作者：danny

小伙伴问我，为什么我好像什么事情或者领域都知道？除了一些以前的经历或者正在做的事情，其实很多时候，我都是现学现卖，今天就跟大家聊聊我是怎么使用AI 工具和Notebooklm来完成普通人的自我学习之路。

首先我要说的是，这篇文是针对：系统性和结构化学习和了解一个细分领域/事物/概念，并且构建自己的知识体系和图谱，如果你只需要稍微了解其中的一些概念，知道这个xx是个啥？那直接问市面上主流的AI可能都差不多。

使用AI学习，了解一个新事物目前来说有几个瓶颈和局限：

第一是幻觉，AI（大概率）会给你一些胡编乱造的数据和事情，尤其是在细分领域，因为语料和学习资料不足；

第二是没有这么多细节，因为版权等问题AI不会自己去通读整篇文章或者整本书，训练材料一般都是别人的review、评论，尤其是细分领域这类的信息就特别少；

第三无法精准描述问题，假设你之前没有接触过这个课题，你估计就没办法很好的描述你想了解的问题，也不知道这些事情的前因后果，更谈不上系统性和结构化的收集资料和形成体系化的学习框架。

理论部分

我的方式其实也很简单：利用学术界的“引文（quote/reference/impact factor）网络”提纯信息，再用 AI 举证和发散的思维来一场左右脑的“左右互搏”来结构化了解一个新事物。

省流版工作流：

找到有价值的论文 - 放入Notebooklm - 用AI工具生成提示词 - 在Notebooklm里问答学习 - 补充有价值的论文放入Notebooklm - 在Notebooklm学习 - 如此反复

复杂版工作流：

第一步：顺藤摸瓜 (耗时：0.25 小时)

不要去搜“什么是XX，这个的原理是什么”，而是直接寻找该领域的“定海神针”。

1. 呼叫AI（Gemini / Perplexity）： 直接提问：“在 [某细分领域] 中，哪三位是公认的泰山北斗？他们奠定该领域基础的 1-3 篇高引经典文献是什么？”（例如在 LLM 领域，锁定 Attention Is All You Need 等文献）。代表了“今生”

2. 下载一阶文献： 提取这 1-3 篇核心文章的 Reference（参考文献），把它们引用过的所有核心文献全部下载。代表了“前世”。

3. 提炼高频的二阶文献： 在一阶文献的参考文献中进行交叉比对，筛选出被引用次数排名前 10、出现频率最高的 Top 5 文章。这代表了“后来”

核心逻辑： 顺着大师的目光去看世界，是成本最低的捷径。不要小看这一步，你下载的可是这个领域数十年来最核心的思想演进图。

第二步：搭建结构化的知识库 (耗时：0.25 小时)

将第一步筛选出的所有经典文献，一次性全部上传至 Google NotebookLM。

一般来说，只要是经典的文章，用这两个足够了：https://scholar.google.com/或者https://arxiv.org/

为什么是 NotebookLM？ 因为它绝不产生幻觉（Hallucination）。它只基于你投喂的资料回答问题。

通过严苛的文献筛选，你人为切断了互联网上的垃圾信息，为这个领域建立了一个纯粹的、高度聚焦的知识库。

第三步：不同AI之间的左右互搏 (耗时：1-3.5 小时)

这是整个工作流的核心。你让不同特性的 AI 在你的知识库里做交叉质询，形成结构化的知识路径、逻辑推演，最终形成自己的见解。

以主动问提代被动学。主动提问（兴趣）促进大脑的思考。

1. 寻找锚点： 问Claude、Deepseek、 Gemini 或 Perplexity，提问：“关于xx领域，目前学界/业界的核心争议问题和底层理论框架是什么？”

2. 闭环叩问： 拿着这些核心争议，回到 NotebookLM 提问：“基于我上传的文献，大师们是如何解答这些核心争议的？请给出具体的文献来源和推演逻辑。”

3. 降维审视： 将 NotebookLM 生成的严谨回答复制出来，扔回给具备强逻辑分析能力的 Gemini 或 Claude。下达指令：“请以批判性思维审视这些观点，指出其中的逻辑漏洞、时代局限性或盲区。基于此，我应该继续追问哪 3 个更深层次的问题？”

4. 认知螺旋上升： 拿着 AI 挑出的漏洞和新问题，再次回到 NotebookLM 寻求解答。

实操

我用“LLM（large language models）到底是个啥”来举个例子吧