利用NotebookLM搭建真实痛点选题库，其实只需要三个关键步骤：先上传保留原始语境的高密度素材，例如客服对话、用户差评截图等；再通过指令式、对比式或归因式触发词，强制模型锁定痛点原句；最后生成带原文引用和出处验证的选题卡片，把不可信、无证据支撑的内容及时剔除。

如果你想把零散的用户反馈、竞品分析资料、社群聊天记录，整理成一个可随时调用的内容选题库，并且确保每个选题都精准对应真实用户痛点，而不是依靠主观猜测，那么就必须跳过“直接提问”这种低效方式，优先完成资料结构化和语义锚定。因为NotebookLM并不会自动判断什么是“用户痛点”，它只会根据你输入的语义信号进行检索、归纳和响应。

第一步：上传带原始语境的素材源

打开 notebooklm.google.com → 使用 Google 账号登录 → 点击「+ New notebook」→ 命名为如“小红书美妆选题库” → 进入后点击「Upload sources」。

务必上传包含真实对话、真实反馈或用户行为痕迹的原始资料，而不是你已经整理过的摘要内容。支持的格式包括：PDF（如用户投诉截图合集）、TXT（如社群高频问题整理文本）、MP3（如1对1咨询录音转文字）、网页链接（如竞品差评页面、知乎高赞回答）。

【单个MP3文件超过30分钟会被截断转录，务必提前剪出关键片段】

单次最多可上传50个文件，但更建议首轮只上传8–12份信息密度高的核心素材，例如3份客服对话记录 + 2份差评截图PDF + 1份直播复盘文字稿 + 小红书搜索热词Excel（需另存为CSV后再上传）。

第二步：用“痛点触发词”激活语义锚点

上传完成后，等待10–60秒让系统自动解析，左侧「Sources」栏会出现带段落编号的文档列表。这时不要急于马上提问。

在右侧聊天框输入以下任一类指令，强制NotebookLM聚焦用户痛点识别：

方法一：指令式触发
“请逐条扫描所有资料，提取明确表达负面情绪、未满足需求、使用障碍或金钱损失的原始句子。每条输出格式为：【痛点类型】+原文引用+来源文件+段落编号。”

方法二：对比式触发
“对比文档A中用户说‘每次卸妆都泛红’和文档C中KOC测评提到‘敏感肌不敢用卸妆油’，指出二者共同指向的皮肤屏障受损场景，并列出其他能够佐证该痛点的原文句子。”

方法三：归因式触发
“从所有资料中找出‘为什么用户放弃购买’的直接原因，排除推测性描述，只保留用户原话或行为数据（如退货率、跳出率、差评关键词），按出现频次从高到低排序。”

这三类提示词能够绕开模型习惯性的泛化总结，直接调用语义锚点去定位原始痛点句。原因在于，NotebookLM底层更接近“段落置信度重排序”机制：你给出的分类标签越明确，它就越容易按照标签进行反向检索和精准提取。

第三步：生成可筛选的选题卡片

① 拿到痛点清单后，在聊天框输入：“基于以上痛点，为小红书平台生成5个选题卡片。每个卡片包含：标题（带emoji）、目标人群一句话画像、核心痛点锚点（引用原文）、内容形式建议（图文/合集/对比测评）、避坑提示（哪些说法容易引发争议）。”

② 等待结果生成后，逐一检查每张选题卡片是否都绑定了至少一处原文引用。如果某条选题没有引用，说明这个痛点并未真实出现在你上传的资料中，应立即删除。

③ 点击任意引用标记（如Source_3, p.5），页面会自动跳转到对应原文位置——这是验证选题真实性和用户痛点是否成立的唯一方式，【跳转失败=该痛点不可信，必须剔除】。

④ 将最终确认通过的选题卡片复制到Google Docs，并用不同颜色分别标注“已验证痛点”“需补充证据”“待AB测试”。