资料太多，学习效率太低。
官方文档、博客案例、社区帖子……每篇都值得看，但当我试图系统地整理成知识体系时，总感觉像在堆素材，而不是在学习。
直到我看到一个 NotebookLM 的公开案例：
作者把 36 篇 Claude Code 相关文章 输入到 NotebookLM，AI 在 80 分钟内浏览了 440 个资源，生成了一套带有视频、音频、卡片和测验的完整学习资料库。
虽然我也用过几次NotebookLM ,确实好用，但只作为笔记工具来用，看完这套案例，我觉得NotebookLM更像是一个能帮你构建学习路径的 AI 学习助手。
NotebookLM 的学习资料构建流程
我也尝试用相同的方法来整理自己之前写过的Claude Code的文章，整个过程大致可以分为四步。
步骤 1：准备素材
NotebookLM 支持多种输入类型：
-
文字（文章、博客、PDF 文档）
-
视频（YouTube 等链接）
-
音频（播客或录音文件）
我先从自己的文章中导出 20 多篇 Claude Code 技术文档和实战文章，然后上传到 NotebookLM。
提示：如果内容是英文资料，NotebookLM 也可以用中文总结，支持多语言混合输入。
步骤 2：AI 自动生成学习视图
NotebookLM 处理完资料后，会生成多个学习视图，涵盖不同的学习方式：
| 学习模式 | 输出内容 | 适合场景 |
|---|---|---|
| 摘要视图 | 总结关键点、提炼结构 | 初次了解主题 |
| 学习卡片 | 以卡片问答形式巩固知识 | 碎片化复习 |
| 播客音频 | 将资料内容转为音频讲解 | 通勤/运动时学习 |
| 视频讲解 | AI 自动生成解说视频 | 视觉学习 |
| 测试题目 | 自动出题检验掌握程度 | 学习后测评 |
| 思维导图 | 梳理知识脉络与概念关系 | 系统化整理 |
我发现这个多视图的设计非常适合不同的学习阶段：
从“快速了解”到“主动复习”，再到“反向讲解”，AI 通过不同形式引导我反思内容本身。
步骤 3：基于资料库的互动问答（RAG）
NotebookLM 的问答模块支持基于上传资料的 RAG（检索增强生成）。
我可以直接在界面中提问，例如：
“Claude Code 在团队开发中的最佳实践有哪些？”
AI 的回答会直接引用资料来源，而不是“凭空生成”，这一点让我更有信心在研究阶段引用结果。
步骤 4：组织输出与再利用
NotebookLM 的生成结果不仅能帮我学习，还能直接成为内容输出素材。
比如：
-
我可以把学习卡片转化成教学幻灯片
-
把播客音频嵌入文章中
-
把测试题作为社群讨论话题
这对于我这种需要频繁做内容输出的产品经理来说，极大减少了“整理—编辑—复用”的成本。
从学习到提示词灵感
NotebookLM 的“多视角学习模式”其实还能反向启发提示词设计。
比如我在总结 Claude Code 的实践时，会把 NotebookLM 的六种学习模式改写成提示词模板：
-
摘要模式 → “请用五点总结 Claude Code 的核心功能。”
-
卡片模式 → “生成适合复习的问答卡片。”
-
讲解模式 → “以产品经理视角解释 Claude Code 的价值。”
这样一来，NotebookLM 不仅是学习工具，也成为我优化提示词结构的“范例库”。
让 AI 学习，再教你
使用 NotebookLM 后，我意识到“AI 学习资料”与“人类学习”之间的界限正在模糊。
过去我们要自己读、自己记、自己总结；现在可以让 AI 先吸收海量资料，再帮我们以结构化方式复现学习过程。
对我而言，它的价值不在于生成多少内容，而在于帮助我“看见知识的结构”。
尤其是在整理复杂主题（如 Claude Code、AI Agent 框架）时，它能让我更快建立认知模型，再去验证和补充细节。
总结要点
| 维度 | NotebookLM 的特性 | 适合人群 |
|---|---|---|
| 输入范围 | 文本 / 视频 / 音频 / PDF | 多模态学习者 |
| 输出形式 | 摘要、卡片、音频、视频、测验 | 系统化学习者 |
| 核心能力 | RAG 问答、多视图学习 | 研究者、内容创作者 |
| 优势 | 节省整理时间、提高理解深度 | 需要组织知识输出的用户 |
如果你也经常面对一堆学习资料无从下手，不妨试试这种方式：让 AI 先学习，再帮你重新学习。
案例地址：
