作者：danny
朋友問我，為什麼我好像什麼事情或領域都知道？除了過去的一些經歷或正在做的事情，其實很多时候，我都是現學現賣，今天就跟大家聊聊我是如何使用 AI 工具和 Notebooklm 完成普通人的自我學習之路。
首先我要說的是，這篇文是針對：系統性和結構化學習和了解一個細分領域／事物／概念，並且構建自己的知識體系和圖譜，如果你只需要稍微了解其中的一些概念，知道這個xx是個啥？那直接問市面上主流的AI可能都差不多。
使用AI學習，了解一個新事物目前來說有幾個瓶頸和局限：
第一是幻覺，AI（大概率）會給你一些胡編亂造的數據和事情，尤其是在細分領域，因為語料和學習資料不足；
第二是沒有這麼多細節，因為版權等問題，AI 不會自己去通讀整篇文章或整本書，訓練材料一般都是別人的評論、評論，尤其是細分領域這類資訊就特別少；
第 3 點無法精準描述問題，假設你之前沒有接觸過這個課題，你估計就沒辦法很好地描述你想了解的問題，也不知道這些事情的前因後果，更談不上系統性和結構化地收集資料和形成體系化的學習框架。
理論部分
我的方式其實也很簡單：利用學術界的「引文（quote/reference/impact factor）網絡」提純資訊，再用 AI 舉證和發散的思維來一場左右腦的「左右互搏」來結構化了解一個新事物。
省流版工作流：
找到有價值的論文 - 放入 Notebooklm - 用 AI 工具生成提示詞 - 在 Notebooklm 裡問答學習 - 補充有價值的論文放入 Notebooklm - 在 Notebooklm 學習 - 如此反覆
複雜版工作流程：
第一步：順藤摸瓜（耗時：0.25 小時）
不要去搜「什麼是XX，這個的原理是什麼」，而是直接尋找該領域的「定海神針」。
呼叫AI（Gemini / Perplexity）： 直接提問：“在 [某細分領域] 中，哪三位是公認的泰山北斗？他們奠定該領域基礎的 1-3 篇高引經典文獻是什麼？”（例如在 LLM 領域，鎖定 Attention Is All You Need 等文獻）。代表了“今生”
下載一階文獻：提取這 1-3 篇核心文章的 Reference（參考文獻），把它們引用過的所有核心文獻全部下載。代表了“前世”。
提取高頻的二階文獻：在第一階文獻的參考文獻中進行交叉比對，篩選出被引用次數排名前 10、出現頻率最高的 Top 5 文章。
核心邏輯：順著大師的目光去看世界，是成本最低的捷徑。不要小看這一步，你下載的可是這個領域數十年來最核心的思想演進圖。
第二步：搭建結構化的知識庫（耗時：0.25 小時）
將第一步篩選出的所有經典文獻，一次性全部上傳至 Google NotebookLM。
一般來說，只要是經典的文章，用這兩個就足夠了：https://scholar.google.com/ 或者 https://arxiv.org/
為什麼選擇 NotebookLM？因為它絕不產生幻覺（Hallucination）。它只根據你提供的資料回答問題。
Through rigorous literature screening, you manually cut off the noise on the internet, establishing a pure and highly focused knowledge base for this field.
第三步：不同 AI 之間的左右互搏（耗時：1-3.5 小時）
這是整個工作流的核心。你讓不同特性的 AI 在你的知識庫裡做交叉質詢，形成結構化的知識路徑、邏輯推演，最終形成自己的見解。
以主動提問代替被動學習。主動提問（興趣）促進大腦的思考。
尋找錨點： 問 Claude、Deepseek、Gemini 或 Perplexity：「關於 xx 領域，目前學界/業界的核心爭議問題和底層理論框架是什麼？」
閉環叩問：拿著這些核心爭議，回到 NotebookLM 提問：「基於我上傳的文獻，大師們是如何解答這些核心爭議的？請給出具體的文獻來源和推演邏輯。」
降維審視：將 NotebookLM 生成的嚴謹回答複製出來，扔回給具備強邏輯分析能力的 Gemini 或 Claude。下達指令：「請以批判性思維審視這些觀點，指出其中的邏輯漏洞、時代局限性或盲區。基於此，我應該繼續追問哪 3 個更深層次的問題？」
認知螺旋上升：拿著 AI 挑出的漏洞和新問題，再次回到 NotebookLM 尋求解答。
實操
我用 “LLM（large language models）到底是个啥” 來舉個例子吧 😂
第一步：順藤摸瓜（耗時：0.25 小時）
我同時問了 Gemini 和 Claude – 嘿，您才這麼著，居然給出的答案
gemni
然後你突然想起初中老師曾說過，科學理論一定是承上啟下，有其前世、今生與後來。因此你讓 AI 幫你調查這些核心文章參考了哪些論文（通常位於「文獻綜述」中），以及後世有哪些文章引用了這些核心文章，並讓 AI 幫你篩選出來。
第二步：搭建結構化的知識庫
由於一些原LLM特性和AI權限的原因，我們需要自己手動下載（或者你可以讓你的龍蝦🦞代勞）
一般來說，https://scholar.google.com/ 和 https://arxiv.org/ 就完全夠了
你下載之後放到 notebooklm（目前一個庫支援 300 篇左右）
第三步：不同 AI 之間的左右互搏
你可以先在 Notebooklm 問一些比較簡單、直覺的問題，然後將你的理解與其他 AI 討論和探討，之後再把結論發給 Notebooklm，讓它去反駁、論證、補充和糾正。
Notebooklm 的回答和註釋：
Repeat this several times until you can organize your own mind map.
然後你要硬核一點的話，你再讓 Notebooklm 給你來份考題來測試一下。
至此，你對這個領域就有一定的了解了（至少知道了前世、今生和後來，當別人問起來的時候，你能多說5分鐘～）
後記
將你的「知識庫」保存起來（並實時更新，可讓龍蝦來處理），單獨開一個資料夾——例如我就把「合約交易」相關的理論文章單獨成冊，當需要分析事情時，只需調出這個資料夾，再描述數據和案例，就能基本「無幻覺」地分析。
不是目前的AI模型不能完成深層次的思考和分析，而是你沒有用對工具而已。（LLM裡有個很重要的參數就是約束條件和輸入條件）
運用AI是一種能力，但如何讓AI讓人類變得更強大是另一種能力。運用AI是一種能力，但如何讓AI讓人類變得更強大是另一種能力。