构建个人第二大脑虽然听起来很酷，但如果仅仅将一堆PDF文件丢入NotebookLM，实际效果往往远低于预期。核心在于打造一个完整的闭环流程——从资料投喂、结构锚定、双向回写到智能调用，四个步骤缺一不可。否则，AI的输出容易停留在表面，无法真正成为你思维的延伸。

第一步：建立可信知识源池

具体操作非常简单：打开NotebookLM，点击“+ New notebook”按钮，将其命名为“我的第二大脑（2026）”，然后在弹出的窗口中选择“Upload files”或“Add URL”。

上传文件时，建议按优先级顺序操作：PDF（政策原文、论文、研究报告） > YouTube公开视频链接（系统会自动提取字幕） > Google Docs（注意需开启共享权限） > 网页链接（页面必须确保能被爬取）。需要特别提醒的是：扫描版PDF或没有文字的图床图片请勿上传，NotebookLM目前无法进行OCR识别。

每份材料上传后，立即点击右侧的“Edit source”进入编辑界面，在Title栏手动将文件名改为更有意义的名称。例如“2025人社部灵活就业新规（全文+解读稿）”，而非默认的“Document_123.pdf”。这一步看似简单，但后续检索时会节省大量时间。

第二步：用YAML锚点打通Obsidian知识图谱

在Obsidian中新建一条笔记，例如命名为MEMORY.md，在笔记顶部插入类似下面的frontmatter：

notebooklm: true
nb-id: "doc_abc123xyz"
tags: [policy, labor]

其中的nb-id字段必须与NotebookLM中该文档生成的document_id完全一致——这个ID需要前往NotebookLM的文档详情页右上角“••• → View document info”中查找。填错后，后续的同步将失效。

保存之后，运行一条命令：npx notebooklm-obsidian-sync --vault-path "/Users/you/Obsidian-Vault" --api-key "nb_abc123xyz"。这条命令会启动监听服务，自动将所有notebooklm: true的笔记内容分块上传到NotebookLM，同时更新nb-id的元数据。

第三步：激活Focus & Peel构建问题树

有两种方法可以触发结构化的拆解：

方法一更直接，在NotebookLM输入框里直接提出要求：“用 Focus & Peel 拆解‘大模型Agent落地难’这一主题，生成三级问题树，每个叶子节点标注对应来源文档名与页码。”

方法二则更适合精准推理的场景：先在左侧Sources面板中，仅勾选《LLM Agent工程实践白皮书_v2.3.pdf》和《2025企业AI落地调研报告》，再输入指令：“对比这两份材料，列出Agent落地的3个核心瓶颈，每个瓶颈需引用原文原句并标注出处。”

这一步操作门槛不高，但有一个核心要点：必须严格限定来源范围。如果不勾选具体文档，AI会调用全局知识库，结论很容易脱离你喂养的真实材料，产生所谓的“幻觉”，那就得不偿失了。

第四步：生成带溯源标记的交付物

首先，点击右上角的“Export”，选择“Slide deck”或“Infographic”，选好模板风格，直接下载为PDF或PPTX。

接下来，在Obsidian中打开某篇笔记，输入双大括号嵌入块：{{nb-lm-ref:summary-of-agent-bottlenecks}}。此时插件会自动拉取NotebookLM生成的结构化片段，并保留原始的引用锚点，例如 [白皮书 p.17] 这样的标注。

最后一步很关键，对导出的幻灯片做一遍校验：随机点开任意一页的引用标记，返回NotebookLM查看原始出处片段是否匹配。如果不匹配，说明AI进行了概括性改写，此时需要退回问题指令，加上“禁止改写，逐字引用”的约束条件。这个检查虽然多花几分钟，但能确保交付物的准确性和可追溯性。