Transcription
你现在看到的这份PPT是NotebookLM 用我3万字的笔记一键生成的。
如果你平时也会写笔记，做知识产品，做课程，你应该能感觉到一个细节：这张图它不只是好看，它是真的在帮我表达我原来的结构，而不是随便贴上一张插图。
嘿，你好，欢迎回到 Axton。我是一个研究型的创作者，主要研究人和AI怎么协作，尤其是怎么把AI放到我们真实的工作流当中，让它在关键的步骤上输出可靠的结果。今天这支视频呢，我们就从这份PPT开始，来聊一下NotebookLM的 Slide Deck演示文稿的功能。
顺便聊一个非常看重的问题：我们用AI做PPT的时候，我们的知识资产会不会被悄悄的改坏呢？这就是我一直在提的一个概念：资产保真度 (Asset Fidelity)。
刚才说的这份PPT啊，我当时生成完成之后呢，就发了一条推特，我说：“刚才把我的Claude Skills笔记喂给NotebookLM新出的Slide Deck功能，效果真是不枉我一开始就看好NotebookLM。没有做任何设置，15页PPT一键直出。”
那重点是呢，他理解了我的内容，没有用AI生成一张只有漂亮的皮囊，但是毫无意义的假图，而是直接调用了我笔记里的核心架构，来生成这张Skills群岛图。精精准的图文匹配，标题还有副标题跟图片和笔记内容的关联度100%。
结果很巧，负责NotebookLM的Google Labs的产品总监Simon呢，就在这条推特上面点赞，还回了一句：“看起来很棒。”
那我就顺便回了一句：“对我来说呢，NotebookLM真正的杀手级的功能就是资产保真度，因为NotebookLM呢，他尊重了我的原始的架构，并且呢，很好的使用图片表达了出来。”
后来NotebookLM的产品经理Biao又到我的原推下面回复，说：“感谢，如果有任何反馈或者功能的需求，欢迎发给我。”
那这两条其实也正好能说明，NotebookLM呢，它现在已经很好用，但是呢，理想的形态还有一点距离。这个我们可以放在后面讲。
那这段小插曲它的重点是，NotebookLM 它并不是随便的给你弄几张看起来还不错的图，而是真正的用图来表达你原来的结构。这就是我说的Asset Fidelity的一部分。
那Asset Fidelity它到底是什么呢？我自己给的一个定义啊，是当一个AI工具在帮你生成内容，PPT也好，讲稿也好，思维导图也好，它有没有忠实的保留你原始知识资产里面的结构和逻辑。
其实我们现在已经见过很多的AI PPT工具啊，一键生成十几页几十页的PPT，颜色很漂亮，图标很多。但是你仔细看呢，会发现标题可能是模板的一些句式，换了几个关键词而已。图片呢，它是通用的插画，删掉图片完全不影响你对它的内容的理解。有时候它可能会帮你自动总结出一堆你从来没有说过的观点。那这些在我看来，就是炫酷的假图加逻辑的污染。
当然，我不是反对好看的东西，我自己也会用AI来做漂亮的图片。但前提是我们的逻辑和结构要先对，表现才会有意义。尤其是对做知识产品的人来说，对很多认真学习的人来说，Slides PPT如果只是好看，但逻辑是错的，结构是乱的，那最好的情况是浪费了你的注意力，更糟糕的是呢，你会学到一些假知识。
这就是为什么我在推特上会用Asset Fidelity（资产保真度）这个词。NotebookLM对我最大的吸引力呢，不是它那一键生成几页幻灯片，而是在这个使用场景里边，在我喂给它的是干净结构化的笔记的前提下，它的表现层呢，尽量的尊重了我的原始结构。
什么叫做原始架构呢？原始架构就是类似于这一份的28000多字的Claude Skills的笔记。那对我来说呢，原始架构的背后，通常意味着我已经至少走过了一轮我自己的4R知识打磨法。这是我研究任何一个主题都会采用的流程啊。这个4R呢，就是四个步骤：Research, Reflect, Run和Refine。
好，先说这个Research深度研究啊。每次我研究一个新的主题呢，比如这次的Claude Skills，那我都会先用ChatGPT的Deep Research做一轮主题研究，看看现在网上都有哪些的信息源，有哪些的争议点。然后呢，我会把注意力集中在这些一手的资料上面，尤其是官方的文档和原始的技术博客。在这个阶段啊，我通常不会去看别人帮你总结好了二三手的内容，而是要先搞清楚，原厂到底是怎么设计的，怎么描述这件事情的。那这一步呢，是为了建立一个尽量不被二手观点污染的原始的图景。
第二步呢，就是Reflect，也就是多模型的概念的拆解。比如我们拿这次视频当中反复提到的Asset Fidelity这个概念来举例。我不会只在脑子里去想这个词大概是啥意思，我会同时把这个概念呢，跟至少两个模型，比如ChatGPT和Claude，或者ChatGPT和Gemini，跟两个模型同时去聊这同一个问题。举个例子，把原始的资料丢给AI一键生成PPT，和先由人整理成结构化笔记，再让AI根据笔记生成PPT，从资产保真度的角度各有什么优缺点呢？那不同的模型它可能就会有一些不同的一些见解。
最后呢，我会把不同的模型的输出和我自己的经验结合起来，变成这支视频里给到你的那条判断。那先整理笔记再生成PPT，从资产保真度的角度来说是更可靠的。
第三步是Run，也就是我们把手弄脏的实战环节。因为你光看文档，光跟AI聊聊天，还是远远不够。所以呢，今年我也就特地每个月花100美元订阅了Claude Max，在真实的任务里面呢，去跑各种Skills的组合。我们去看它在这个项目里面是怎么被加载，怎么被调用，在什么场景下容易去踩坑。甚至呢，我会故意去设计一些极端的用例去测试它的边界。那只有我们在这种把手弄脏的状态下呢，你才会对一个系统，对一个AI有真实的体感。
最后一步呢，是Refine结构化的沉淀了。也就是我们把所有前面的东西沉淀成结构化的笔记。其实我们等到Research, Reflect和Run这三步走完呢，我的桌面上就会有几类东西了：官方文档啊，Deep Research的摘要啊，多模型对话的要点，还有Claude Max的一些运行记录和踩坑的笔记。
这个时候呢，我就会用给大家之前分享过的这个整理笔记的技能这个Skill，来把这些材料全部给综合起来，收敛成几份清晰的笔记，最后会凝结成我现在这份接近三万字的Claude Skills的笔记。
走完这四步呢，我才会觉得OK，这个主题我大概有资格拿出来讲了。而且讲的时候呢，不是在瞎编，也不是仅仅在翻译官方的文档，而是有来源，有实验，有结构沉淀的。
所以最终形成的，在我的三万字的笔记里面，有各种概念之间的关系，常用的架构，还有一堆我自己的踩坑记录，设计原则。那这些东西对我来说，它就不是随时可以删掉的一些草稿了。它是未来我做Claude Skills直播的大纲，写课程，写长文章，会反复应用的知识节点。那它呢，也会成为我的MAPS体系里面，一整块的Agent Skills工作流的基础。
换句话说，这样的一份笔记就是知识资产。有了这个前提，你就会明白，任何一个工具在帮我做Claude Skills的PPT的时候，我最在意的不是它画的好不好看，而是它有没有忠实地表达出我的这套架构。因为标题可以润色，图可以更漂亮，但是你的结构和逻辑不能乱。这就是我所看中的资产保真度 (Asset Fidelity)。
我们可以用两张Slides来具体的对比看一下。
这张呢，是我用某一个主流的AI PPT工具生成的一页。标题是“核心框架：两种抽象层次”。左边是文字，能力层 (Skills)，编排层 (Skills)。这个文字是准确的，因为它来自于我的输入内容。而右边这个图片呢，是一块立方体，堆在一起的配图，配了一些箭头。那看上去还比较现代化，有科技感。但问题就在于，如果我把这块图抹掉，那么读者对于两个抽象层次的Skills的理解，几乎不会受到任何影响。也就是说，这张图本质上呢，就是为了让我这个PPT看起来不那么空，它是一种装饰，而不是表达结构的。
好，再看第二张PPT。这是NotebookLM来生成的，讲的同样是软编排型的Skill。那上游是一份字幕文件，然后中间是四个阶段 (Stage)，四个阶段，每个阶段是一道闸门。然后呢，左下角会有一个Skill，它像控制台一样，上面写着这个Skill的目的，是用来定义一个SOP。然后每一个阶段，每一个Stage的边上，它都会有输出文件。这个画面，它就不是随便找一张河流和水坝的图，来凑上来凑数了。它是直接把我笔记里边的四个阶段的流水线，用河流、闸门、控制台加中间文件的方式，完整地表达出来，画出来。
那这张图你要是把它删掉，观众对整个srt-workflow这个工作流的直观的理解，就会差很多了。反过来，这张图哪怕是不加文字，那么很多人看也大概能猜出，这是一个流水线加多个阶段的结构。
这就是两个工具的对比。我们在第一个PPT的工具里面，图它是好看一点的背景。而在NotebookLM里面呢，图它是结构的一部分。所以这对做知识产品的人来说是非常关键的，因为我们希望图不是为了好看，是为了帮助读者来更直观的理解框架。
好，那么NotebookLM，它在我的工作流里边是在哪一段呢？前边那一段呢，我用了4R知识打磨法讲了一遍，我是怎么从0走到3万字的Claude Skills笔记的。先Research，看一手资料和Deep Research。然后呢，Reflect，用两个以上的大模型，把关键概念拆开聊一遍。然后再Run，在Claude Max里面，真刀真枪的跑各种Skills的组合。最后Refine，把所有的这些东西沉淀成结构化的笔记，变成一份可复用的知识资产。
如果现在换一个视角，我们用MAPS这个罗盘来回头看我们的这条链路啊，其实也能看出四个维度，它各自的角色了。在这个案例里面，M也就是心智层，对我来说，它就体现在一开始我们就要决定，用一种原厂优先的心态来研究这个主题，而不是看几篇二手总结就开讲。
接下来，Architecture架构层呢，它就体现为我们通过Research和Reflect，把Claude Skills在整个Agent生态里面的位置啊，抽象层次啊，分工关系画清楚。
在提示词层呢，它体现在我们在Run的过程当中，你需要不断的去调整提示词，还包括Skills的描述啊，触发条件，去观察模型在真实场景下的行为。
那系统层的体现呢，就是我们要把这些理解，变成长期可复用的系统资产。比如我的笔记，关键的工作流的流程图，以及我在做直播过程当中，用到的各种Slides，各种PPT。
所以，在我的整个工作流程当中呢，NotebookLM的演示文稿的功能啊，很明显，它是处在Systems系统层这一层。它不负责帮我查资料，也不替我设计Claude Skills的架构，更不会帮我做Prompt。它接手的就是，我已经打磨好的，那个结构化的笔记，在不大幅破坏结构的前提下呢，帮我生成一份可以讲，可以演示的PPT的初稿。
所以从我们整个的MAPS的视角来看呢，NotebookLM它就是一个表现节点。它的任务，就是用来放大我们已经打磨好的知识资产，而不是帮你去做一整套的思考。
OK，我们再来集中讲一下NotebookLM的现在的优点和限制。
它的优点呢，就是在你已经有结构化笔记的前提之下呢，它的Slide Deck，它的演示文稿的功能呢，是一个非常顺手的PPT的起稿的工具。在资产保真度方面，它比我试过的很多的AI PPT的工具呢，都要靠谱一些。它的图不仅仅是装饰，而是用来可以表达你的结构。所以对知识工作者，课程创作者，和严肃的学习者来说呢，它就非常适合用来做逻辑优先的一些PPT、幻灯片、抽认卡呀，或者一些学习和演示资料。
但是这仍然是相对更好啊，不是绝对不会出错。因为毕竟是AI嘛，毕竟是AI生成的，所以它会存在幻觉。最终的审核，最终的事实核查，还是需要人来做。
当然，它也有一些短板。那这个呢，我在推特上跟他们的产品经理Biao回复的，就是两条我认为很实际的一个需求。
第一个就是Source的结构化管理。现在一个NotebookLM，它的Source，它的来源呢，全部都平铺在这一块，其实对重度用户来说很不友好。它的Source目前可以支持300份。那当我们有几十份文档，上百个来源的时候，那这些来源，它们的重要程度不同，承担的角色也不同。但是在NotebookLM呢，它们全都挤在一块，很难分区管理。所以如果NotebookLM想成为一个长期的知识库呢，这点是绕不开的。就是至少你要有Folder，有文件夹，或者有标签，来对它们进行分组和过滤。
第二点呢，就是它的底层模型的选择权啊。现在还不能选最新的模型，Gemini 3 Pro。这也是我一直没有把NotebookLM当作主力知识库的原因。因为在我们复杂的逻辑和归纳，这种多元信息综合的场景里边呢，你会明显感觉，更高级别的推理模型，和一个小规模的模型，它还是有差距的。所以当时我就说，希望能够开放模型的选择权，比如切换到最新的Gemini 3 Pro。好在前一阵看到有人在推特上剧透，说很有可能很快这一项功能就可以实现了。
如果这两点在未来能补上呢，那我觉得NotebookLM，它会从一个现在还很好用的工具，升级成一个真正强悍的知识库。
好，我们来总结一下今天这支视频。
首先，NotebookLM的演示文稿的功能，在你已经有结构化笔记的前提下，它是一个很好用的PPT的起稿工具。
第二，它的真正的价值不在于一键出炫酷的PPT，而是它在表现层的尽量尊重我们的原始架构，在一定程度上提升了资产保真度。
那第三，真正决定我们资产保真度的，还是你前面有没有做足4R知识打磨，把主题研究透，把概念拆解清楚，实战跑过一遍，最后沉淀成自己的知识资产。
NotebookLM它在我们的MAPS体系里面呢，只是一个系统层的一个表现节点。它负责把这些资产呢，变成我们可以讲，可以分享的东西。它不是替你思考的那个。也就是说，真正决定我们AI用的是不是比较乱，关键在于我们之前有没有一套像4R或者MAPS这样的工作流设计。NotebookLM或者其他的任何的工具，它只是你的整个链路上的一个环节，它并不是一个整套的答案。
好，今天的分享就到这里。如果你觉得本期视频对你有所帮助，请帮我点赞评论，订阅我的频道，并且打开小铃铛。咱们下期再见。