Gemini Notebook 的 Expert Intelligence 读书功能，简单说就是把你上传的书籍资料变成可以按专家视角追问的 AI 知识库。以前用 AI 工具读书，最常踩的坑是回答太泛，或者答案和手里这本书对不上。NotebookLM 这类由 Gemini 驱动的在线笔记工具，做法不太一样：它优先围绕你上传的材料回答问题，并且会标注引用来源。当 Expert Intelligence 被放进读书流程后，真正的变化不是它能帮你把书读完，而是你能让模型站在经济学、历史学、管理学或某个专业领域的分析框架里，替你拆章节、找论据、列问题、做对照。
如果你平时要啃专业书、给学生准备阅读材料、做文献综述，或者靠读书写书评和脚本，这篇内容会很有用。我会按自己实际上手的顺序来写：先想清楚这个功能适合解决什么问题，再讲材料准备，然后是一套从上传书籍到生成学习笔记的具体流程，最后是常见问题和排查顺序。下面所有操作细节都以当前 NotebookLM 的界面为准，不同版本入口可能不一样，但核心思路是通用的。
1. 先想明白 Expert Intelligence 读书功能到底解决什么问题
1.1 它和普通 AI 问答最大的差别是什么
普通 AI 问答，模型更多依赖训练时学到的知识。你问“这本书的核心观点是什么”，它可能凭印象回答，不一定能匹配你手里的版本。NotebookLM 的做法是先把资料索引好，再在生成的回答里引用你上传的文档片段。好处是你能够顺着引用回去核对，减少“看起来有道理，实际上书里没写”的情况。
Expert Intelligence 在这里的作用，是给这个问答过程加一个“分析框架”。比如，同样是读一本经济学著作，泛泛地问会得到一个标准摘要；如果让模型以一位经济学教授的身份来读，它会更关注论证链条、数据使用、假设条件和解释边界。这不是说模型突然变得权威了，而是说提问的角度变了，输出取舍自然不同。
我更愿意把 Expert Intelligence 理解成一种“提问视角”和“输出框架”。它不改变你上传的书，也不改变模型的知识上限，但它决定了 AI 在回答时更重视哪些信息、用什么样的逻辑组织语言。对读书来说，这是很关键的差异：同一个来源，能读出一堆零散信息，还是能读出一套完整的分析框架，取决于提问时指定了什么样的专家视角。
1.2 哪些阅读者值得用，哪些场景不适合
值得用的人，主要是下面几类。
第一类是学生和研究者。文献阅读量大，需要快速判断一段文字值不值得精读；需要通过提问来定位某本书或某篇论文的重点章节；想在写综述前快速看清几本书之间的关系。Expert Intelligence 可以帮你把“这本书在讨论什么问题、用了哪些证据、结论是否可靠”拆得更清楚。
第二类是内容创作者。写书评、做读书类短视频、做课程文稿，都需要从书里提取观点和案例。如果只是自己翻书，摘录效率很低；让模型先按某个专家视角整理一轮，再人工筛选加工，效率会高很多。
第三类是知识管理爱好者。喜欢把读过的书变成可检索笔记的人，往往不满足于写一段读书感想，而是希望留下结构化的观点、术语和论证路径。NotebookLM 的上传和引用机制，天然适合这种需求。
不适合的情况也明确。如果你想用它替代逐字精读，或者希望 AI 给你一个“看起来完整但自己完全没有读过的总结”，那这个方向就走偏了。因为它仍然会遗漏图表、脚注和上下文，也会出现生成内容与原文不一致的情况。专家智能只能帮你放大思考效率，不能替你完成细读和判断。尤其对经典文本、学术专著和需要严谨引用的内容，回到原文永远是不可跳过的一步。
2. 阅读前准备：选对文件格式，定清阅读目标
2.1 上传前的文件处理和格式选择
在 NotebookLM 里新建笔记本后，第一件事不是问问题，而是把书放进去。常见的书籍来源有三种：PDF、文本文档和网页链接。具体支持哪些格式、单文件大小限制是多少，以你打开页面时看到的提示为准，不同版本或账号可能有差异。
我建议优先使用能从书里复制文字的 PDF 或 TXT 版本，而不是纯扫描图片。扫描版 PDF 如果没有文字层，模型能看到的只是一堆图片信息，引用时会很吃力。如果手头只有扫描版，可以先看看有没有办法做 OCR，或者找一份同样的文字版；没有的话，至少把目录和重点章节单独拆出来传。
这里还有一个容易忽略的点：一本书如果是多栏排版、图文混排很复杂，或者带有大量脚注，模型在处理时可能会把片段切得比较碎。表现是：回答里的引用有，但引用片段上下文不完整，读起来像突然断掉。遇到这种情况，我会把书籍先转成更干净的文本版，或按章节拆文件。文件越干净，后续引用越准确。
2.2 用“一个笔记本只装一组相关材料”来控制干扰
很多人一上来就把十几本书塞进一个笔记本，结果提问时模型把几本书的观点混在一起，反而更难用。更稳妥的做法是：一个笔记本只装一组强相关的材料。比如“同一本书的不同章节”“一本书加它的读书笔记”，或者“三本主题相近的书”。
如果确实要跨书比较，也最好单独建一个笔记本，再把需要比较的书放进去，并在提问时明确要求区分来源。这样能减少回答被无关材料带偏的风险。
另一个推荐做法是给来源起一个清晰可辨的标签。可以用“作者_书名_第几章”这样的命名方式。如果产品界面支持重命名，就改一下；如果不支持，至少在原始文件名上做好区分。原因是引用来源显示时，清晰的文件名能让你一眼判断这段内容来自哪里，而不是点开引用后才发现自己根本不认识这个文件。
2.3 提前写下一本书的提问主线
上传材料之前，我会先在纸上写下 1 到 3 个阅读目标。比如：
- 我想从这本书里找什么观点？
- 我要写一篇 2000 字的书评，还是只为解决一个具体问题？
- 这本书哪一章可能是重点？
- 我是否需要比较它和另一本书的观点？
为什么要这么做？因为 Expert Intelligence 再好，也是跟着问题走的。如果你自己都不知道要解决什么问题，模型只能给你一个平庸的“全书总结”。把阅读目标写清楚后，提问时会少走很多弯路。
举个例子。如果你只是想快速了解一本书的框架，那么提问重点应该放在章节结构、核心术语、每章的论证任务上。如果你想批判这本书，那么提问重点应该放在证据薄弱点、未回应的反例、作者预设前提上。目标不同，Expert Intelligence 的打开方式完全不一样。
3. 从上传一本书到跑出第一份专家视角学习笔记
3.1 新建笔记本，把书放进来源列表
打开 NotebookLM 后，新建一个笔记本，然后找到“添加来源”一类的按钮。选好 PDF 后，等待系统处理。处理完成的状态一般很直观：来源区域会出现可点击的文件，旁边会出现可引用的片段或图标。
如果等了一会儿还是空白，先检查文件是不是过大、格式是否支持，或者重新上传一次。这里不要急着开始大范围提问，先确认书已经被系统真正索引了。判断方法很简单：你随便问一个书中的专有名词，看回答会不会引用这本书。如果没有引用，说明材料还没处理成功，继续追问只会浪费时间和上下文。
我一般会在上传后先做一次“冒烟测试”。问的不是高深问题，而是“这本书的目录是否完整出现在来源里？请列出本书前三个章节的大致主题”。如果这一步通过了，说明书的基本内容和结构已经被识别。如果连这个都答不好，就要回到文件本身找问题。
3.2 第一轮提问怎么写，才能体现 Expert Intelligence
很多人第一次用 NotebookLM，只写一句话：“帮我总结这本书。”这样做不是不行，但很难体验到 Expert Intelligence 的价值。我常用的第一轮提示词包含四部分：身份、任务、输出格式、约束。
这里给出一个示例：
请以一位经济学教授的身份阅读这本书。 任务：先概括全书的核心论点，再按章节解释论证逻辑， 最后指出哪些结论有数据支持，哪些更像是作者推断。 输出格式：用三段文字，每部分后面附上对应的来源编号。 不要写你无法从这本书中找到依据的观点。这个提示词不复杂，关键是把“身份”和“任务”分开。身份决定了分析框架，任务决定了回答内容，输出格式决定了后续整理的难度。如果你觉得回答太长，就在任务里加字数限制，比如“每章用 200 字以内”。如果觉得太短，就要求它展开具体案例。这里没有统一标准，因为不同书籍的复杂度不一样。
如果你是第一次用，不用急着追求完美提示词。先跑一轮，再看回答差在哪里。回答太泛，就加更具体的身份；回答太散，就要求按章节输出；引用太少，就问一个更细的问题。Expert Intelligence 的入口其实不复杂，复杂的是你愿不愿意多花两轮时间把问题讲清楚。
3.3 判断成功与否：看引用来源，别只看回答顺不顺
回答是否有效，不能只看文字通不通顺。我一般会按三个标准检查：
- 有没有引用来源？
- 引用来源是不是真的来自这本书？
- 回答内容与引用片段之间的逻辑是否一致？
如果回答引用了来源，但是引用的片段和问题没有直接关系，很可能是模型没有在文档里找到足够信息，或者提问时给了它一个错误线索。这时候可以先换个问法，重新表述问题中的关键词。
如果仍然不对劲，就要回到材料本身，确认文件是不是被正确识别，是不是扫描版，是不是内容太长被截断。这套检查顺序适用于几乎所有 AI 阅读工具。你越早把“看引用”变成习惯，就越少被流畅但错误的回答误导。
3.4 把零散回答沉淀成结构化笔记
跑出第一轮回答后，不要只把对话留在那里。我的习惯是把高质量回答复制出来，手动整理成一个笔记，放在同一个笔记本里。结构可以是：核心观点、关键论据、书中遗漏或存疑的地方、我自己的评价。
这样 NotebookLM 后续再回答问题、生成学习指南时，也能间接参考你沉淀过的笔记，形成更贴合你需求的输出。如果产品支持直接保存笔记，就优先用自带功能；如果不支持，就用外部笔记软件。
这里的关键不是形式，而是“输出必须经过二次整理”。AI 的原始回答往往是并列条列式的，信息很全，但没有重点。你用自己的话重组一遍之后，这本书的内容才会真正变成你的知识。否则只是浏览了很多 AI 总结，最后什么也留不下。
4. 不同读书场景下的提问思路和输出判断
4.1 快速通读陌生领域：先搭框架，再补术语
陌生领域的书最难的不是看不懂某一句话，而是不知道整本书在解决什么问题。这种场景，我建议第一轮提问：
请以一位该领域入门读者的向导身份，给出这本书的完整章节框架， 并用一句话概括每章的作用。拿到框架后，再针对不懂的术语提问：
请解释这本书第三章提到的某某概念，结合书中给出的定义和案例， 不要使用外部知识。这样能快速建立全局感。判断标准是：框架是不是来自书中的目录或章节内容，术语解释是否引用了书中原文。如果模型给出的框架和实际目录差异很大，说明材料索引有问题，而不是提问技巧有问题。
这种场景最容易犯的错，是让模型用外部知识去补全书里没有的内容。所以提问里要明确加一句“不要使用外部知识”。即使加了，也要通过引用来源验证。
4.2 精读和批判性阅读：让模型扮演质疑者
如果你在精读一本书，可以换一个角度：让 Expert Intelligence 扮演一位不太认同这本书的质疑者，对作者的论证提出反例。提示词可以这样写：
请以一位严谨的审稿人身份阅读这本书，找出作者论证中最薄弱的三处， 并说明书中是否有回应。引用具体章节作为依据。 如果没有依据，请明确说“书中没有对该问题做出回应”。这类提问的价值不在于让模型帮你抬杠，而在于暴露你没注意到的问题。批判性阅读的核心是回到原文找证据，不是听模型说“这个观点很对”。所以我仍然会把回答里提到的每一条都带回书的原文核验一遍。
如果你发现自己读得太顺，几乎找不到问题，这个方法特别好用。它会让你的注意力从“作者说了什么”转向“作者这样说是否合理”，阅读层次就不一样了。
4.3 多本书对照：比较观点，而不是听单一结论
需要对照几本书时，提问要刻意把来源分开。比如：
请比较来源 A 和来源 B 对某某问题的看法。 先分别列出各自的核心主张，再指出它们的共同点和冲突点， 最后说明各自使用了什么证据。判断标准是：模型是否明确区分了来自不同书的观点，是否避免了模糊表述。如果模型把两本书的观点搅在一起，可以直接追问：“你刚才说的这一点，到底来自来源 A 还是来源 B？请重新检查引用编号。”
多书对照对提问清晰度的要求更高，因为模型很容易把相近的概念合并成同一条信息。所以提问时尽量写明来源编号或文件名，不要只说“这本书”“那本书”。
4.4 生成学习指南和长期复习卡片
读书不只是读完，还要能回忆。Expert Intelligence 适合用来生成学习指南。你可以让它输出：
- 10 个核心概念题
- 5 道讨论题
- 一份重要时间线
- 一份“如果忘记这本书，只需要记住以下 5 点”的清单
生成后不要直接当作复习材料，先核对每一条是否真的在书中出现。对学习型场景来说，引用来源是重要的交叉验证工具。如果某条内容查不到出处，删掉的优先级高于保留。
我自己做读书卡片时，会反复使用一个问题模板：“请用书中的证据回答这个问题，不要提没有来源的观点。”这句话听起来很简单，但能明显减少模型自由发挥的空间。
5. 把读书成果变成内容创作素材
5.1 书评、文章和短视频脚本的加工流程
使用 NotebookLM 做自媒体的思路，不是让它直接生成一篇“书评”发出去，而是让它帮你完成材料整理和观点拆解。完整流程可以这样：
- 把书上传，用 Expert Intelligence 提取核心观点、案例和反方看法。
- 从中挑出最有冲突感或最有实用价值的一个角度。
- 把 AI 整理出来的内容当作素材，插入你自己的经历、评价和语气。
这样文章既保留了书里的干货，又不会变成机器人味很重的总结。
比如你做读书类短视频，可以围绕“这本书最容易被误解的 3 个观点”来展开。先让模型找出可能被误读的地方，再结合你自己的生活案例做解释。这比平铺直叙地推荐一本书更容易留住观众。但要记住，最终发布的内容需要有自己的观点，不能只搬运 AI 输出。
5.2 建立个人书评素材库
如果你长期做读书内容，我建议把每次高质量问答按照“书名+主题+日期”命名，集中存放。NotebookLM 本身有笔记本结构，但输出内容也需要定期整理。
一个简单的素材库结构可以是：
- 书名
- 核心观点
- 金句或案例
- 适用人群
- 可拍摄或可写作角度
- 存疑待查
这样做的好处是，下次再写同类主题时，不需要重新上传一本书再问一遍，直接检索旧笔记就能快速找到素材。素材库建立的关键在于：每次生成结果后花 5 分钟做整理，否则对话记录越堆越多，最后根本不会回去看。
5.3 避免“AI 味”太重的几种写法
用 AI 辅助读书内容创作，最容易出现三个问题：开头全是空泛铺垫、观点全部是并列条列、全文没有个人立场。我的建议是：
- 尽量少让 AI 直接决定文章标题和开头，而是用它的输出做论据。
- 把 AI 生成的并列句改写成你自己讲故事的方式。
- 在关键判断处加入“我观察到的现象”或“我踩过的坑”。
这不算什么高级技巧，但能让文章活过来。另外，引用书中内容时，尽量在结尾标注书名和章节信息，这也是对原作者的尊重。不要整段照搬生成结果作为原创发布。
6. 常见问题、边界和我的排查顺序
6.1 回答很泛，没有引用
遇到这种问题，先别急着怪模型。按顺序排查：
- 书是否真的处理完成，来源列表里是不是已经出现可引用的内容。
- 提问是否太宽泛，比如“这本书讲了什么”就很容易产出泛泛而谈。
- 你问的概念是否真的在这本书里存在，如果不存在，模型只能根据上下文猜测。
把问题改成“请根据来源 A 的第 X 章，说明……”之后，引用就会明显变多。如果还是没有引用，换一种措辞，或者把整本书拆成几个章节文件分别上传。
6.2 引用来源和回答内容对不上
这是 AI 阅读工具里比较麻烦的问题。常见原因是：你上传的是扫描版 PDF，文字识别不完整；或者文档版式复杂，模型在切分片段时把上下文切断了；也可能是书籍太长，索引覆盖不全。
处理方式：先打开引用片段看看原始内容。如果引用片段确实和回答无关，重新上传一份带文字层的 PDF，或者只传相关章节。不要硬问下去，因为模型会在错误的片段之上继续生成错误答案。
6.3 长文档传上去之后像“没读过”
一整本书传到 NotebookLM 之后，模型有时只能覆盖部分内容。你可以通过提问测试：
请说出第三章的三个核心论点。如果回答明显偏离，说明索引没有覆盖到那一章，或者书太长被截断。处理方案是：把书按章节拆成多个文件，文件名写成“书名-第X章”，然后重新上传；或者只在当前笔记本里保留与阅读目标相关的章节。
这样看似麻烦，但回答质量会提升很多。我宁可多建几个笔记本，也不愿意到一个塞满长文的笔记本里反复试错。
6.4 多次提问结果不一致
面向生成模型，多次提问结果不一致是正常现象。如果目的是写文章或复习，建议固定一套提问模板，每次用相同的问题输出，再用人工合并不同版本。不要追求“同一问题永远得到同一个答案”，那不是阅读工具的职责。
真正要检查的是：每一轮结果是否都有引用支撑、逻辑是否自洽、是否能覆盖你关心的部分。只要这三点没有大问题，结果不一致反而是件好事，因为你能从不同回答里看到更多细节。
6.5 别把专家视角当成权威结论
最后说一个边界。Expert Intelligence 里的“专家”，本质是分析框架和提问方式，不等于模型真的具备评审资格或权威判断。你可以让它模拟一位经济学教授，但它生成的经济学观点仍可能有偏差，需要你自己回到原始材料里做判断。
重要内容如果要引入文章、报告、论文，务必对照原书页码，不要把 AI 生成的总结直接当成书籍原话。这条经验对初学者特别重要：工具能帮你节省整理时间，但知识和判断力仍然需要自己建立。
如果让我给人一句建议，我会说：Gemini Notebook 的 Expert Intelligence 读书功能值得一试，但第一次用的时候，别急着追求“一步到位”。先把一本书的索引处理好，把提问写清楚，再花时间核对引用来源。按这个顺序跑过一轮之后，你才真正知道它适合放在你的阅读流程里，还是只适合做灵感生成器。
