NotebookLM 使用说明：从简历优化到 vibe coding 与 AI Agent 学习
NotebookLM 最值得用的地方，不是让它凭空替你想答案，而是把它变成一个“围绕资料工作的研究台”。你把简历、岗位描述、项目记录、课程资料、框架文档、视频链接和错误日志放进去，它再基于这些来源帮你总结、比较、追问和生成学习材料。
如果只把 NotebookLM 当成普通聊天工具，它的优势会被浪费。更好的方式是把每个笔记本当成一个独立项目：一个目标、一组来源、一套问题。这样它回答时更容易贴近材料，也更方便你回到来源里核对。
NotebookLM 适合解决什么问题
NotebookLM 适合处理“我已经有一堆资料，但还没有整理成方法”的场景。比如你手里有一份简历、三份目标岗位描述、几个项目复盘草稿，还有一些零散技能点；普通聊天工具需要你反复复制上下文，NotebookLM 则可以把这些资料放在同一个笔记本里，后续围绕它们持续提问。
它尤其适合四类任务。
第一类是资料归纳。比如把岗位描述里的硬性要求、加分项、工具栈和业务关键词整理成表格。
第二类是对比分析。比如比较你的简历和岗位要求，找出已经覆盖、表达不足和缺少证据的部分。
第三类是学习拆解。比如把一个框架文档拆成核心概念、必做练习和容易混淆的术语。
第四类是输出转换。比如把一组项目记录转成简历要点、面试问答、学习卡片、简报或思维导图。
按当前 Google 官方说明，NotebookLM 可以添加 PDF、网页、公开 YouTube 链接、音频文件、Google Docs、Google Slides、Microsoft Word、文本、Markdown、图片、Google Sheets 和粘贴文本等来源。它也提供 Chat 和 Studio 两类主要工作区：Chat 用来围绕来源提问，Studio 用来生成笔记、音频概览、视频概览、思维导图、报告、数据表、抽认卡、测验、幻灯片和信息图等输出。具体功能会变化，所以我更建议把它理解成“资料驱动的工作流”，而不是记一堆按钮位置。
基础使用流程
我的基本流程是五步。
第一步，先为一个明确目标创建笔记本。不要把“求职”“编程学习”“AI Agent（智能体）”全部塞进一个空间。目标越清楚，后面的回答越稳定。
第二步，添加来源。简历优化可以放现有简历、目标岗位描述、项目说明和成果草稿；vibe coding（氛围式 AI 编程）学习可以放框架文档、教程、README、报错记录和自己的项目笔记；AI Agent（智能体）学习可以放框架文档、工具调用示例、检索增强资料、评估文章和实验记录。
第三步，让 NotebookLM 先做来源体检。不要一开始就让它“帮我优化”。更稳的第一问是：
请只基于当前来源，列出这些资料分别包含什么信息、哪些资料最关键、哪些资料质量不足。不要先给建议。第四步，再做具体任务。比如提取岗位要求、改写项目经历、解释某个框架概念、整理调试记录。
第五步，把输出反过来沉淀成来源。你可以把确认过的结论、面试复盘、项目决策和学习笔记整理成 Markdown，再加回笔记本。这样 NotebookLM 不只是一次性问答工具，而会变成长期资料库。
一个笔记本一个任务边界
NotebookLM 的质量很大程度取决于来源边界。如果一个笔记本里同时有简历、React 教程、智能体论文、网络代理配置和音频设备笔记，模型检索时就更容易抓到无关材料。
我建议至少拆成这些笔记本：
| 笔记本 | 放入资料 | 主要用途 |
|---|---|---|
| 简历优化 | 简历、岗位描述、项目成果、技能清单 | 匹配岗位、改写经历、准备面试 |
| 目标岗位研究 | 多个目标岗位、公司介绍、招聘页、行业资料 | 分析岗位共性和能力缺口 |
| 项目作品集 | 项目 README、架构说明、截图说明、复盘 | 提炼项目价值和展示文案 |
| vibe coding 学习 | 框架文档、教程、报错日志、代码笔记 | 建立学习路线和调试复盘 |
| AI Agent 学习 | 智能体框架文档、工具调用、检索增强、评估资料 | 搭建知识结构和实验清单 |
边界不是越细越好，而是要让每个笔记本能回答一个清晰问题：我现在想推进什么？
简历制作与优化工作流
简历优化是 NotebookLM 最容易产生实际价值的场景。因为简历不是单纯润色文字，而是把岗位要求、个人经历和项目证据对齐。
我会先准备这些资料：
- 当前简历，可以是 PDF、文档或纯文本。
- 目标岗位描述，最好放 3 到 5 个相近岗位。
- 项目说明，包括背景、目标、技术栈、负责内容、难点、结果。
- 成果草稿，比如节省时间、提升效率、减少错误、完成交付、自动化流程。
- 技能清单，包括工具、框架、行业经验和可证明的作品。
第一轮先让 NotebookLM 提取岗位画像：
请只基于岗位描述，整理一份岗位能力画像。按“硬性要求、加分项、业务关键词、工具或技术、隐含期待”分组。每一项后面标注来自哪份来源。第二轮做简历匹配：
请比较我的简历和岗位能力画像，输出三列：已经明确覆盖、可能覆盖但表达不足、缺少证据。不要虚构经历，只指出可以从现有来源中强化的内容。第三轮改写项目经历。这里要特别注意：NotebookLM 可以帮你表达，但不能替你编造结果。好的提示词应该限制它只能使用来源中的事实。
请基于项目说明和简历原文，改写 3 条适合简历使用的项目经历。每条都用“动作 + 方法 + 结果”的结构。结果只能使用来源中已经出现的事实；如果缺少量化结果，请用【需要补充证据】标出来。第四轮检查关键词和可读性：
请根据岗位描述检查这份简历可能缺少的关键词。只列出与我真实经历有关、可以自然加入的关键词；不要建议加入我没有证据支持的技能。第五轮准备面试：
请基于优化后的简历和岗位描述，生成 12 个面试追问。按“项目细节、技术选择、问题排查、协作沟通、结果验证”分组，并给出每个问题的回答要点。这个流程的核心不是把简历写得更华丽，而是让每一句话都有证据。真正好的简历优化，是让招聘方更快看见你和岗位的连接。
vibe coding 学习工作流
vibe coding 可以理解为借助 AI 快速进入开发状态：一边描述目标，一边让 AI 辅助生成、解释、修改和排查代码。它的优势是启动快，风险是容易只会跟着结果走，不知道为什么可行。
NotebookLM 在这里的角色不是替你写代码，而是帮你把散乱学习材料变成可复盘的知识系统。
建议放入这些来源：
- 框架官方文档和关键页面。
- 项目 README、目录结构说明和实现笔记。
- 教程链接或视频资料。
- 报错信息、终端日志和解决过程。
- 自己每次让 AI 修改代码后的判断记录。
第一步，让它建立概念地图：
请基于当前来源，为这个项目整理一张学习地图。按“必须先理解、边做边学、遇到问题再查”三层分类，并解释每个概念在项目中的作用。第二步，拆解报错和调试记录：
请阅读这些错误日志和解决记录，整理出“错误现象、直接原因、根本原因、排查步骤、以后如何避免”。如果来源里没有根本原因，请明确写“来源不足，无法判断”。第三步，把 AI 生成的代码变成自己的知识：
请基于项目笔记，列出这次 AI 辅助编码中我实际学到的 10 个知识点。每个知识点都要说明：它解决了什么问题、对应的源码或文档来源、我下一次如何独立验证。第四步，做项目复盘：
请把这些项目资料整理成一份复盘，结构为：目标、最终实现、关键决策、踩坑记录、仍不理解的点、下一次要改进的开发流程。这样使用 NotebookLM，vibe coding 就不是“靠感觉让 AI 写完”，而是变成“快速实验 + 及时复盘 + 建立判断力”。代码能跑只是第一步，能解释为什么这样写，才算真正学到。
AI Agent 学习工作流
AI Agent（智能体）学习最容易乱，因为它同时涉及模型、工具调用、工作流、记忆、检索增强、权限、安全、评估和部署。只看碎片文章，很容易觉得每个框架都差不多；真正开始做，又会发现细节完全不同。
我会把智能体学习笔记本拆成四组来源：
- 概念资料：什么是工具调用、规划、反思、记忆、检索增强和多步骤工作流。
- 框架文档：选择 1 到 2 个主框架，不要一开始横跨太多生态。
- 示例项目：能运行的最小示例、工具定义、状态管理和日志。
- 评估资料：如何判断智能体是否真的完成任务，而不是只生成看似合理的回答。
先建立术语表：
请基于当前来源整理 AI Agent 学习术语表。每个术语包含：一句话解释、它解决的问题、常见误解、来源引用。再比较架构：
请比较这些资料中的智能体架构。按“输入、工具、状态或记忆、执行循环、错误处理、评估方式”分列。不要评价没有来源支持的框架能力。然后生成最小实验清单：
请设计 5 个从简单到复杂的智能体学习实验。每个实验都包含：目标、需要的来源、要实现的功能、成功标准、可能失败的地方。最后用抽认卡或测验巩固：
请基于术语表和实验清单生成 20 张学习卡片。问题要考察理解，不要只考定义。答案需要指出对应来源。学习智能体时，NotebookLM 的价值在于帮你防止“概念漂移”。每次看到新框架、新名词、新演示，都可以问：它到底解决了哪一层问题？和我已经学过的工具调用、工作流、记忆、检索增强有什么关系？
高质量提问模板
下面这些模板可以直接复制使用。
简历与岗位匹配
请只基于我上传的简历和岗位描述，输出一份匹配分析。分为：高度匹配、表达不足、缺少证据、不建议强调。每一项都要引用来源，不要编造经历。项目经历改写
请把这个项目经历改写成适合简历的一段描述和 3 条要点。要求突出问题、行动、方法和结果。没有来源支持的量化结果必须用【需要补充】标注。编程概念解释
请用项目中的真实文件或文档来源解释这个概念。先给一句话解释，再说明它在本项目中解决什么问题，最后给一个我可以自己验证的小实验。调试记录归纳
请把这些报错和解决过程整理成调试复盘。结构为：现象、错误假设、实际原因、验证方法、最终修复、下次排查顺序。智能体框架比较
请基于来源比较这些智能体框架或方案。只比较来源中明确提到的内容，按工具调用、状态管理、记忆、工作流、评估和部署复杂度分组。周学习计划
请基于当前来源制定 7 天学习计划。每天包含阅读资料、动手任务、输出物和自测问题。计划要优先服务我的目标，不要平均覆盖所有资料。限制与注意事项
第一，NotebookLM 的回答即使带引用，也需要人工核对。引用能帮助你回到来源，但不等于结论一定正确。
第二，不要无必要上传敏感个人资料。简历里如果包含手机号、住址、证件号、公司内部信息，先脱敏再使用。
第三，简历优化不能虚构。可以改写表达、重组结构、补充证据，但不能把没有做过的事写成做过。
第四，学习路线不是能力证明。NotebookLM 能帮你安排学习顺序，但真正掌握仍然要靠运行项目、解释错误、复现结果和独立输出。
第五，定期拆分笔记本。一个主题越来越大时，宁可拆成多个清晰空间，也不要让一个笔记本承担所有事情。
我的推荐用法
我最推荐的循环是：
- 收集资料：把简历、岗位、文档、教程、日志和笔记放进对应笔记本。
- 提窄问题：不要问“怎么学 AI”，而是问“基于这些来源，我下一步要补哪三个概念”。
- 生成结构：用表格、清单、学习卡片、复盘模板把信息变成可执行内容。
- 真实验证：拿输出去改简历、写代码、跑实验、准备面试。
- 反馈回流：把验证后的结果整理成笔记，再加回笔记本。
NotebookLM 的价值不在于一次性给出完美答案，而在于帮你把资料、问题、输出和复盘串成一个长期系统。对简历来说，它让经历更有证据；对 vibe coding 来说，它让快速实验不至于变成碎片；对 AI Agent 学习来说，它让复杂概念回到清晰结构。