio Overview，通勤时听完，对全局有个感觉
- 对感兴趣的话题深入提问：“这几篇文章对 AI Agent 的看法有什么不同？”
- 保存关键发现为笔记
总耗时从 3 小时降到 40 分钟。 而且理解深度不降反升，因为多文档交叉分析能看到单篇文章看不到的全局。
案例二：学习新领域
最近在研究一个不熟悉的技术领域。
- 找了 5 篇入门教程 + 3 篇经典论文 + 2 个官方文档
- 全部上传到 NotebookLM
- 从最基础的问题开始问：“这个技术解决的核心问题是什么？”
- 逐步深入：“论文 A 和论文 B 的方法有什么区别？”
- 到最后：“基于这些材料，这个领域目前最大的未解决问题是什么？”
相当于有一个读过你所有材料的导师，随时回答你的问题。 比自己闷头读效率高一个量级。
案例三：工作报告
老板要一份季度分析报告。手头有：上季度的业绩数据、行业报告、竞品动态、几篇相关新闻。
- 全部上传
- 问 NotebookLM：“基于这些数据和信息，总结上季度的关键表现。”
- 再问：“和行业平均水平比，我们的表现在什么位置？”
- 再问：“竞品在这个季度有什么值得注意的动作？”
- 把回答整理成报告框架
关键点：每个结论都有数据支撑，因为 AI 的回答直接引用了你上传的数据文件。 老板问"这个结论的依据是什么"，你点一下引用就能回答。
案例四：读一本书
买了一本新书的电子版（PDF）。
- 上传到 NotebookLM
- 先生成 Audio Overview，30 分钟听完全书梗概
- 对感兴趣的章节提问
- 生成学习指南，提取核心概念和关键论点
- 保存笔记，以后需要引用时直接搜索
这不能替代精读，但作为初筛非常有效。一本书值不值得花时间精读，听完 30 分钟播客就知道了。
为什么说 NotebookLM 被低估了
最后说说我的个人看法。
NotebookLM 没有 ChatGPT 的知名度，没有 Claude 的话题热度。Google 对它的宣传也远不如 Gemini。大部分人甚至不知道这个产品存在。
但在"基于你的文档做分析"这个垂直场景里，它比任何其他 AI 产品都好用。
原因有三个：
第一，“不编造"是真的。 不是"偶尔编造”，不是"大部分时候不编造"，而是真正的不编造。AI 的回答严格限定在你的文档范围内。这在所有主流 AI 产品中是独一份的。
第二，多文档交叉分析是独家能力。 ChatGPT 和 Claude 的文件上传功能更像是"把文件内容塞进对话"，不是真正的多文档管理。NotebookLM 有来源管理、来源筛选、交叉引用，这是完整的文档分析架构，不是临时拼凑的功能。
第三，Audio Overview 改变了信息消化方式。 把阅读变成收听，把被动时间（通勤、运动、家务）变成学习时间。这个功能的价值会随着使用频率线性增长。
它被低估，是因为它不够"酷"。 它不能帮你写诗、画画、生成代码。但如果你的工作涉及大量文档阅读和分析（学术、咨询、金融、法律、市场研究），NotebookLM 节省的时间是实实在在的。
免费的产品，能做到这种程度，没有理由不试。
打开 notebooklm.google.com，上传你手头最厚的那份 PDF，问它一个你一直想知道但没时间细读的问题。
你会理解我说的。
本文首发于 aieii.com，一个关注 AI 工具与趋势的中文内容平台。