资料太多看不完，用NotebookLM做一份带出处的工作简报

开会前收到十几份材料，PDF方案、会议纪要、网页链接、幻灯片都有。想认真看，但时间不够逐份读完。更麻烦的是，让AI帮忙总结，出来的东西看起来挺完整，但里头的数字和结论你不敢直接用，因为它说不清从哪来的。

我用NotebookLM快一年了。这篇文章不是商单，是一年用下来我觉得最实用的一个用法。

NotebookLM的价值不是替你把所有材料读完，而是先把一组限定来源整理成一份可以顺着引用回查的工作底稿。 它压缩的是从材料堆到可核验简报的整理时间，省不掉的是你自己对关键事实的判断和最终决策。

01 为什么普通AI总结不够

把一堆PDF丢给通用聊天工具，它能还你一份结构工整的摘要。压缩内容，现在的模型已经做得很好了。

但开会用的简报不一样。你需要在讨论某个数字时能立刻翻回原文确认，需要知道某个结论是所有材料都一致，还是只有一份材料这么写。通用摘要把来源信息压缩掉之后，这份简报就没法用于真正的决策讨论。

NotebookLM是一个AI研究助理，可以上传PDF、网页、YouTube视频、音频、Google Docs和幻灯片。它的回答会附上文内引用，告诉你每条信息对应哪个来源的哪一段。

它跟通用聊天工具的区别很明确：你控制信息来源边界。你给它一个笔记本，放进去的就是这次要用的来源，它的回答也被限定在这些材料里。通用聊天工具自己决定从哪找答案，NotebookLM只在你给的材料里找。

NotebookLM还可以把来源转换成简报、学习指南、思维导图等格式。Google官方也明确提示，这些生成物由AI生成，可能不准确。引用方便核查，不等于结论本身就正确。

第一步，建一个只服务这次任务的笔记本。不要把所有项目材料都倒进一个笔记本里，混在一起之后引用关系会乱，查起来反而慢。一次会议一个笔记本，用完就归档。

第二步，只放跟这次任务直接相关的来源。十几份材料里，跟这次会议真正相关的可能只有六七份。多放不会让答案更全面，只会让引用密度降低，关键信息被稀释。

第三步，先整理一份资料地图，再提取共识和冲突。不要上来就问“总结一下”。先让它按材料逐一列出每份来源的核心内容、关键数字和主要结论。这一步做完，你心里就有了一张材料地图。再让它提取各方都确认的事实、各材料之间不一致的地方，以及哪些重要问题现有材料里完全没有覆盖。

第四步，生成会前简报并人工核对。让它输出为一份带文内引用的简报，按“已确认事实、各方共同结论、材料间冲突、缺失信息和待确认问题”来组织。生成之后，关键数字和结论必须回原文逐条核对。这一步不能省。

NotebookLM的输出质量取决于你放进去的来源。来源不完整，输出也不完整。它不会主动告诉你缺了什么，那个判断需要你自己做。

文内引用帮你定位原文，但引用指向的那句话本身可能就有问题。AI可以帮你整理信息关系，不能替代你对材料可信度的判断。

公司内部的敏感材料，先搞清楚你用的NotebookLM账号类型和数据政策。不要假设“企业资料不会用于训练”或“什么材料都能放心上传”。不同账号规则不一样，上传前看一眼条款，比事后补救省心。

最终的数字确认、业务判断和对外发送，这些事必须由人来做。NotebookLM做的是一份工作底稿，不是可直接发出的报告。

下次开会前收到一堆材料，挑一个目标清晰的小任务试一次。比如只整理“各方对预算数字的说法是否一致”，不要一上来就把整个资料库倒进去。把一件事做完，比十件事开了头有用。