读完30篇文献需要一周。用 NotebookLM，只需要5分钟。将全部文献上传到一个 Notebook，使用 Notebook Guide 功能一键生成"全景透视图"，再用精确指令提取出按"作者 — 方法 — 核心结论 — 证据页码"结构化排列的 Markdown 表格 — 一个可直接引用的证据矩阵。这不是摘要。这是可溯源、可引用、可进入论文的结构化知识资产。
逐篇阅读、手动标注、在 Excel 或 Word 中整理笔记。信息散落在多个文件中，难以交叉对比。遗漏关键发现的概率随文献数量指数上升。
全部文献上传至同一 Notebook。AI 基于全部源文件交叉分析，生成带页码引用的结构化表格。每个结论可直接追溯到原文段落。零遗漏，可验证。
NotebookLM 的核心架构是 RAG（检索增强生成）：它不会凭空编造，只基于你上传的文档进行回答，并对每一个声明标注来源引用。这意味着当你要求它"提取所有文献中关于某变量的发现"时，它实际上在做的是：扫描全部文档 → 定位相关段落 → 提取信息 → 结构化输出 → 附上溯源。这正是学术文献综述的核心动作 — 只不过速度快了100倍。
关键洞察：你不是在让 AI "总结"文献。总结会丢失精度。你是在让 AI 执行一次结构化的信息提取任务 — 按你定义的维度（作者、方法、结论、页码）从每篇文献中精确抽取数据点，然后以表格形式返回。这更接近数据库查询，而不是阅读报告。
创建 Notebook 并上传文献后，NotebookLM 会自动通过 Notebook Guide 生成一份总结。这是你的"全景透视图" — 它告诉你这批文献的整体面貌：主要研究什么、有哪些共识、有哪些分歧。先看这个总结，再发送提取指令，你的指令会更精准，因为你已经知道文献集的"地形"。
在 NotebookLM 中为本次研究创建一个专用 Notebook。将所有相关文献（PDF、Google Docs、网页链接）上传为信息源。保持主题聚焦 — 一个 Notebook 对应一个研究问题。
上传完成后，查看 Notebook Guide 自动生成的总结。这是你的"地形图" — 它会告诉你文献集的整体主题、关键概念、主要争议点。花2分钟读完它，你就能写出更精准的提取指令。
向 NotebookLM 发送精确的提取指令，指定你要的变量和输出格式。核心指令模板："请基于库中所有文献，提取出它们在 [关键变量] 上的研究发现，并按'作者-方法-核心结论-证据页码'生成一个 Markdown 表格。"
检查表格中的每条引用 — NotebookLM 提供直接跳转到原文的链接。对任何可疑条目，点击引用查看原文段落。如果某些文献被遗漏或某些维度提取不完整，发送追加指令进行补充提取。最终导出为 Markdown 或复制到你的论文框架中。
30–50篇 PDF / Google Docs / 网页链接，围绕一个研究问题聚焦
Notebook Guide 自动总结：主题、关键概念、共识、分歧、研究空白
基于全景透视图，确定你需要的列：作者、方法、结论、页码、样本量…
按指定维度扫描全部文献，生成带引用的 Markdown 表格
迭代：验证引用 → 追加遗漏文献 → 补充维度 → 细化分类。重复1–2轮直到矩阵完整可用。
导出 Markdown → 粘贴到论文 / 文献综述 / 研究报告中直接使用
以下是一个虚构的示范表格，展示 NotebookLM 结构化提取的输出形态。实际输出中，每条结论都附有可点击的原文引用链接。
| 作者 (年份) | 研究方法 | 核心结论 | 页码 |
|---|---|---|---|
| Raghavan et al. (2020) | 系统审计，15个AI招聘平台 | 多数平台缺乏对训练数据偏见的透明披露机制；审计发现性别关联特征被隐式编码 | pp. 469–472 |
| Li et al. (2022) | 对照实验，N=2,400份简历 | AI筛选系统对 HBCU 毕业生的通过率比 PWI 毕业生低23%，控制GPA和专业后差异仍显著 | pp. 15–18 |
| Chen & Zhang (2023) | 民族志，6家企业HR部门 | HR从业者将AI评分视为"客观"依据，即使系统建议与面试印象矛盾时也倾向遵循AI推荐 | pp. 102–108 |
| Bogen & Rieke (2018) | 政策分析，法律框架审查 | 现有反歧视法律框架不足以应对算法招聘中的间接歧视，需要新的监管机制 | pp. 28–34 |
| Kim (2021) | 混合方法，问卷+访谈 N=180 | 求职者对AI面试的信任度与系统透明度正相关(r=0.61)，但实际使用中透明度普遍低于预期 | pp. 44–47 |
核心信息源。确保 PDF 是文本型（非扫描图片），以获得最佳提取效果。
机构报告、白皮书、政策文件。通常包含大量数据表格和统计发现。
粘贴 URL 直接导入。适合预印本、博客形式的研究发现、新闻报道。
你自己的阅读笔记、文献批注、初步分析。与原始文献交叉验证。
硕博论文通常包含完整的文献综述章节 — 是元分析的理想输入源。
| 维度 | 说明 | 适用场景 |
|---|---|---|
| 作者 (年份) | 第一作者 + 发表年份 | 所有文献综述 — 基础维度 |
| 研究方法 | 实验 / 调查 / 民族志 / 元分析 / 政策分析 | 方法论比较 — 必选 |
| 核心结论 | 该文献对关键变量的主要发现 | 所有场景 — 必选 |
| 证据页码 | 支撑结论的原文具体页码 | 学术写作 — 必选（可追溯性） |
| 样本量 / 数据源 | N=多少，数据来自哪里 | 实证研究比较 — 推荐 |
| 研究局限 | 作者自述的局限性 | 批判性综述 — 推荐 |
| 与本研究的关联度 | 1–5 分评分，说明关联理由 | 文献筛选 — 可选 |
| 理论框架 | 该文献使用的理论基础 | 理论整合分析 — 推荐 |
全部在 NotebookLM 中运行。将 [方括号] 替换为你的具体内容。
Every prompt in this guide plus all prompts across the full category — advanced workflows, specialized use cases, and production-grade templates.
Category Bundle — one-time access
Unlock Category Prompts — $19.99ONE-TIME · 30-DAY GUARANTEE · INSTANT ACCESS
结构化提取不能替代精读。 证据矩阵是你的导航工具 — 它告诉你每篇文献的核心发现和位置，让你知道该优先精读哪些部分。但对于你论文中的关键论据，仍然需要回到原文仔细阅读上下文。矩阵帮你从"盲读30篇"变成"精读5篇最关键的段落"。
PDF 质量影响提取质量。 扫描版 PDF（图片型）的提取效果远不如文本型 PDF。如果你的文献是扫描件，先用 OCR 工具转换为可搜索 PDF 再上传。Google Scholar 和大多数数据库提供的 PDF 通常是文本型的。
始终验证引用。 虽然 NotebookLM 的 RAG 架构大幅减少了幻觉问题，但对于你要在论文中正式引用的内容，务必点击引用链接核实原文。证据矩阵是初稿工具，不是免验证的终稿工具。
成本：NotebookLM 免费版可满足大部分使用需求。NotebookLM Plus（$19.99/月，通过 Google AI Plus 订阅）提供更高的使用额度和更快的响应速度，适合频繁使用或文献量大的研究者。