Google推出了实验性的NotebookLM产品，一款基于RAG的个性化AI助手产品，基于用户提供的可信信息，通过RAG，帮助用户洞察和学习参考内容，然后借助AI整理笔记，转换为用户最终需要的大纲、博客、商业计划书等最终目的。

在之前的博客中，当时提到："AI搜索产品的边界绝不止步于搜索，往上往下，往上如何更懂用户真实诉求，往下通过Agents组合解决复杂的问题，给用户提供端到端的个性化解决方案"。的这款 也比较契合这样的思路，基于用户提供的信息，结合搜索技术，提供个性化的笔记AI助手，但整体比较克制，重点强调可信，也就是遵循用户提供的信息，并未结合google的强项通用搜索。

下面步入正题，我们来介绍NotebookLM的功能，并做一个尝试。

官方介绍是，NotebookLM 是一个基于用户信任信息（也就是用户自己提供的文档）的个性化（私人的）人工智能助手。

目前，NotebookLM 仅在US提供服务，体验需要魔法

功能特点

如果机器回复的内容获得用户的认可，用户可以将回复内容，所以设想下协作模式，就是用户先上传要学习的参考文档，然后就自己关注的点（其实就是整理大纲）进行提问，最后将这些回复内容都保存到笔记。

当你所有关心的问题都提问后，你就获得了许多有用有价值的notes片段。基于这些片段，就可以：

隐私说明

google强调用户的个人数据不会被用于训练 NotebookLM，因此任何私人或敏感信息都将保持私密，除非用户选择与合作者共享资源。

行业评价

看完了官方介绍，我们来实战上手。

新建笔记本

首先新建一个笔记本，修改名称为"人工智能与搜索引擎"

上传参考文档

这里我们上传王树森的《搜索引擎技术》pdf作为参考文档。

可以直接上传PDF，文本文件，也可以从google云盘选择，或者直接复制文本。

洞察理解文档

现在开始提问，我们要了解搜索引擎与人工智能，我们开始提问：

Q: 搜索引擎的原理是什么

可以看到，NotebookLM比较好的回复了搜索引擎链路，包含三级漏斗等信息。

点击引用可以查看原文。

现在我们了解了基本的链路，那么我们接着看每一块有什么样的技术。

Q: 搜索引擎中Query Processing具体处理方法

回复不稳定，用英文就行了回复，不过内容还是靠谱的。

接着，我们来问召回的技术方案。

Q: 搜索引擎的召回 (Retrieval)部分，通常用有哪些召回方案，用到哪些人工智能技术，请用中文回答

这里试下，加上用中文回答的指令。

回答比较好，提出了三种召回方案，以及用到的技术，我们保存起来，继续提问。

Q: 详细介绍下搜索引擎排序的三级漏斗，采用的模型方案，用中文回复

三级漏斗介绍了，但是模型方案回答一般般，先保存起来，

快速起草内容

提问演示告一段落，我们开始将上述提问后保存的notes整理。注意这里的notes可以自己添加，随时记录自己的想法。

通过上面的提问，我们保存了4个notes，我们选中：

可以看到，系统给出了 、、等功能，我们试下：

系统生成了一个学习指南，可以看到包含QP、召回、排序等。

我们试下其他的，还是选中这四个：

Q: 基于这些内容创建一篇博客，用markdown输出，用中文回复

下面看成品

优点：

可优化的方向：