爱可可-爱生活 26-01-12 09:09
微博认证:AI博主 2025微博新锐新知博主

【16个NotebookLM高阶提示词:把10小时研究压缩到20秒】

最近在Reddit、X和各大研究社区里,一批NotebookLM的提示词彻底火了。它们能把这个“有趣的AI玩具”变成真正的研究利器。

整理了16个即拿即用的提示词,按场景分类,直接复制粘贴就能用。

一、核心提取类

1. 五个关键问题法
“分析所有输入内容,生成5个关键问题。回答这些问题后,应能完整捕捉所有内容的核心要点和中心意义。”

Reddit用户称之为“游戏规则改变者”——它强制AI提取有教学价值的结构,而非泛泛的摘要。

2. 课程阅读专用版
“审阅所有上传材料,生成5个能捕捉核心意义的关键问题。聚焦于:核心主题和定义、重点强调的概念、概念间的关系、提及的实际应用。”

3. Steven Johnson的“有趣数据”法
NotebookLM负责人用这个提示词处理了50万字的NASA访谈记录,20秒完成了原本10小时的工作:
“这些来源中最令人惊讶或有趣的信息是什么?请附上关键引文。”

传统搜索找不到“什么是有趣的”,但这个能。

4. 定向扩展版
“我想写关于[主题]的内容。这些来源中与[主题]相关的最令人惊讶的事实或想法是什么?请附上关键引文。聚焦于[具体方面],而非[其他方面]。”

二、学习辅助类

5. 竞赛问答格式(音频摘要)
“设计一个双主持人竞赛。第一位主持人就[主题]向第二位提问,共10题,混合选择题和判断题。答题者偶尔会答错,另一位主持人纠正并给出正确答案。最后公布结果。”

学生特别喜欢这个——故意设置错误让纠正过程加深记忆。

6. 多语言播客技巧
“这是Deep Dive的首期国际特别节目,全程使用[语言]。特别说明:全程仅使用[语言],除非需要解释特定术语,否则不使用英语。”

三、专业角色类

7. 产品经理视角(Google官方)
“作为首席产品经理审阅内部文档。严格筛选可执行的洞察,忽略冗余内容。以'决策备忘录'格式输出:用户证据(指向真实问题的直接引文)、可行性检查(提及的技术限制)、盲点(来源中缺失的内容)。使用要点格式。如果我的问题模糊,要求我澄清。”

8. 科研助理视角(Google官方)
“作为资深科学家的研究助理。语气:严格客观、正式、精确。假设我具备[领域]的高级知识,无需定义标准术语。聚焦于方法论、数据完整性和矛盾证据。优先考虑样本量、实验设计和统计显著性,而非一般性结论。以粗体分节输出:主要发现、方法论优缺点、矛盾之处。”

9. 中学教师视角(Google官方)
“作为充满活力的中学教师,将来源文档翻译成七年级学生能理解的语言。每个回答的结构:'太长不看'版(一句简单的话)、类比(现实世界的比喻)、词汇表(3个难词的简单解释)。对于密集段落,转换为判断题格式。”

四、研究分析类

10. 文献综述主题提取
“从关于[主题]的文章中,识别5-10个最常出现的主题。对每个主题提供:用自己的话简要定义、哪些文章提及(附引文)、一句话说明如何处理(争议中、被假设、已证实)。以结构化表格呈现。”

11. 矛盾发现器
“从关于[主题]的文章中,识别重要矛盾或冲突发现。对每个矛盾提供:各方的具体陈述(引用)、可能的分歧原因(方法、样本、背景)、什么证据能解决冲突。”

12. 差距分析
“根据我上传的材料分析这次尝试:项目[我尝试了什么]、方法[我遵循的步骤]、结果[发生了什么]、预期[应该发生什么]。与来源交叉对比:引用我未遵循的方法论、识别我完全遗漏的概念、找出我跳过的前提条件。输出格式:'[概念]的差距:你跳过了[步骤],但[来源,第X页]说:”[引文]“'”

13. 概念实施
“帮我实施[主题]的概念。对每个相关来源:引用关键证据、与其他信息连接、指出冲突观点、提供明确的行动步骤。”

14. 概念综合
“综合[主题1]和[主题2]之间的联系,无论多抽象。对每个相关来源:引用关键证据、与其他信息连接、指出冲突观点、提及有趣的组合。综合成清晰的摘要,聚焦于联系。全部基于引文,承认存在的空白。”

15. 主题全面分析
“提供关于[主题]的准确、有据可查的信息。规划:要探索哪些关键方面?要回答哪些关键问题?存在哪些争议?结构:总览(摘要、主要概念、当前相关性)、分析(带证据、示例和局限性的讨论)、来源(关键来源、冲突、可信度)。标准:区分事实与解读、用证据支持主张、保持客观。”

16. 辩论格式
“生成两位主持人就[主题]持相反立场的辩论。主持人1支持[立场A],主持人2支持[立场B]。他们必须挑战对方论点、引用来源中的具体证据,让听众自行判断谁的论证更有力。”

五、核心原则

所有病毒式传播的NotebookLM提示词都遵循同样的模式:要求具体引文和参考、寻找矛盾而非仅仅摘要、要求承认空白和局限、强制结构化输出格式。

NotebookLM的真正威力在于它的grounding架构——当你学会利用这一点,研究效率会有质的飞跃。

x.com/TextoCriativo/status/2010373207619203346

发布于 北京