研究工作的核心痛点不是找不到论文，而是找到了 40 篇，全部放着吃灰，因为读完一篇已经忘了上一篇说什么。NotebookLM 解决的恰恰是这个问题——它把你上传的文件变成一个可以对话的知识库，回答只从你的来源里提取，不会凭空捏造引用。
这章讲的是一套可以实际跑通的流程：上传论文 → 拆解要点 → 做笔记 → 准备综述草稿。
第一步：按项目建 Notebook，不要全扔一个本子里
NotebookLM 的 notebook 是隔离的——不同 notebook 之间不共享上下文。这不是 bug，是设计：它防止不相关的资料互相干扰答案质量。利用这个特性的方法是按研究项目建 notebook，而不是按学科建。
好的分法：
毕业论文第二章 — 机器学习模型比较Literature Review — NLP in Healthcare 2020-2024会议投稿备料 — ACL 2025 相关论文
差的分法：
所有 AI 论文（上传 50 篇不同主题的 PDF，答案质量迅速崩塌）研究资料（什么都往里扔）
source 数量限制：
| 计划 | 每本 notebook 上限 |
|---|---|
| Free | 50 个 source |
| Plus | 300 个 source |
| Ultra | 600 个 source |
每个 source 的上限是 500,000 词或 200MB（两者先到先限）。对于标准学术 PDF，一篇 40 页论文大概 10,000–15,000 词，50 个 source 能放 30-50 篇论文，Free 计划做一个专题的文献综述完全够。
实操建议：同一个大研究项目，按章节或子主题分成 2-3 个 notebook，比一个 notebook 塞满效果要好。Gemini 处理聚焦来源时比处理杂乱大量来源的回答质量高出明显。
第二步：上传论文，来源质量决定答案质量
NotebookLM 支持的来源类型：PDF、Google Docs、网页 URL、YouTube 视频链接、音频文件、纯文本。学术场景用得最多的是 PDF 和 URL。
影响效果的关键：PDF 的文字是否可提取。
✅ 效果好的来源：
- 文字 PDF（直接从 Word / LaTeX 导出的）
- Google Scholar 下载的论文 PDF（绝大多数是文字型）
- arXiv PDF（LaTeX 编译，文字清晰）
- 期刊官网直接下载的 PDF
❌ 效果差的来源：
- 扫描件 PDF（OCR 识别后的图片文件）
- 截图拼成的 PDF
- 含大量公式图表但无文字图层的 PDF
判断方法：在 PDF 阅读器里尝试选中文字，能选中就是文字型，不能选中（或选中是乱码）就是图片型。图片型 PDF 上传后 NotebookLM 基本无法有效提取内容。
批量上传时，把所有 PDF 放在同一个 Google Drive 文件夹，然后在 NotebookLM 里选「Google Drive」批量导入，比一个个拖进来省时间。
第三步：Chat 提问，系统提取每篇论文的核心
上传完成后，最低效的用法是直接问「这些论文说了什么」——这种问题得到的是泛泛总结，信息密度低。高效的做法是用结构化问题逐层拆解。
快速了解一篇新论文
这篇论文的研究问题是什么？
使用了什么研究方法（数据集/实验设计/模型架构）？
主要发现是什么，关键数字/指标是多少？
作者提到了哪些局限性？
一次问 4 个问题，NotebookLM 会分别回答并标注来自哪篇文档的哪段。这比逐句读论文快 5-10 倍，关键数据都有原文佐证，不是 AI 编的。
跨多篇论文对比
这 N 篇论文在 [某个具体问题] 上的结论一致还是矛盾？
哪些论文使用了相似的方法？它们的结果有什么差异？
在 [某个指标] 上，各论文报告的数值范围是多少？
上传同一领域的 5-10 篇论文，用这类问题快速梳理学术争论的现状，比自己逐篇读再对比快得多。
找研究缺口
这些文献中，哪些问题被反复提到但没有被充分解决？
多篇论文共同承认的 limitation 有哪些？
在 [某个研究方向] 上，作者们建议的未来工作是什么？
这是写 Literature Review 的 gap 分析时非常有用的问法。
一个完整的逐篇处理模板
[论文标题/缩写]：
1. 核心研究问题：
2. 方法：
3. 主要发现（含具体数字）：
4. 与[你的研究主题]的相关性：
5. 可引用的关键句：
在 Chat 里按这个模板问，然后把 NotebookLM 的回答 pin 到 Notes 里，逐篇处理完就有了一份结构化的论文笔记库。
第四步：Notes——把有用的回答留住
NotebookLM 的 Notes 面板是它最低调但最实用的功能之一。每次 Chat 得到一个有价值的回答，点回答旁边的「Save to Note」（或 pin 图标），这条内容就存进了 Notes，不会随着对话刷新丢失。
Notes 本身也可以作为 source——把你自己整理的研究框架、初步结论、待核实的问题写成 Note，上传进来，然后让 NotebookLM 基于这份 Note 加上原始论文来回答问题。这实现了「用你的框架 + AI 从文献里找支持」的组合。
导出到 Google Docs（2025 年 12 月上线）
Notes 面板里，点任意 Note 右上角的三点菜单，选「Export to Google Docs」，直接导出带格式的内容。可以导出的内容类型：
- 单条 Note
- Briefing Doc（摘要报告）
- Study Guide（章节 + 重点问答）
- Blog Post（适合改写成综述段落的初稿）
导出到 Google Docs 之后就能进入正常的写作流程——在 Docs 里补充、改写、加引用格式，不用在 NotebookLM 里拼凑文字。
第五步：生成综述草稿框架
上传完所有论文、建立好 Notes 之后，可以利用 NotebookLM 的几个内置输出功能快速产出综述草稿的骨架：
Briefing Doc：点右侧 Studio 面板的「Briefing Doc」，NotebookLM 自动生成一份覆盖所有来源的摘要文档，按主题分段，每段标注来源。这不是综述，但是一份非常好用的提纲参考——它帮你看清楚你手头的资料覆盖了哪些议题、哪些是重复的、哪些是孤证。
Deep Research 模式（2025 年底上线）：在 Chat 里开启 Deep Research，它会自动扩展搜索——除了你上传的文献，还会在网上查找相关资源，生成一份有引用来源的综合报告。适合在你已有的文献基础上快速摸清一个子领域的全貌。
实际用法建议：把 Briefing Doc 的结构作为综述的初始提纲，然后用 Chat 针对每个小节逐一问「这个主题下各来源的具体论据是什么」，把得到的内容整理成段落，导出到 Google Docs，再人工润色和补充引用格式。
NotebookLM 在学术场景的真实局限
用之前要清楚几件事，避免踩坑：
没有引用管理：NotebookLM 会在回答里标注「来自 [论文名]」，但不生成标准引用格式（APA / MLA / Chicago）。你仍然需要 Zotero、EndNote 或手动管理 references list。NotebookLM 不替代文献管理工具。
不能搜索数据库：它只能读你上传的内容，不能联网搜索 Google Scholar、PubMed 或 Semantic Scholar。发现新文献还得靠别的工具，NotebookLM 处理的是「已找到的文献」。
citations 没有页码：NotebookLM 引用到句子级别，但不告诉你是第几页。用它生成的原句去原文里 Ctrl+F 搜索，或者在 Chat 里追问「这句话在哪一段」，能定位到大概位置，但不能直接用于正式引用。
不同 notebook 不互通：如果你的研究课题跨越两个 notebook 的资料，必须手动在两边分别问，没有跨本汇总的功能。
自由文字 note 不算来源：你在 Notes 里手写的笔记如果没有上传为 source，Chat 不会"知道"这些内容——只有加到 Sources 里的才算进上下文。
完整工作流总结
阶段 1：建库（1-2 小时，一次性）
→ 新建 notebook（按研究子主题命名）
→ 批量上传文字型 PDF
→ 确认每篇 source 上传成功，内容可提取
阶段 2：提取（每篇论文 5-10 分钟）
→ 结构化 4 问：研究问题 / 方法 / 发现 / 局限
→ Save to Note 保留有价值的回答
→ 重复直到所有论文处理完
阶段 3：综合（2-4 小时）
→ 生成 Briefing Doc 作为主题地图
→ 跨论文对比提问（一致性 / 矛盾 / gap）
→ Notes 里整理研究缺口和可用论据
阶段 4：起草（导出后在 Docs 完成）
→ 按 Briefing Doc 提纲 Export to Google Docs
→ 在 Docs 里人工补充引用格式（Zotero）
→ 回到 NotebookLM 补充某段需要的具体论据
这套流程的核心价值不是让 AI 替你写综述，而是把「读了 40 篇但什么都记不住」变成「有一个随时可以查的结构化笔记库」。综述写作的瓶颈从来不是写，是整理——NotebookLM 的价值就在整理这段。
