NotebookLM 記憶 X Gemini 思考
NotebookLM 作为个人 RAG 知识库（记忆层）与 Gemini（思考层）组合，形成一套适合普通人和小团队的知识管理工作流
基本信息
- 来源类型：网页文章（vocus.cc）
- 原文位置：raw/articles/2026-05-31-232141-tg-ce9482.md
- 原文 URL：https://vocus.cc/article/6a19890afd89780001aa97b2
- 作者：江昱德｜江江教練
- 发布日期：2026-05-29
- 消化日期：2026-05-31
核心观点
- NotebookLM 是目前最强的个人检索式知识库：它的特点是”你丢什么进去，它只在这些资料里找答案”，并能精确标注引用来源（“这句话来自第 4 份文件第 3 页”），这是 RAG 架构在个人知识管理场景的典型落地
- NotebookLM 擅长记忆但思考分析能力较弱：它能快速从大量资料中捞出相关段落，但深度分析和整合推理需要更强的模型——这就是为什么需要和 Gemini 搭配
- NotebookLM + Gemini = 记忆 + 思考的组合：NotebookLM 负责精準检索相关内容，Gemini 负责深度分析和推理，两层叠加实现完整的知识工作流
- “让报告来读我”的实用技巧：把外部报告（PDF）和内部资料（工作日记、文章）同时放入 NotebookLM，再用 Gemini 问”这份报告对我有没有用？对照我自己的资料有没有盲点？“——作者用此法分析 ChatGPT 使用报告与自己的工作日记，效果超出预期
- 进阶流程：NotebookLM + Codex + Claude 三层分工：NotebookLM 负责爬虫和生成字幕，Codex 负责清理文字和转存到本地知识库，Claude 负责文件推理和应用——适合处理大量资料（如一个 YouTube 频道 300 支视频）
- 这招的效果取决于内部资料的积累：报告能不能”读”你，前提是你得先有东西让它读，平常累积的工作日记、文章就是 AI 认识你的依据
实操内容保留
代码/配置
（本文无代码/配置示例）
Prompt 模板
「这份报告对我现阶韨到底有没有用？对照我自己的资料，我有没有盲点？如果我做得不错，我的做法能不能帮到大部分人？」
操作步骤
少量资料流程：
- 把外部资料（报告/论文 PDF）和内部资料（工作日记、写过的文章、应用笔记）一起放进 NotebookLM
- 通过 Gemini 去问 NotebookLM 内容，利用 Gemini 的分析能力做深度推理
- Gemini 会交叉对比两组资料，给出针对性的分析和盲点提示
大量资料流程（如整个 YouTube 频道）：
- NotebookLM 负责爬虫和生成字幕（通过 YouTube to NotebookLM Chrome 外挂批量抓取）
- Codex 负责清理文字、分類、上标签，存进本地知识库
- Claude 负责读取整理后的文件，进行推理和应用
NotebookLM + Claude MCP 连接操作：
- 安装 notebooklm-connector MCP 技能包：https://github.com/Jiang-Yude/notebooklm-connector
- 在 Claude Code 或 Codex 对话里直接问 NotebookLM 里的内容
- 可从 NotebookLM 汇出内容回本地（chats、notes、reports、mindmap、视频摘要等）
关键概念
- NotebookLM — Google 出的个人 RAG 检索式知识库，本文核心工具
- Gemini — Google 的多模态大语言模型，本文中作为思考层与 NotebookLM 互补
- RAG 知识库 — 技术架构，NotebookLM 是 RAG 在个人知识管理场景的典型应用
- YouTube to NotebookLM — Chrome 外挂，可一键把 YouTube 字幕捞进 NotebookLM
- notebooklm-connector — 作者制作的 MCP 技能包，连接 Claude/Codex 和 NotebookLM
与其他素材的关联
- 与 2026-05-27-通过codex解析Agent工作流程 有关联：两篇都涉及 Codex 作为文件处理和本地知识库的工具，本文将 Codex 定位为”清理文字和转存”的中间层，而那篇则更侧重 Codex 的 Agent 工作流能力
- 与 2026-04-29-yupi-ai-guide-core-concepts 的 RAG 相关内容形成互补：鱼皮指南偏理论解释 RAG 架构，本文则是 RAG（NotebookLM）在个人知识管理的实战操作示例
原文精彩摘录
NotebookLM 是 Google 出的一款 AI，它是目前最強的個人檢索式知識庫。技術名詞叫 RAG（Retrieval-Augmented Generation）。它的特色是——你丟什麼進去，它只在這些資料裡找答案。它會明確告訴你「這句話來自第 4 份文件第 3 頁」。
我第一次這樣玩，是把一份 ChatGPT 使用模式的報告，跟我自己一百多份工作日記、幾十篇文章一起丟進去，請它幫我看「我用 AI 用得好不好、有沒有盲點」。分析出來的結果好到讓我嚇一跳。從那之後，各種報告、論文我都這樣處理：外部報告 × 我的內部資料，請 AI 幫我判斷「這個新技術我到底需不需要學」「這份報告值不值得我花時間」。
這招準不準，取決於你的內部資料有沒有先準備好。報告能不能「讀」你，前提是你得先有東西讓它讀。你平常累積的工作日記、文章這些素材，就是 AI 認識你的依據。