NotebookLM + Alma：从知识库挖掘答案，我为什么多绕这一道手？

你不再只是「问到一个答案」，而是在搭一条更可靠的知识处理工作流。

兴趣

前几天我在知识星球发了个帖子，原本只是想随手秀两张截图，结果评论区一下子热闹起来 —— 大家的关注点很一致：同一个问题，为什么背后利用的存储检索工具一致，换个入口问，答案就能「详细到离谱」？

图里最关键的信息不是某一句回答，而是整体密度：内容丰富、结构完整、还能带着「认真读过原文」的感觉。也正因为这个效果，我才开始追问：它为什么能做到？

我并不是临时丢几篇文章进去，而是把自己在「玉树芝兰」公众号和知识星球上已发布的文章，统一整理成了一个 NotebookLM 的 Notebook。

这一步很像给自己搭了一个「只回答我写过什么」的围栏，后面问得才踏实。

我没有直接在 NotebookLM 里问，而是把它通过 Claude Skill 的方式接到了 Alma 这种 AI Agent 客户端上。

NotebookLM 负责知识库，Alma 负责对话与调用能力，中间靠 Skill 串起来。

星友们立即兴奋起来。大家迫切想知道「可复现的路径」。

这篇文章，我们把它拆开讲清楚：这套组合到底由哪些部件构成，每个部件做什么，怎么装，怎么用，以及哪里最容易踩坑。

方案

咱们先把这个方案核心思路用一句话说透：把「擅长检索与引用的工具」当作知识库，把「擅长多模型与工具调用的客户端」当作操作台，让它们各司其职。

你可能会问：那为什么不直接在 NotebookLM 里问？原文里给了一个非常直白的对比结论 —— 直接问的效果不如「接到 Alma 里问」丰富。至于原因，我更愿意把它理解成四个字：重器轻用。

NotebookLM 很强，但它的强项偏向「围绕资料回答、并能落到具体出处」；而当你想让模型进一步「动手做事」（比如写代码、预览、跑工具），或者你想自由切换不同模型时，一个更像「工作台」的客户端会更舒服。

所以，这篇文章里你至少会接触到两个工具：NotebookLM 和 Alma；以及一个关键的「连接件」：Claude Skill。

仓库

NotebookLM 我这里不打算展开做百科式介绍。自从 NotebookLM 可以生成播客，我就至少做了 2-3 次视频来介绍它。你可以 点击这里复习。

你可以将 NotebookLM 当成一个很「讲理」的学习工具：你把资料喂进去，它会围绕这些资料回答，并尽可能把回答和原文位置细粒度对齐。

现在，你可以把 NotebookLM 和 Gemini 官方应用无缝连接。

作为样例，我这里放的是自己已经发布过的文章合集。我随手问了一个问题：「我都用 AI 做过哪些游戏？」

Gemini 思考了一会儿，给出了答案。回答很完整。

到这里你可能会更困惑：这种问题，我在 NotebookLM 里可以直接问，为什么还要连接到 Gemini 应用呢？

因为不同应用的能力侧重点不一样。当我不满足于「把答案说清楚」，而是想让它「马上给我一个能用的东西」，NotebookLM 里面不一定好展开，但在模型自己的工作区（比如 Canvas）里就很顺手。

下面这张图的作用是还原我的真实要求：我让它从回答里挑一个足够好玩的游戏，然后「现在就写一个网页版，让我马上能玩」。

你看，它很快选了一个贪吃蛇。

更关键的是，它还能把东西「跑起来」。生成、预览、试玩这件事，在 Gemini Canvas 这种带工作区 / 预览能力的环境里体验非常顺。

所以你会发现，「多绕一道手」并不是为了炫技，而是为了把两件事同时做到：强检索​（来自 NotebookLM）和能动手​（来自更像工作台的 Gemini 客户端 / 模型能力）。

这也就解答了一上来你可能的疑惑：我们为什么要把 NotebookLM 和 Alma 联系起来？

原因如下：

1. 在 Gemini 当中，你只能用到 Google 自家的模型和能力。

2. 而在一个第三方集成的客户端里，你可以把各种模型、各种能力充分地结合起来。

这就像做菜：你已经突破了原有菜系的限制，成了融合菜。

做菜这个比方并不一定恰当，因为很多时候它适应的是不同地区人们的长期固定口味。但从现在大模型发展「你追我赶」的态势来看，将自己长期锁定在某一家提供的模型和工具上，可能并不明智。

技能

要把 NotebookLM 的知识库链接到另一个客户端，你需要一个桥梁。我用的是这个 notebooklm-skill。

它是一个 Claude Skill，把 NotebookLM 和 Claude Code，或者其他支持 Claude Skill 的 AI Agent 连接起来。

安装方式为：