NotebookLM × Gemini 彻底打通，我找到了 AI 时代知识库的最优解

相信用过 Gemini 的人应该都有体会，它的历史对话管理做得很不好。

侧边栏里虽然能看到所有聊天记录，但既没有分类，关键词搜索也不精准。

想找回上周那段关于某个项目的讨论？只能一条一条往下翻，效率极低。

聊天记录越积越多，有价值的对话就这样被淹没在时间线里。

而就在两天前，Google 发布了一个更新，让这个问题有了一个很好的解决方案——Gemini 和 NotebookLM 正式打通了。

具体来说就是两件事：

第一，你可以在 Gemini 里直接访问所有个人未共享的 NotebookLM 笔记本。

第二，你在 Gemini 里的聊天记录，可以作为来源导入到 NotebookLM 中。

其实去年底，Google 就已经支持在 Gemini 中添加 NotebookLM 笔记本作为上下文来源了。

但当时有一个很明显的缺陷：你在 Gemini 里基于笔记本产生的对话，存不回 NotebookLM。只能单向调用，没有真正打通。

而这一次，双向同步了。

你在 Gemini 里围绕某个笔记本展开的对话，可以手动同步到 NotebookLM，成为这个笔记本的新来源。

反过来，你在 NotebookLM 里新增的资料，也会出现在 Gemini 里。

至此，跟 AI 的对话不再是「阅后即焚」的消耗品，而是可以沉淀、可以复用的知识资产。

当我体验了一整天之后，我发现这次更新的价值，不只是「两个产品之间的打通」。

它让我对一个更大的问题，有了更清晰的答案：在 AI 时代，个人知识库的最优解，到底应该是什么？

知识库，从来不止是一个工具的事

很多人一提到「知识库」，第一反应就是找一个万能工具——最好什么都能干，笔记、文档、任务、日程，全塞进去。

这个思路，我踩过坑。

之前写 Obsidian 专栏时就聊过，我不会把 Obsidian 当成一个「All in One」的万能工具。

工具越纯粹，使用它的心智负担就越小。

同样的道理，知识库的最优解，不应该只是一个工具，而是一套组合。

怎么组合？我觉得只需要想清楚一个分类：

个人知识——你自己的想法、思考、经验、感悟。

外部知识——书籍、文章、视频、课程、研究报告，来自外部的信息。

这两类知识的特点完全不同。

个人知识的核心是「生产」，需要你主动思考、记录、提炼，然后长期积累。

外部知识的核心是「加工」，需要你快速理解、消化、转化，为我所用。

想明白这个分类，工具的选择就清晰了。

个人知识库：Obsidian

关于 Obsidian 的价值，我在之前的文章里聊过很多了，这里只说最核心的两点。

第一，你的数据完完全全属于你。

所有笔记都是你电脑上的 Markdown 文本文件。就算 Obsidian 明天倒闭了，你的笔记依然还在，用任何文本编辑器都能打开。

这种安全感，是任何云端服务给不了的。

第二，它为「连接」而生。

双向链接让你的知识从树状的、孤立的，变成网状的、流动的。每一次记录，都是在加固和扩展你的第二大脑。

我一直很认同一个观点：凡努力必可积累，凡积累必可迭代。

Obsidian 的核心价值就在于「积累」。

每一篇笔记，每一次思考，都像一个个知识砖块。随着时间推移，这些砖块通过双向链接互相连接，最终构建起一座只属于你的知识系统。

这种复利效应，是任何 AI 工具都无法替代的。

外部知识库：NotebookLM + Gemini

接下来聊外部知识。

这一块，正是这次更新最有价值的地方。

在打通之前，NotebookLM 和 Gemini 各有长处，也各有短板。

NotebookLM 擅长「深加工」。

你把一堆资料扔给它，它能帮你生成信息图、思维导图、PPT、播客音频、闪卡测验……几乎把「理解外部信息」这件事做到了极致。

但它有一个明显的局限：它是封闭的。

所有回答都严格基于你上传的资料，不会引用外部信息。这保证了准确性，但也意味着资料不够全面时，回答也会受限。

Gemini 擅长「广连接」。

它可以调用工具、处理多模态内容，模型能力更全面。

但它的问题就是我开头说的——对话管理很弱，历史对话记录容易丢失，有价值话题难以持续跟进。

而这次打通之后，两者的短板互相补齐了。

你可以在 Gemini 里围绕一个笔记本展开对话，Gemini 会基于你的资料来回答（在这里使用，相比 NotebookLM 里使用，模型能力更完整），给出更全面的分析。

更关键的是，这些对话会同步回 NotebookLM，成为笔记本的新来源。

下次打开 NotebookLM，之前在 Gemini 里聊的内容都在，可以继续深加工——生成信息图、导出数据表格、创建闪卡测验，什么都行。

举个实际的例子。

比如我有一个 Harness Engineering 的笔记本。

我是先在 NotebookLM 里通过 DeepResearch 获取相关的信源，一键导入保存至 NotebookLM 里。

然后切换到 Gemini，基于这个笔记本继续深入：让它对比 Prompt Engineering、Context Engineering 演变进程是怎样的。

甚至生成一个架构演进模拟器，来实际感受三者之间的关系。

也能让它帮我起草一份研究报告的大纲，这些在 Gemini 里产生的对话和成果，手动保存至 NotebookLM 笔记本。

回到 NotebookLM 后，基于这些新增的内容，可以生成一份更完整的 PPT，或者做一次自测，看看自己的理解是否到位。

整个过程，两个工具在接力，一个负责内存沉淀与深加工，一个负责广度拓展，中间没有断裂。

写在最后

回顾过去我写的几篇关于 NotebookLM 的文章，会发现一条清晰的脉络。

从最初介绍它的学习功能，到数据表格更新，再到与 Obsidian 的关系讨论，这次 Gemini 和 NotebookLM 的打通，让我对AI 时代的个人知识库的最优解，有了明确的答案。

对内，用 Obsidian 做个人知识的生产和积累。

对外，用 NotebookLM + Gemini 做外部知识的加工和拓展。

工具会不断迭代，功能会越来越强。

但有一件事不会变——你的思考，才是所有知识管理的起点和终点。

需要说明的是，NotebookLM 和 Gemini 都是 Google 的产品，国内使用需要解决网络问题，另外目前这个功能只对付费用户开放。