我将 Claude 和 NotebookLM 一起用于研究，并意识到它们解决的是完全不同的问题

研究辅助是我更频繁依赖基于大型语言模型的人工智能平台的一个领域。与其他生成式人工智能的用途相比，使用人工智能聊天机器人来帮助你构建研究结构并识别笔记中的联系产生的紧张感较少，尤其是在学术界。然而，如今我在研究中使用的人工智能工具种类不如以前广泛。

相反，工作流程主要依赖两个解决方案：Claude和NotebookLM。

我跟你坦白：一开始我并不知道这个最佳组合。实际上，我花了一些时间才明白Claude远比ChatGPT更强。即使我一开始就使用这对组合，战略性地使用这两种工具仍然是一个更大的挑战，并且比我预期的需要更多的反复尝试。在这个过程中，我也意识到Claude和NotebookLM是用来以完全不同的方式解决完全不同的问题的。

我以为克洛德什么都能做

为什么我期望一个人工智能能处理所有事情

在使用了短暂的 ChatGPT 之后，我发现了 Claude，并且它很快成为我进行各种研究的首选 AI 工具。与 ChatGPT 和其他工具相比，Claude 展现了更强的写作和推理能力，我很快就把它视为满足我所有研究需求的思考伙伴。事后看来，我更喜欢 Claude 与我的信息互动的方式，尤其是它如何解释所有内容并跟进冗长的讨论线程。

在之后的过程中，我使用Claude完成了各种任务，包括文献综述、课程准备、讲座内容开发以及面向公众的文章结构/大纲设计。因为Claude支持文档和其他类型的草稿粘贴，我的工作流程也很顺畅。然而，不久之后，我注意到回应中有一些情况。

当我向Claude询问它已经知道的问题时，一切都很好。然而，当我为Claude提供资料来源时，回答并不总是最真实的。也就是说，即使我让Claude根据所提供的资料作答，它仍然会包含一些来自资料之外的元素。在研究中，我无法承担混合一般知识或任何无引用的知识的风险。这就是竞争者出现的地方！

然后我引入了NotebookLM作为我的文档守门员

为什么我不再把笔记交给一个 AI

我基本上将 NotebookLM 引入工作流程是出于一个重要原因：来源的忠实性。也就是说，我希望确保我收到的回答仅基于我提供的来源。你可以理解在研究中这有多么重要，尤其是当你为了教学或学术而进行研究时。例如，当我准备学习材料时，我不希望 AI 引用来源之外的材料。

正如你所料，NotebookLM 非常优雅地解决了这个问题。它确保回复是基于我上传的资料——且仅基于这些资料。与 Claude 的有限选项相比，我能够上传到单个 NotebookLM 笔记本的资料数量也令人印象深刻。更重要的是，NotebookLM 允许提出不同的问题集。我可以不问“你怎么认为标准语言？”，而改问“资料中是怎么说标准语言的？”这一步本身就是一个巨大进步。

然而，尽管这些回应是基于来源且真实的，我很快遇到了瓶颈。我意识到 NotebookLM 并不是像使用 Claude 或 ChatGPT 那样可以随意使用的。它不是一个很好的对话者，因此将其用于推理和头脑风暴的效果比我想象的要差。我面临的最大问题是如何将 NotebookLM 的回应置于更广泛的背景中。

顿悟的时刻：他们不是双胞胎

为什么这两个工具从未真正重叠

我花了一些时间才意识到，Claude 和 NotebookLM 并不是用来互相取代的。这两者并不是同一工作的选择，而是完全为不同的工作而设计的。

克劳德作为一个可以依靠的、易于产生共鸣的对话者和研究伙伴，非常接近出色。它作为写作伙伴对我也非常有用，特别是当我提供一堆杂乱的笔记时。我可以自信地使用它来解释复杂的想法，并重写内容以改善语气和可读性。不过，克劳德经常在保持原文精确性方面存在困难。

另一方面，NotebookLM 必须被视为一个能够深入分析你的资料并提供真实回应的引擎。它知道如何仅根据资料来限制回应。当你使用它时，你还可以受益于更清晰的引用和资料的具体部分作为参考。你遇到大型语言模型（LLM）产生幻觉的可能性也更小。然而，NotebookLM 作为对话伙伴的效果并不理想。

这种理解促使我创建了一个由两个人工智能组成的研究流程，而不是依赖单一人工智能。

我个人的双人工智能研究流程

我如何在 Claude 和 NotebookLM 之间分配工作

基于使用 NotebookLM 和 Claude 的经验，我建立了一个适用于研究的双 AI 流程。它的工作方式如下：

我首先将所有相关的资料上传到 NotebookLM，它会处理所有内容。在此之后，我会根据项目向 NotebookLM 询问关键点、摘要和具体问题。例如，我可能会问，“作者在哪里说的这个？”请注意，我不会要求 NotebookLM 直接回答问题或准备完整的文档。
在第二步，我转向Claude，并提供我从NotebookLM获得的上下文。在这里，Claude的任务是将这些相当凌乱、不完整的部分转换为我可以用于特定用途的连贯材料。例如，我可能会要求Claude根据我提供的内容为学生创建学习笔记，或为研究论文创建大纲。
第三步是可选的，但如果你担心真实性，强烈建议执行。一旦我使用Claude准备好一些内容，我会将其回应带回NotebookLM，在那里我会让它根据来源来验证这些声明。这是一种避免潜在幻觉或夸大声明的好方法。

这个流程一直是充分发挥 Claude 和 NotebookLM 优势的有效方式，同时避免单独使用每个工具时可能出现的潜在问题。

当只使用其中一个时，它会咬你

你不需要我告诉你，Claude 和 NotebookLM 本身就是很棒的工具。然而，从研究的角度来看，尤其是关于准确性和真实性的方面，仅使用其中一个可能会带来比你想象中更多的问题。例如，仅使用 Claude，你可以得到写得很好的草稿和互动体验，但你有可能会牺牲来源的真实性。类似地，NotebookLM 在让其回答贴合你的来源方面表现出色，但它生成的草稿并不是那么好。记住这些要点，使用两者的工作流程就非常有意义了！