NotebookLM: три приёма, которые поднимут вашу работу с сервисом на новый уровень

Если вы уже работали с NotebookLM, то наверняка знаете, что это один из лучших инструментов для работы с большим объёмом информации, обучения и погружения в незнакомую тему.

Вы загружаете в NotebookLM достаточное количество источников, и он даёт ответы строго на их основании — без выдумываний и галлюцинаций, с качественно проработанной системой цитирования.

Но есть три приёма, которые поднимут ваше взаимодействие с NotebookLM на качественно новый уровень. В этой статье разберу каждый из них на конкретных примерах.

Стандартный сценарий выглядит так. Вы смотрите на YouTube образовательный ролик по своей теме и хотите добавить его в свой блокнот в NotebookLM. Что нужно для этого сделать? Скопировать ссылку → открыть NotebookLM → открыть нужный блокнот → вставить ссылку → подождать загрузку.

Каждый раз, когда мы хотим сохранить интересный ролик или статью, нам приходится проходить через эту цепочку технических действий. Они выбивают из контекста, заставляют переключаться и терять фокус. А часто мы вообще забываем добавить материал — потому что лень повторять весь ритуал.

Решение — расширение для браузера Chrome, которое называется YouTube to NotebookLM. Оно добавляет источники в любой ваш блокнот буквально в один клик.

Установка простая: заходим в Chrome Web Store, ищем расширение по названию, устанавливаем и закрепляем его на панели расширений для быстрого доступа.

Теперь, когда я открываю любой YouTube-ролик, на странице появляется кнопка NotebookLM. При нажатии открывается меню из двух пунктов: создать новый блокнот или добавить ролик в уже существующий. Выбираю нужный блокнот — и ролик добавляется как источник без дополнительных действий с моей стороны.

Аналогичным образом расширение работает и со статьями на сайтах. Открыли понравившийся материал, нажали кнопку расширения, выбрали блокнот — статья ушла в источники.

Подобных расширений существует достаточно много, но я пользуюсь именно этим — оно стабильно работает и с видео, и со статьями.

Второй приём — это изменение встроенных настроек блокнота, которые многие пользователи попросту игнорируют. А очень зря: одна-две правки в стандартных настройках могут кардинально изменить формат ответов модели в рамках конкретного блокнота.

В центральной части интерфейса блокнота есть кнопка «Настроить блокнот». При нажатии на неё открывается меню настроек, которые применяются только к этому конкретному блокноту и никак не влияют на остальные блокноты вашего аккаунта.

Здесь регулируются два параметра.

Первый параметр — цель, стиль общения и роль в разговоре. В разных блокнотах могут стоять совершенно разные задачи. Где-то нужен критик, который проверяет аргументы на прочность. Где-то — методолог, который раскладывает тему по шагам. Где-то — преподаватель, который даёт объяснение с нуля.

Например, когда мне нужно извлечь из корпуса данных конкретные инсайты, лайфхаки и пошаговые алгоритмы, я задаю примерно такую системную инструкцию:

Этот промпт — не истина в последней инстанции. Под разные задачи нужны разные инструкции. Но сам принцип универсален: вы фокусируете модель на нужном формате ответа.

Второй параметр — длина ответа. Если нужно глубокое погружение — выставляем «длиннее». Если короткие выжимки — «короче».\

Один раз настроили блокнот — и все последующие ответы NotebookLM в нём строятся в нужном вам формате. Не нужно каждый раз прописывать роль и стиль в каждом запросе.

Этот приём я считаю самым недооценённым, потому что он решает невидимую проблему.

У NotebookLM есть особенность, которая одновременно является его силой и слабостью: он работает строго по загруженным пользователем источникам. И если в базу попали некачественные материалы, то и ответы будут строиться на их основе. Сервис будет честно отвечать ровно по тому, что вы в него загрузили.

Получается, что эффективность работы с NotebookLM напрямую зависит от качества источников в блокноте. И вопрос этот актуален для совершенно разных сфер — будь то юридические вопросы, бизнес-задачи или обучение.

Поэтому перед использованием любого блокнота имеет смысл проверить и сопоставить качество загруженных в него материалов. Для этого я запускаю в блокноте два запроса.

Запрос №1. Поиск некачественных источников через противоречия.

В основе NotebookLM лежит модель Gemini, которая способна делать сквозной анализ всех загруженных в блокнот материалов — обрабатывать их одновременно и сопоставлять между собой.

Именно эту возможность мы и используем в первом запросе: его задача — заставить NotebookLM пройтись по всем источникам разом и подсветить некачественные материалы через выявление противоречий между ними. Если один источник опирается на действующую редакцию нормы, а другой — на отменённую, NotebookLM это заметит. Если в одном материале сделан один вывод, а в другом — прямо противоположный, противоречие тоже всплывёт. Самостоятельно отследить такие расхождения сложно, особенно когда мы только погружаемся в тему и ещё не знаем её досконально.

Можно использовать такой запрос:

NotebookLM анализирует все загруженные материалы и подсвечивает места, где они конфликтуют между собой: разные позиции по одному вопросу, устаревшие нормы рядом с действующими, противоречащие друг другу выводы. В ответе он сразу даёт ссылки на конкретные источники, чтобы можно было быстро перейти к спорному фрагменту и разобраться.

Это важный момент. Если задать NotebookLM обычный вопрос внутри блокнота, он сам выберет наиболее релевантные источники. Возможно, ответ будет даже достоверным. Но он не покажет, какие именно источники отфильтровал. Сомнительные материалы останутся в блокноте — и при следующих запросах NotebookLM вполне может опереться именно на них. А данный метод позволяет выявить недостоверные источники.

Запрос №2. Поиск пробелов в базе знаний.

Проверка на противоречия — это только половина дела. Есть ещё одна опасность: пробелы в собранной базе. Когда мы погружаемся в новую тему, мы попросту не знаем, что в ней должно быть. Собрали 10, 20, 30 источников — и искренне считаем, что изучили вопрос со всех сторон. А на самом деле могли пропустить целые подразделы, о существовании которых даже не подозревали.

Чтобы выявить такие пробелы, мы и используем второй запрос:

NotebookLM перечисляет подтемы, которые в источниках не раскрыты или раскрыты поверхностно. Это даёт чёткое понимание, чего не хватает в вашей базе знаний и какие материалы стоит догрузить, чтобы тема была проработана полностью.

После этих двух запросов у меня складывается полное представление о собранной базе: я вижу, какие источники конфликтуют и требуют перепроверки, и понимаю, какие темы нужно дополнить другими материалами.

В последнем обновлении NotebookLM появилась небольшая, но очень удобная функция — автоматическая группировка источников по темам. Активируется нажатием соответствующей кнопки в панели источников.

NotebookLM читает все материалы и сам разбивает их на тематические разделы. В моём демонстрационном блокноте он выделил три раздела: «Законодательство», «Инвентаризация» и «Материальная ответственность». Каждый раздел можно открыть и посмотреть, какие источники в него вошли.

Эта функция сильно облегчает ориентирование, когда в блокноте собрано много источников.

Эти три приёма не требуют технических знаний и осваиваются за несколько минут.

Вместе они переводят работу с NotebookLM на качественно новый уровень: вы быстрее добавляете источники, точнее настраиваете ответы и контролируете качество вашей базы знаний.

Практические кейсы применения нейросетей в юридической практике, разборы инструментов и подходов регулярно публикую в моём Telegram-канале «Юристы & Нейросети».