你上传了10份文档并生成了一套幻灯片——但AI把重点放在了背景信息上，而非关键发现；略过了核心数据；或者在你需要深入讲解某一章节时，只给出了表面概览。本教程介绍控制 NotebookLM幻灯片内容聚焦 的三种技巧：素材战略筛选、引导提示词和结构化大纲——以及Gamma和Claude在同一问题上的应对方式。
NotebookLM会将注意力大致平均分配到所有已选中的素材上。当你勾选10份文档点击生成时，AI会尽量覆盖每一份素材，而不是优先处理最重要的那份。一份背景资料文档与核心发现文档获得的幻灯片空间几乎相同；篇幅较长的文档比简短却关键的文档获得更多关注。最终结果：一套蜻蜓点水的幻灯片，在最需要深挖的地方反而浅尝辄止。
另一个叠加问题是非确定性生成——同样的素材和提示词，每次生成的幻灯片内容可能存在明显差异。上一次生成效果不错，不代表重新生成就能在此基础上微调；关键要点下次可能移位或完全消失。
两个问题的解决方案相同：给NotebookLM更严格的约束。指令越精确，AI做出非预期决策的空间就越小。
这是效益最高的技巧。生成前，取消勾选所有与演示目标不直接相关的素材。一个含15份文档的笔记本，往往只需3–5份就能做出聚焦的幻灯片。实用原则：如果某份素材在最终幻灯片中不会被引用，就取消勾选它。
对于涵盖多个主题的笔记本，可以从不同素材子集分别生成多套幻灯片。以产品发布笔记本为例，其中可能包含市场研究、技术规格和客户反馈三类素材。据此生成三套定向幻灯片：基于市场研究的版本（面向高管）、基于技术规格的版本（面向工程师）、基于客户反馈的版本（面向产品团队）。每套幻灯片都保持聚焦，因为对应的素材集本身就是聚焦的。
模糊的提示词只会产出模糊的幻灯片。"做一个关于我研究的演示"把最大的自由度交给了AI，由它决定什么重要。有效的引导提示词要直接点名："聚焦素材A中三项具有统计显著性的发现。包含素材B表3的对比数据。完全忽略文献综述部分。"
最有效的引导提示词遵循三段式结构：(1) 包含什么——点名具体章节、数据点或论点。(2) 排除什么——明确告知AI跳过哪些内容。(3) 强调什么——确定最重要的单一核心要点，指示AI围绕它构建叙事逻辑。
最精确的控制方式是提供逐页大纲。不要让AI决定幻灯片结构，而是写一份大纲明确每页显示什么："第1页：标题。第2页：素材A的三项关键发现，以大数字配上下文形式呈现。第3页：素材B中方法X与方法Y的对比，以双栏表格呈现。"
这种方式把AI的角色限定在视觉执行层面——由它负责排版、图形和设计，而内容和结构由你掌控。结合素材筛选与引导提示词，可以在所有NotebookLM幻灯片工作流中产出最可预测、最聚焦的结果。
把第一次生成视为草稿，而非定稿。最有效的工作流：(1) 在适度约束下生成。(2) 逐页审查哪些达标、哪些偏题。(3) 用基于提示词的修改功能修正具体幻灯片。(4) 如果整体结构有误，优化大纲后重新生成。通常两到三轮迭代即可产出符合预期的幻灯片。
| 控制维度 | NotebookLM | Gamma | Claude |
|---|---|---|---|
| 素材锚定 | 最佳——仅使用你上传的文档 | 无——从提示词生成，可能产生幻觉 | 良好——忠实处理上传文件 |
| 内容聚焦控制 | 素材筛选 + 引导提示词 + 大纲 | 仅靠提示词——完全依赖你的描述 | 对话式——通过自然语言迭代精调 |
| 排除控制 | 取消勾选素材；在提示词中加"忽略X" | 无素材概念——仅涵盖你描述的内容 | 强——"跳过Y部分，聚焦Z" |
| 可复现性 | 低——每次生成结果不同 | 低——类似的随机波动 | 较高——迭代编辑保留上下文 |
| 迭代优化 | 基于提示词的幻灯片修改（新功能） | 浏览器内直接编辑任意元素 | 最佳——对话式"把第3页改成……"工作流 |
| 数据准确性 | 最高——引用你的素材 | 最低——可能捏造统计数据 | 高——取决于上传的上下文 |
内容聚焦选型建议：当准确性不容妥协时——研究演示、客户报告、财务摘要——先用NotebookLM获取有素材锚定的内容，再用修改提示词精调聚焦方向。当速度优先于素材忠实度时，Gamma的直接编辑更高效。当需要通过来回对话进行精确迭代控制时，Claude是幻灯片内容控制的最强选项。