翻车现场：三次尝试，三次失败

事情的起因是一条对比 YouMind 和 NotebookLM 生成 PPT 能力的推文，结论是 NotebookLM 完败。作为 NotebookLM 的深度用户，这个结论很难接受，于是用同样的四本 PDF 做了复现测试。

第一次，直接使用原推文中的 Prompt：

这是一份给AI时代创作者的必读书单（4 本 pdf）。
帮我生成一份详细的幻灯片，要求是
幻灯片里除了要把每本书的定位，核心内容说清楚，还要判断这本书适合哪类题材的创作者，更重要的是，为什么这些书里提到的方法可以用AI来帮助实现和落地，如何用AI来帮助实现和落地？

结果比预期更差——NotebookLM 只读了四本书中的一本《Exploratory Writing》，其余三本完全被忽略。

第二次，手动调整了 Prompt，把结构拆成四个部分，明确对应四个 PDF 文件：

帮我生成一份幻灯片，分成四大部分，分别对应 4 个 pdf 文件，每个部分均包含
1. 每本书的定位和核心内容。
2. 适合哪类题材的创作者？
3. 为什么书里提到的方法可以用AI来帮助实现和落地，以及如何用AI来帮助实现和落地？（这部分最重要）

依旧只读了同一本书。第三次用默认无 Prompt 模式，结果不变。三次全部翻车。

根因分析：Gemini 给出的诊断

问题出在哪？把这个现象抛给 Gemini，得到了一个清晰的解释：

NotebookLM 虽然上下文窗口足够大，但面对模糊指令时，它倾向于"偷懒"——只抓取权重最高或排列靠前的文件进行处理，直接忽略其余来源。这不是能力问题，是行为模式问题。

更深一层的原因在于：这些书大多是经典写作方法论，内容里根本没有提到 ChatGPT 或任何当代 AI 工具。当 Prompt 问的是"书里怎么说用 AI"，模型的合理回答就是"书里没提"。要让它完成这个任务，必须要求它做推理桥接——基于书中的原理去推演 AI 的应用方式，而不是从书中直接检索。

解法：三个关键改造

根据 Gemini 的建议，最终版 Prompt 做了三处核心调整：

分治策略：不再说"总结所有文件"，而是用 ### 第一部分、### 第二部分 这样的标题强制规定结构。相当于给了四道必答题，而不是一道开放题。这直接解决了模型只读一个文件的问题。

强制 AI 桥接：把指令从"书里怎么说用 AI"改成"基于书中的原理，分析为何适合 AI 以及如何落地"。这要求 NotebookLM 运用推理能力，把旧理论（比如《华尔街日报》的叙事结构）与新工具（LLM 的重写能力）结合起来，而不是做简单的文本检索。

角色设定：设定模型为"AIGC 应用落地专家"，让它在回答如何用 AI 实现时，倾向于给出具体的 Prompt 示例或工作流，而不是泛泛而谈。

改造后的 Prompt 一次通过，四本书全部覆盖，输出质量远超之前的所有尝试。

这件事的通用启示

这个案例揭示了一个在 LLM 应用中被严重低估的问题：**当源材料本身不包含你想要的答案时，你的 Prompt 必须明确告诉模型去做推理，而不是检索。**检索型指令和推理型指令，激活的是模型完全不同的行为路径。

另一个值得注意的点是"用 LLM 生成 Prompt"这个工作流。当你在一个 AI 工具上遇到瓶颈，用另一个 AI 工具来诊断问题、生成更精确的指令，这本身就是一种高效的 Agent 协作模式——不需要复杂的编排框架，只需要把工具链上的诊断环节交给更擅长推理的模型。

模糊指令和精确指令之间的效果差距，不是 10% 和 20% 的区别，而是能用和不能用的区别。这个认知，比选择哪个工具更重要。