NotebookLM 实操示范：建一个带引用的文献库

适用对象：教师 ｜ 更新于：2026-06-01

这一页和别处的示例不一样：不是占位演示，是真跑了一遍的完整记录，每条命令下面贴的就是当时的真实输出。

示范主题用「智能体记忆」（大模型 / AI 智能体怎么记住东西），这恰好也是 AI 本身的一个研究话题。但请记住：方法和主题无关——换成你自己的研究主题（数字普惠金融、ESG、央行数字货币……），命令一字不差。

全程约 3 分钟，只用稳定功能

下面 5 步只用到不会被限流的功能（联网搜资料、带引用问答、取全文、导出），适合现场演示。生成播客 / 视频那类既慢又可能失败的功能，这里不碰。

前置：第一次用先登录 Google（只需一次，会打开浏览器）：

notebooklm login

---

第 1 步 · 建一个空笔记本

一个笔记本 = 一个研究主题的资料库。

notebooklm create "智能体记忆 Agent Memory"

建好后它就是当前笔记本，后面的命令都作用在它上面。

---

第 2 步 · 一句话让它联网搜论文并自动导入

这是 NotebookLM 网页版没有、命令行才有的能力：你只给一句话，它自己去网上找资料、抓取、导入成笔记本里的来源。

notebooklm source add-research "Memory systems and architectures for large language model agents: long-term memory, MemGPT, Mem0" --mode fast --import-all

真实结果——约 1 分钟，找到 10 条、全部导入：

status   : completed
found    : 10   imported: 10
 - https://arxiv.org/pdf/2310.08560      MemGPT: Towards LLMs as Operating Systems
 - https://arxiv.org/abs/2504.19413      Mem0: Building Production-Ready AI Agents ...
 - https://arxiv.org/pdf/2304.03442      Generative Agents: Interactive Simulacra ...
 - https://arxiv.org/html/2602.21477v1   Pancake: Hierarchical Memory System ...
 - mem0.ai / digitalocean / youtube / wikipedia ...（博客、视频、百科若干）

--mode fast 几十秒、出 5–10 条；想更全可换 --mode deep（十几分钟、20+ 条，建议加 --no-wait 后台跑）。

联网搜会”什么都往里捞”，要会挑

自动搜索是把双刃剑，现场演示前务必知道两个坑：

1. 会混进打不开的源。 同一套流程换「数字普惠金融」主题跑时，它从两个政府 / 期刊网站抓 PDF 失败，一口气塞进 38 条 error 的碎片。--mode fast 图快，质量参差，搜完先 notebooklm source list 扫一眼，把 error 的删掉再用。
2. arXiv 的 /abs/ 链接只导入摘要。 上面 Mem0 用的是 /abs/2504.19413，结果只拿到摘要（见第 5 步，全文只有 8K）；而 MemGPT 是 /pdf/ 链接，拿到 62K 全文。要正文，手动用 /pdf/ 链接补一条：notebooklm source add "https://arxiv.org/pdf/2504.19413"。

---

第 3 步 · 等索引完成

加进来的来源要先被索引（变成 ready）才能提问。

notebooklm source list --json

等到 10 条全部 ready（每条约 10–60 秒），再进行下一步。

---

第 4 步 · 带引用问答（最该让人看到的一步）

notebooklm ask "MemGPT 和 Mem0 在实现大模型智能体长期记忆上的核心思路有什么不同？各自的关键机制是什么？" --json

它给出一段跨多篇文献的对比（MemGPT 把上下文当”操作系统内存”做分页、三层记忆 + 主动函数调用；Mem0 做”生产级记忆数据层”、只增式事实提取 + 多信号混合检索），答案里带 23 处引用 [1] [2] …，每一处都指向具体来源和被引用的原文片段。例如其中 [4] 指向 MemGPT 论文的原话：

citation [4] → 来源: MemGPT (arXiv 2310.08560)
cited_text: "In this paper, we study how to provide the illusion of an
  infinite context while continuing to use fixed-context models. Our
  approach borrows from the idea of virtual memory paging ... we design
  MemGPT, an OS-inspired LLM system for virtual context management."

这就是它比”直接问大模型”强的地方

答案里的 [1][2] 不是装饰——点开是原文出处，能回到论文逐句核对。它优先依据你加进来的资料作答，而不是凭记忆编。这对严谨的文献梳理特别有用。

📚 引用仍要自己核

“带出处”降低了瞎编的概率，但没消除。凡是要写进论文 / 报告的具体文献、DOI、数字，仍要回原始来源逐条核对。原理见AI 为什么会出错、红线见学术诚信。

---

第 5 步 · 取某篇全文 / 导出文献

看某一篇被索引进来的全文：

notebooklm source fulltext 62844258 --json

MemGPT 这篇取到 62763 字全文（摘要 + 正文都在）。

把这次搜到的 4 篇 arXiv 论文全文各导出成本地 markdown 归档：

generative-agents.md   133718 字
pancake.md              65677 字
memgpt.md               62763 字
mem0.md                  8253 字   ← 只有摘要！

mem0.md 只有 8K，正是第 2 步那个坑的后果——它来自 /abs/ 摘要页。其余三篇是 /pdf/、/html/ 链接，所以拿到了全文。

一个小坑：Matched: 行

用来源 ID 的前 8 位简写时，命令会先打印一行 Matched: ... 再输出 JSON。如果你要把输出直接喂给程序解析，要么用完整 UUID，要么跳过这一行。现场手动看则无所谓。

---

还能顺手做的（可选）

资料库建好后，同一批来源还能一键提取成不同形态（都不限流、较快）：

notebooklm generate report --format briefing-doc   # 研究简报
notebooklm generate mind-map                        # 思维导图（秒出）
notebooklm generate data-table "把各文献的研究问题、方法、主要结论列成表"   # 结构化数据表(CSV)

更多用法见工具页 NotebookLM。

---

把这套用到你自己的研究

主题换掉、命令照抄即可。下面这段可整段复制，把引号里的主题改成你的：

notebooklm create "数字普惠金融文献库"
notebooklm source add-research "数字普惠金融对中小企业融资约束的影响" --mode fast --import-all
notebooklm source list                 # 等全部 ready，删掉 error 的
notebooklm ask "这些文献对数字普惠金融缓解融资约束的结论是否一致？分歧在哪？" --json
notebooklm generate data-table "把各文献的样本、方法、主要结论列成表"

和 literature-review 的分工

NotebookLM 给你资料库和快速提取，literature-review 给你检索方法和写作框架，两者配合最顺。详见科研场景。

---

🔒 安全边界

把资料加进 NotebookLM 等于上传到 Google 服务器。未发表的论文 / 数据、含学生隐私或保密信息的材料，加进去前先确认是否符合学校数据安全与科研伦理规定，拿不准就不放。 上面示范用的全是公开论文，没有这个问题。详见伦理与检查点。

---

回到：案例总览 ｜ 工具说明：NotebookLM ｜ 配合使用：科研场景