NotebookLM × Gemini 徹底打通，我找到了 AI 時代知識庫的最優解
整理版優先睇
NotebookLM同Gemini雙向打通，用Obsidian加NotebookLM+Gemini組合，先係AI時代知識庫嘅最優解。
呢篇文章係作者艾康分享佢點樣解決Gemini對話管理混亂、知識沉澱唔到嘅問題。佢發現Google最近更新咗，NotebookLM同Gemini正式雙向打通：喺Gemini入面可以存取NotebookLM筆記本，而Gemini嘅對話亦可以手動同步返去NotebookLM。之前只能單向調用，而家終於可以互動接力。
作者認為，知識庫嘅最優解唔係一個萬能工具，而係一套組合。佢將知識分為兩類：個人知識同外部知識。個人知識應該用Obsidian，因為數據完全屬於自己，雙向連結可以慢慢累積複利。外部知識就用NotebookLM加Gemini，前者擅長深加工（生成圖表、PPT、播客），後者擅長廣連接（多模態、工具調用），打通之後可以無縫合作。
講到尾，工具會變，但思考先係知識管理嘅起點同終點。作者提醒呢個功能目前只限付費用戶，而且需要解決網絡問題。佢用Harness Engineering筆記本做例子，示範咗點樣由NotebookLM收集資料，切去Gemini深入討論，再同步返NotebookLM做後續加工，成個流程冇斷裂。
- Gemini同NotebookLM正式雙向打通，對話可以手動同步，變成可沉澱嘅知識資產，唔再係「閲後即焚」。
- NotebookLM擅長深加工（生成信息圖、PPT、播客），但封閉；Gemini擅長廣連接（多模態、工具），但對話管理弱。打通後互補短板。
- 個人知識用Obsidian：數據喺自己電腦，雙向連結令知識由樹狀變網狀，長期積累有複利效應。
- 外部知識用NotebookLM+Gemini：一個負責深度理解，一個負責廣度拓展，中間冇斷裂，可以接力完成研究報告、PPT等。
- 實際操作例子：喺NotebookLM導入信源，切去Gemini對比Prompt Engineering等概念，生成模擬器或大綱，再同步返NotebookLM生成PPT同閃卡，成個流程順暢。
Gemini對話管理嘅困局，同Google嘅新解方
相信用過Gemini嘅人都體會到，佢嘅歷史對話管理做得唔好。側邊欄雖然睇到所有聊天記錄，但無分類，關鍵詞搜尋唔精準。想揾返上週關於某個項目嘅討論？只能一條條向下翻，效率極低。
而家Google推出更新，NotebookLM同Gemini正式打通。具體係兩件事：第一，喺Gemini可以直接存取所有個人未共享嘅NotebookLM筆記本；第二，Gemini嘅聊天記錄可以作為來源導入NotebookLM。
之前只能單向調用，而家雙向同步，對話變成可沉澱嘅知識資產
個人知識庫：Obsidian，為積累同連結而生
作者認為個人知識嘅核心係「生產」，需要主動思考、記錄、提煉。Obsidian最啱做呢樣嘢：所有筆記都係你電腦上嘅Markdown文字檔，就算Obsidian聽日倒閉，啲資料依然喺度。
- 數據完全屬於你：所有筆記係Markdown文字檔，任何文字編輯器都開到。
- 為連接而生：雙向連結令知識網絡化，每次記錄都加固你嘅第二大腦。
外部知識庫：NotebookLM加Gemini，深加工同廣連接完美配合
NotebookLM擅長「深加工」：俾一堆資料佢，可以生成信息圖、思維導圖、PPT、播客音頻、閃卡測驗。但缺點係封閉，回答嚴格基於上傳資料，唔識引用外部信息。
Gemini擅長「廣連接」：可以調用工具、處理多模態內容，模型能力更全面。但對話管理弱，有價值話題好易丟失。
打通之後，NotebookLM嘅深度加工能力加上Gemini嘅廣度拓展，兩者互補，冇斷裂
實際例子：作者有Harness Engineering筆記本。先在NotebookLM用DeepResearch獲取信源導入，然後切去Gemini基於呢個筆記本繼續深入——對比Prompt Engineering同Context Engineering演變，甚至生成架構演進模擬器，起草報告大綱。呢啲對話同步返NotebookLM後，可以生成PPT做自測。
- 1 先在NotebookLM收集同導入資料。
- 2 切去Gemini進行深入討論同分析。
- 3 將Gemini對話同步返NotebookLM做後續加工。
總結：思考先係知識管理嘅起點同終點
需要說明嘅係，NotebookLM同Gemini都係Google產品，國內用要解決網絡問題，而且呢個功能目前只對付費用戶開放。
本文字數 2002，閲讀大約需要 4 分鐘
相信用過 Gemini 嘅人都應該有體會，佢嘅歷史對話管理做得唔好。
側邊欄裏雖然睇到曬所有聊天記錄，但係又冇分類，關鍵詞搜索都唔精準。
想揾返上週嗰段關於某個項目嘅討論？只能一條一條向下翻，效率極低。
聊天記錄越積越多，有價值嘅對話就咁被淹沒咗喺時間線裏面。
而就在兩日前，Google 發佈咗一個更新，令呢個問題有咗一個好好嘅解決方案——Gemini 同 NotebookLM 正式打通咗。
具體嚟講就係兩件事：
第一，你可以喺 Gemini 裏面直接訪問所有個人未共享嘅 NotebookLM 筆記本。
第二，你喺 Gemini 裏面嘅聊天記錄，可以作為來源導入到 NotebookLM 裏面。
其實舊年底，Google 就已經支援喺 Gemini 度加 NotebookLM 筆記本作為上下文來源。
但當時有一個好明顯嘅缺陷：你喺 Gemini 裏面基於筆記本產生嘅對話，存唔返去 NotebookLM。只能單向調用，冇真正打通。
而呢一次，雙向同步咗。
你喺 Gemini 裏面圍繞某個筆記本展開嘅對話，可以手動同步到 NotebookLM，成為呢個筆記本嘅新來源。
反過來，你喺 NotebookLM 裏面新增嘅資料，都會出現喺 Gemini 裏面。
至此，同 AI 嘅對話唔再係「閲後即焚」嘅消耗品，而係可以沉澱、可以複用嘅知識資產。
當我體驗咗一整天之後，我發現呢次更新嘅價值，唔單止係「兩個產品之間嘅打通」。
佢令我對一個更大嘅問題，有咗更清晰嘅答案：喺 AI 時代，個人知識庫嘅最優解，到底應該係咩？
知識庫，從來唔止係一個工具嘅事
好多人一提到「知識庫」，第一反應就係揾一個萬能工具——最好咩都做到，筆記、文檔、任務、日程，全部塞入去。
呢個思路，我踩過坑。
之前寫 Obsidian 專欄時就聊過，我唔會將 Obsidian 當成一個「All in One」嘅萬能工具。
工具越純粹，使用佢嘅心智負擔就越細。
同樣道理，知識庫嘅最優解，唔應該只係一個工具，而係一套組合。
點樣組合？我覺得只需要諗清楚一個分類：
個人知識——你自己嘅想法、思考、經驗、感悟。
外部知識——書籍、文章、影片、課程、研究報告，嚟自外部嘅資訊。
呢兩類知識嘅特點完全唔同。
個人知識嘅核心係「生產」，需要你主動思考、記錄、提煉，然後長期積累。
外部知識嘅核心係「加工」，需要你快速理解、消化、轉化，為我所用。
諗明白呢個分類，工具嘅選擇就清晰咗。
個人知識庫：Obsidian
關於 Obsidian 嘅價值，我之前嘅文章裏面講過好多了，呢度只講最核心嘅兩點。
第一，你嘅數據完完全全屬於你。
所有筆記都係你電腦上面嘅 Markdown 文字檔案。就算 Obsidian 聽日倒閉咗，你嘅筆記依然仲喺度，用任何文字編輯器都可以打開。
呢種安全感，係任何雲端服務俾唔到嘅。
第二，佢為「連接」而生。
雙向連結令你嘅知識從樹狀、孤立，變成網狀、流動。每一次記錄，都係喺加固同擴展你嘅第二大腦。
我一直好認同一個觀點：凡努力必可積累，凡積累必可迭代。
Obsidian 嘅核心價值就在於「積累」。
每一篇筆記，每一次思考，都好似一個個知識磚塊。隨住時間推移，呢啲磚塊通過雙向連結互相連接，最終構建起一座只屬於你嘅知識系統。
呢種複利效應，係任何 AI 工具都無法取代嘅。
外部知識庫：NotebookLM + Gemini
接下來講外部知識。
呢一範，正正係呢次更新最有價值嘅地方。
喺打通之前，NotebookLM 同 Gemini 各有長處，亦各有短板。
NotebookLM 擅長「深加工」。
你將一堆資料掟畀佢，佢可以幫你生成資訊圖、思維導圖、簡報、播客音頻、閃卡測驗……幾乎將「理解外部資訊」呢件事做到極致。
但係佢有一個明顯嘅侷限：佢係封閉嘅。
所有回答都嚴格基於你上傳嘅資料，唔會引用外部資訊。呢個保證咗準確性，但都意味住資料唔夠全面時，回答都會受限。
Gemini 擅長「廣連接」。
佢可以調用工具、處理多模態內容，模型能力更全面。
但佢嘅問題就係我開頭講嘅——對話管理好弱，歷史對話記錄容易丟失，有價值話題難以持續跟進。
而呢次打通之後，兩者嘅短板互相補齊咗。
你可以喺 Gemini 裏面圍繞一個筆記本展開對話，Gemini 會基於你嘅資料嚟回答（喺呢度使用，相比 NotebookLM 裏面使用，模型能力更完整），俾出更全面嘅分析。
更關鍵嘅係，呢啲對話會同步返去 NotebookLM，成為筆記本嘅新來源。
下次打開 NotebookLM，之前喺 Gemini 裏面傾嘅內容都喺度，可以繼續深加工——生成資訊圖、導出數據表格、創建閃卡測驗，咩都得。
舉個實際嘅例子。
比如我有一個 Harness Engineering 嘅筆記本。
我係先在 NotebookLM 裏面通過 DeepResearch 獲取相關嘅信源，一鍵導入保存至 NotebookLM 裏面。
然後切換到 Gemini，基於呢個筆記本繼續深入：叫佢對比 Prompt Engineering、Context Engineering 演變進程係點樣。
甚至生成一個架構演進模擬器，嚟實際感受三者之間嘅關係。
都可以叫佢幫我起草一份研究報告嘅大綱，呢啲喺 Gemini 裏面產生嘅對話同成果，手動保存至 NotebookLM 筆記本。
返到 NotebookLM 後，基於呢啲新增嘅內容，可以生成一份更完整嘅簡報，或者做一次自測，睇下自己嘅理解是否到位。
成個過程，兩個工具喺接力，一個負責內存沉澱同深加工，一個負責廣度拓展，中間冇斷裂。
寫喺最後
回顧過去我寫嘅幾篇關於 NotebookLM 嘅文章，會發現一條清晰嘅脈絡。
從最初介紹佢嘅學習功能，到數據表格更新，再到同 Obsidian 嘅關係討論，呢次 Gemini 同 NotebookLM 嘅打通，令我對AI 時代嘅個人知識庫嘅最優解，有咗明確嘅答案。
對內，用 Obsidian 做個人知識嘅生產同積累。
對外，用 NotebookLM + Gemini 做外部知識嘅加工同拓展。
工具會不斷迭代，功能會越來越強。
但有一件事唔會變——你嘅思考，先係所有知識管理嘅起點同終點。
需要說明嘅係，NotebookLM 同 Gemini 都係 Google 嘅產品，國內使用需要解決網絡問題，另外目前呢個功能只對付費用戶開放。
以上，就係本文全部內容，如果覺得呢篇文章對你有啟發，點讚、畀心、分享三連就係對我最大嘅支持，謝謝～
• 用 Gemini 解鎖 YouTube 新用法，資訊獲取效率提升 10 倍
• 有咗 NotebookLM 後，仲需要 Obsidian 嗎？
• 我試咗 NotebookLM 學習法後，徹底拋棄傳統學習方式
• 我用 NotebookLM 解鎖 PPT 嘅 5 種玩法，實現咗 PPT 自由
本文字數 2002，閲讀大約需 4 分鐘
相信用過 Gemini 的人應該都有體會，它的歷史對話管理做得很不好。
側邊欄裏雖然能看到所有聊天記錄，但既沒有分類，關鍵詞搜索也不精準。
想找回上週那段關於某個項目的討論？只能一條一條往下翻，效率極低。
聊天記錄越積越多，有價值的對話就這樣被淹沒在時間線裏。
而就在兩天前，Google 發佈了一個更新，讓這個問題有了一個很好的解決方案——Gemini 和 NotebookLM 正式打通了。
具體來說就是兩件事：
第一，你可以在 Gemini 裏直接訪問所有個人未共享的 NotebookLM 筆記本。
第二，你在 Gemini 裏的聊天記錄，可以作為來源導入到 NotebookLM 中。
其實去年底，Google 就已經支持在 Gemini 中添加 NotebookLM 筆記本作為上下文來源了。
但當時有一個很明顯的缺陷：你在 Gemini 裏基於筆記本產生的對話，存不回 NotebookLM。只能單向調用，沒有真正打通。
而這一次，雙向同步了。
你在 Gemini 裏圍繞某個筆記本展開的對話，可以手動同步到 NotebookLM，成為這個筆記本的新來源。
反過來，你在 NotebookLM 裏新增的資料，也會出現在 Gemini 裏。
至此，跟 AI 的對話不再是「閲後即焚」的消耗品，而是可以沉澱、可以複用的知識資產。
當我體驗了一整天之後，我發現這次更新的價值，不只是「兩個產品之間的打通」。
它讓我對一個更大的問題，有了更清晰的答案：在 AI 時代，個人知識庫的最優解，到底應該是什麼？
知識庫，從來不止是一個工具的事
很多人一提到「知識庫」，第一反應就是找一個萬能工具——最好什麼都能幹，筆記、文檔、任務、日程，全塞進去。
這個思路，我踩過坑。
之前寫 Obsidian 專欄時就聊過，我不會把 Obsidian 當成一個「All in One」的萬能工具。
工具越純粹，使用它的心智負擔就越小。
同樣的道理，知識庫的最優解，不應該只是一個工具，而是一套組合。
怎麼組合？我覺得只需要想清楚一個分類：
個人知識——你自己的想法、思考、經驗、感悟。
外部知識——書籍、文章、視頻、課程、研究報告，來自外部的信息。
這兩類知識的特點完全不同。
個人知識的核心是「生產」，需要你主動思考、記錄、提煉，然後長期積累。
外部知識的核心是「加工」，需要你快速理解、消化、轉化，為我所用。
想明白這個分類，工具的選擇就清晰了。
個人知識庫：Obsidian
關於 Obsidian 的價值，我在之前的文章裏聊過很多了，這裏只說最核心的兩點。
第一，你的數據完完全全屬於你。
所有筆記都是你電腦上的 Markdown 文本文件。就算 Obsidian 明天倒閉了，你的筆記依然還在，用任何文本編輯器都能打開。
這種安全感，是任何雲端服務給不了的。
第二，它為「連接」而生。
雙向連結讓你的知識從樹狀的、孤立的，變成網狀的、流動的。每一次記錄，都是在加固和擴展你的第二大腦。
我一直很認同一個觀點：凡努力必可積累，凡積累必可迭代。
Obsidian 的核心價值就在於「積累」。
每一篇筆記，每一次思考，都像一個個知識磚塊。隨着時間推移，這些磚塊通過雙向連結互相連接，最終構建起一座只屬於你的知識系統。
這種複利效應，是任何 AI 工具都無法替代的。
外部知識庫：NotebookLM + Gemini
接下來聊外部知識。
這一塊，正是這次更新最有價值的地方。
在打通之前，NotebookLM 和 Gemini 各有長處，也各有短板。
NotebookLM 擅長「深加工」。
你把一堆資料扔給它，它能幫你生成信息圖、思維導圖、PPT、播客音頻、閃卡測驗……幾乎把「理解外部信息」這件事做到了極致。
但它有一個明顯的侷限：它是封閉的。
所有回答都嚴格基於你上傳的資料，不會引用外部信息。這保證了準確性，但也意味着資料不夠全面時，回答也會受限。
Gemini 擅長「廣連接」。
它可以調用工具、處理多模態內容，模型能力更全面。
但它的問題就是我開頭說的——對話管理很弱，歷史對話記錄容易丟失，有價值話題難以持續跟進。
而這次打通之後，兩者的短板互相補齊了。
你可以在 Gemini 裏圍繞一個筆記本展開對話，Gemini 會基於你的資料來回答（在這裏使用，相比 NotebookLM 裏使用，模型能力更完整），給出更全面的分析。
更關鍵的是，這些對話會同步回 NotebookLM，成為筆記本的新來源。
下次打開 NotebookLM，之前在 Gemini 裏聊的內容都在，可以繼續深加工——生成信息圖、導出數據表格、創建閃卡測驗，什麼都行。
舉個實際的例子。
比如我有一個 Harness Engineering 的筆記本。
我是先在 NotebookLM 裏通過 DeepResearch 獲取相關的信源，一鍵導入保存至 NotebookLM 裏。
然後切換到 Gemini，基於這個筆記本繼續深入：讓它對比 Prompt Engineering、Context Engineering 演變進程是怎樣的。
甚至生成一個架構演進模擬器，來實際感受三者之間的關係。
也能讓它幫我起草一份研究報告的大綱，這些在 Gemini 裏產生的對話和成果，手動保存至 NotebookLM 筆記本。
回到 NotebookLM 後，基於這些新增的內容，可以生成一份更完整的 PPT，或者做一次自測，看看自己的理解是否到位。
整個過程，兩個工具在接力，一個負責內存沉澱與深加工，一個負責廣度拓展，中間沒有斷裂。
寫在最後
回顧過去我寫的幾篇關於 NotebookLM 的文章，會發現一條清晰的脈絡。
從最初介紹它的學習功能，到數據表格更新，再到與 Obsidian 的關係討論，這次 Gemini 和 NotebookLM 的打通，讓我對AI 時代的個人知識庫的最優解，有了明確的答案。
對內，用 Obsidian 做個人知識的生產和積累。
對外，用 NotebookLM + Gemini 做外部知識的加工和拓展。
工具會不斷迭代，功能會越來越強。
但有一件事不會變——你的思考，才是所有知識管理的起點和終點。
需要說明的是，NotebookLM 和 Gemini 都是 Google 的產品，國內使用需要解決網絡問題，另外目前這個功能只對付費用戶開放。
以上，就是本文全部內容，如果覺得這篇文章對你有啓發，點贊、比心、分享三連就是對我最大的支持，謝謝～
• 用 Gemini 解鎖 YouTube 新用法，信息獲取效率提升 10 倍
• 有了 NotebookLM 後，還需要 Obsidian 嗎？
• 我試了 NotebookLM 學習法後，徹底拋棄傳統學習方式
• 我用 NotebookLM 解鎖 PPT 的 5 種玩法，實現了 PPT 自由