最近 AI 领域的竞争确实异常激烈。

各类新概念与产品接踵而至，例如 Codex、Claude Code、Harness、OpenClaw、Skills 等。过去两年间，我体验了上百款 AI 工具，有些令人惊叹数日，有些则让我忍不住撰写推荐文章。然而两年过去，能真正嵌入日常工作流程的产品寥寥无几。NotebookLM 便是其中之一。

首次接触是在 2024 年。彼时的印象是：一款 AI 笔记软件。它能够总结 PDF、生成常见问题、进行对话问答，还能标注知识出处。对于当时的我而言，这已足够惊艳。

2025 年，我再次分享了使用体验。那一年 NotebookLM 上线了中文播客与思维导图生成功能。它开始重新定义我的学习方式。

转眼来到 2026 年。前几天整理资料时，打开了自己的 NotebookLM 首页。大大小小几十个项目安静地陈列在那里。

一种奇妙的感觉油然而生——这些并非单纯的项目，而是过去两年我的学习轨迹。那一刻我才意识到，自己已连续使用它两年之久。而我对它的认知，也经历了三次转变：

2024 年，我认为它是一款 AI 笔记软件。
2025 年，我觉得它是一个学习工具。
2026 年，我突然领悟：它更像一个知识操作系统。

学习的最大瓶颈，从来就不是获取知识。过去几年，我们经历了一场知识获取革命。以前想学新东西：需要买书、找课程、寻老师。如今只需打开 AI 询问即可。理论上，当下应该是人类历史上最容易学习的时代。

但现实却极具讽刺。

我们拥有了近乎无限的知识，却越来越难真正掌握一门技能。

为什么？

因为问题已经变了。过去的问题是：缺少知识。今天的问题是：知识过载。每天都有：新模型、新框架、新产品、新论文、新教程。以 AI 领域为例，现在一天的信息量可能超过十年前一整年。

于是出现了一个有趣的现象：收藏的内容越来越多，真正吸收的内容却没有同步增长。浏览器书签越积越多，硬盘里的 PDF 资料日益庞大。但回头问自己：真正理解了多少？答案往往是寥寥无几。

学习最难的并非看懂，而是消化。

过去研究一个新事物，流程通常是：阅读文档、做笔记、整理重点、绘制思维导图、总结框架、最后输出文章。整个过程相当繁重，尤其是技术论文，动辄几十上百页，很多时候看完第一遍，脑中依然模糊一片。

真正的理解是什么？是能够复述、能够回答问题、能够将知识转化为自己的东西。而这正是 NotebookLM 最具价值之处——它帮我完成了以往最吃力的事情：知识内化。

学习流程

如今我学习新知识基本遵循固定流程。比如最近研究 Google Stitch，我会把官方文档、官方博客、官方演讲、用户案例、社区讨论、YouTube 优质视频教程等全部资料都丢进去。这主要得益于 NotebookLM 强大的输入能力：支持文件、网站链接、云端硬盘、文字以及搜索引擎。

这里有一个小技巧：若希望更快地整理资料，可以使用 Deep Research（深度搜索），它会搜索到几十种不同格式的内容。不过建议对搜索到的内容逐一快速检查，以确保内容质量。

接下来我会做三件事。

第一件事：生成信息图和 PPT

在右侧的 Studio 菜单中有一个信息图功能，点击旁边的小箭头即可进行自定义。

在这里可以对信息进行个性化设置，比如语言、屏幕方向、详细程度、附加描述。很多时候，我们并非看不懂细节，而是根本不知道整体轮廓。NotebookLM 会把大量内容浓缩成一张结构图，帮助我们快速了解全貌。

以 Google Stitch 工具为例，可以分别生成详细、标准、简短的信息图。区别在于图片的信息密度不同。这里有个小问题：详细版图文字较多，但偶尔出现乱码，不过不影响理解内容。唯一的缺点是不能直接分享到社交媒体或用在 PPT 中。若要直接使用，建议采用第三张简短内容的图。

这些信息图就像一位老师，首先告诉你：这门课学什么、为什么学、重点有哪些、整体框架是什么。许多内容看到这里，理解就已过半。

如果说信息图是一张全局地图，那么 PPT 就是具体分支的详细路径。点击右侧的演示文稿，可以选择自定义。

格式选择「详细演示文稿」，语言选择「中文」，时长选择「默认」，这样信息密度最高。问题和信息图类似，会出现部分文字乱码。如果需要使用其中的图片，建议再生成一份短时长的演示幻灯片。

PPT 形式非常实用，经常用于撰写公众号文章、做分享和培训。很多时候，可以直接用里面的图片，无论是 PPT 页面复用还是文章配图都非常方便。NotebookLM 的 PPT 功能特别像一位研究助理，它会先帮你梳理逻辑、整理重点、提炼框架。很多时候，我已经不再先写文章，而是先看它生成的 PPT，看完整体框架之后，再开始输出自己的观点。这一步至关重要——AI 可以帮你整理知识，但最终决定文章价值的，依然是你自己的理解和判断。

通过这两个步骤，无论是宏观框架还是微观细节，你都会对这个知识点建立起基本认知。

第二件事：不断提问

信息图自然无法解答所有疑问。看到信息图内容后，必然会产生一些问题，直接在中间的输入框提问，查漏补缺即可。

我经常这样提问：为什么这么设计？解决了什么问题？还有哪些替代方案？如果让我自己实现会怎么做？有什么缺点？能否一句话总结？用人话怎么解释？优势是什么？能不能解决 XXX 问题？

后来我发现：真正的学习并非不断阅读，而是不断提问。阅读是在接收答案，提问才是在构建理解。而 NotebookLM 最大的价值在于，它能基于你上传的资料进行回答。相比直接询问通用大模型，它的回答会严格基于你提供的资料。你还可以点击回复后的数字标签，它会定位到具体的数据来源位置。

第三件事：验证理解

这一点尤其重要，因为很多人学习只有输入，没有检验。

这就像小时候学习完后要考试一样。NotebookLM 可以根据内容自动生成问题。在自定义时可以选择更多问题和困难难度。这里还可以指定主题，非常适合给孩子生成测试题，上传指定学科内容。

作答后会显示正确答案、错误原因以及解析。这让人想起考驾照时刷题的感觉。你会发现一些特别有意思的事情：有些内容，你以为自己懂了，结果一道题都答不上来（大多数人都有这种迷之自信）。

有些内容，你能解释给别人听，说明它已经真正融入你的知识体系。能看懂，不等于会；能复述，不等于懂；能解决问题，才算真正掌握。学习最怕的不是不懂，而是自以为懂。

最后

过去两年间，AI 圈涌现出许多爆火产品。有些火了几月便无人问津，有些更新几次就销声匿迹。但 NotebookLM 始终留在我的工作流程中。原因很简单：它解决的不是信息获取问题，而是信息消化问题。

在这个信息过载的时代，未来真正稀缺的能力，或许不是获取知识，而是消化知识。

过去，我总以为学习是在不断积累知识。但越来越多时候，真正重要的不是存了多少资料，而是有多少知识真正留在了自己脑子里。AI 正在让知识获取变得越来越廉价。而未来最有价值的竞争力，可能不是知道得更多，而是理解得更深。

这也是为什么用了 NotebookLM 两年后，我越发觉得：它不是一个笔记工具，也不是一个学习工具。它更像一个知识操作系统——帮你把信息，慢慢变成理解；再把理解，变成自己的能力。