先说几个核心判断：作为一款多源信息处理工具，NotebookLM在整合与解析各类材料方面确实表现出色。它能够将PDF、网页、音频、视频里分散的信息统一理解、交叉比对，并以结构化形式输出结果。最关键的是，所有回答都严格锁定在你上传的资料范围内，从根源上杜绝了AI“编造事实”的幻觉问题。支持混合格式上传、语义对齐、手动校准，还能生成概念关系图谱，在实际专题研究场景中非常实用。

做专题研究的人都知道，把分散在不同来源的资料——PDF、网页、音视频中的信息统一理解、交叉比对、结构化输出，是多么繁琐且容易出错的工作。而NotebookLM的突出优势在于，它能强制所有回答都锚定在你上传的资料源上，有效消除幻觉，自动识别跨文档的概念关联。简单来说，就是把你手中的几十份材料，变成一个可提问、可推理、可生成图表的活知识体系。

它不依赖猜测，只使用你提供的材料

直接打开notebooklm.google.com，用Google账号登录。创建新笔记本，上传你的PDF、网页或文本文件。之后所有的问答、总结、对比、图表生成，都严格限定在这批材料范围内。模型不会调用训练数据来补全内容，也不会联网搜索。【一旦上传完成，知识边界将被彻底锁定】。

这个前提非常关键。举个例子，如果你上传的是《气候变化政策比较》的5份白皮书、3篇论文和2个政府官网页面，那么它永远只在这10份材料里寻找依据。哪怕你提出的问题再宽泛，它也会标注“该结论未在任一源中提及”。

多源材料自动对齐语义

方法一：上传时直接混合格式，无需预处理。
你完全可以同时把PDF（包括扫描件OCR）、网页URL、纯文本、YouTube视频字幕拖进同一个笔记本。系统会自动提取文本，对齐时间戳或版式段落，构建统一的嵌入空间。

方法二：上传后，可以手动校准关键节点。
如果某份PDF中的公式被OCR误识别，可以点击右侧的引用浮标，悬停在原文上，然后点“Edit source text”直接修正。修正后，所有后续推理都会立即同步更新。这比重传整份文件要快得多。

【注意：扫描PDF超过50页时，OCR精度会明显下降，建议优先上传带文本层的PDF】

资料分类不是打标签，而是建立关系网

第一步：让NotebookLM自动生成“核心概念图谱”。
你可以输入这样的提示：“列出所有资料中反复出现的术语，按出现频次排序，并标注每个术语在哪些文档中被定义、在哪些文档中被应用。”

第二步：使用矛盾猎手提示词定位分歧点。
输入：“找出所有资料对‘碳边境调节机制’适用范围的表述差异，按文档来源分组，标出每处差异对应的原文页码和段落。”

第三步：导出结构化分类结果。
点击右上角的「Export」，选择「JSON with citations」，就能得到一个包含文档ID、段落锚点、语义标签的嵌套对象。这个结构可以直接导入Obsidian或Notion，方便你做二次整理和关联。