HomeVideos

我用 3 万字 Claude Skills 笔记测试 NotebookLM Slide Deck:结果在「资产保真度」上有点惊喜 | 回到Axton

Now Playing

我用 3 万字 Claude Skills 笔记测试 NotebookLM Slide Deck:结果在「资产保真度」上有点惊喜 | 回到Axton

Transcript

436 segments

0:00

你现在看到的这份PPT是NotebookLM

0:03

用我3万字的笔记一键生成的

0:06

如果你平时也会写笔记

0:08

做知识产品做课程

0:09

你应该能感觉到一个细节

0:11

这张图它不只是好看

0:13

它是真的在帮我表达我原来的结构

0:17

而不是随便贴上一张插图

0:19

嘿你好欢迎回到 Axton

0:21

我是一个研究型的创作者

0:23

主要研究人和AI怎么协作

0:25

尤其是怎么把AI放到我们真实的工作流当中

0:29

让它在关键的步骤上输出可靠的结果

0:33

今天这支视频呢

0:34

我们就从这份PPT开始

0:36

来聊一下NotebookLM的

0:38

Slide Deck演示文稿的功能

0:40

顺便聊一个非常看重的问题

0:42

我们用AI做PPT的时候

0:45

我们的知识资产会不会被悄悄的改坏呢

0:48

这就是我一直在提的一个概念

0:50

资产保真度Asset Fidelity

0:52

刚才说的这份PPT啊

0:55

我当时生成完成之后呢

0:56

就发了一条推特

0:58

我说刚才把我的Claude Skills笔记

1:01

喂给NotebookLM新出的Slide Deck功能

1:04

效果真是不枉我一开始就看好NotebookLM

1:07

没有做任何设置

1:09

15页PPT一键直出

1:11

那重点是呢

1:12

他理解了我的内容

1:14

没有用AI生成一张只有漂亮的皮囊

1:17

但是毫无意义的假图

1:19

而是直接调用了我笔记里的核心架构

1:22

来生成这张Skills群岛图

1:24

精准的图文匹配

1:26

标题还有副标题跟图片和笔记内容的关联度100%

1:30

结果很巧负责NotebookLM的Google Labs的产品总监Simon呢

1:35

就在这条推特上面点赞

1:37

还回了一句看起来很棒

1:38

那我就顺便回了一句

1:40

对我来说呢

1:42

NotebookLM真正的杀手级的功能就是资产保真度

1:46

因为NotebookLM呢

1:49

他尊重了我的原始的架构

1:50

并且呢

1:51

很好的使用图片表达了出来

1:53

后来NotebookLM的产品经理Biao又到我的原推下面回复

1:57

说感谢如果有任何反馈或者功能的需求

2:01

欢迎发给我

2:02

那这两条其实也正好能说明

2:04

NotebookLM呢

2:06

他现在已经很好用

2:07

但是呢

2:08

理想的形态还有一点距离

2:10

这个我们可以放在后面讲

2:12

那这段小插曲它的重点是NotebookLM

2:16

它并不是随便的给你弄几张看起来还不错的图

2:19

而是真正的用图来表达你原来的结构

2:23

这就是我说的Asset Fidelity的一部分

2:26

那Asset Fidelity它到底是什么呢

2:29

我自己给的一个定义啊

2:31

是当一个AI工具在帮你生成内容

2:34

PPT也好

2:35

讲稿也好

2:36

思维导图也好

2:37

它有没有忠实的保留你原始知识资产里面的结构和逻辑

2:41

其实我们现在已经见过很多的AI PPT工具啊

2:45

一键生成十几页几十页的PPT

2:48

颜色很漂亮

2:50

图标很多

2:50

但是你仔细看呢

2:52

会发现标题可能是模板的一些句式

2:55

换了几个关键词而已

2:56

图片呢

2:58

它是通用的插画

2:59

删掉图片完全不影响你对它的内容的理解

3:03

有时候它可能会帮你自动总结出一堆

3:06

你从来没有说过的观点

3:08

那这些在我看来它就是炫酷的假图加逻辑的污染

3:13

当然我不是反对好看的东西

3:15

我自己也会用AI来做漂亮的图片

3:18

但前提是我们的逻辑和结构要先对表现才会有意义

3:24

尤其是对做知识产品的人来说

3:26

对很多认真学习的人来说

3:29

Slides PPT如果只是好看

3:31

但逻辑是错的

3:32

结构是乱的

3:33

那最好的情况是浪费了你的注意力

3:36

更糟糕的是呢

3:37

你会学到一些假知识

3:38

这就是为什么我在推特上会用Asset Fidelity

3:42

资产保真度这个词

3:43

NotebookLM对我最大的吸引力呢

3:46

不是它那一键生成几页幻灯片

3:49

而是在这个使用场景里边

3:52

在我喂给它的是干净结构化的笔记的前提下

3:56

它的表现层呢

3:57

尽量的尊重了我的原始结构

3:59

什么叫做原始架构呢

4:01

原始架构就是类似于这一份的28000多字的Claude Skills的笔记

4:07

那对我来说呢

4:08

原始架构的背后

4:10

通常意味着我已经至少走过了一轮我自己的4R知识打磨法

4:15

这是我研究任何一个主题都会采用的流程啊

4:19

这个4R呢就是四个步骤

4:21

Research, Reflect, Run和Refine

4:24

好先说这个Research深度研究啊

4:27

每次我研究一个新的主题呢

4:29

比如这次的Claude Skills

4:31

那我都会先用ChatGPT的Deep Research做一轮主题研究

4:36

看看现在网上都有哪些的信息源

4:39

有哪些的争议点

4:40

然后呢我会把注意力集中在这些一手的资料上面

4:44

尤其是官方的文档和原始的技术博客

4:48

在这个阶段啊

4:50

我通常不会去看别人帮你总结好了二三手的内容

4:53

而是要先搞清楚

4:55

原厂到底是怎么设计的

4:58

怎么描述这件事情的

5:00

那这一步呢是为了建立一个尽量不被二手观点污染的原始的图景

5:06

那第二步呢就是Reflect

5:08

也就是多模型的概念的拆解

5:11

比如我们拿这次视频当中反复提到的Asset Fidelity这个概念来举例

5:17

我不会只在脑子里去想这个词大概是啥意思

5:20

我会同时把这个概念呢跟至少两个模型

5:24

比如ChatGPT和Claude或者ChatGPT和Gemini

5:28

跟两个模型同时去聊这同一个问题

5:31

举个例子

5:32

那把原始的资料丢给AI一键生成PPT

5:35

和先由人整理成结构化笔记

5:37

再让AI根据笔记生成PPT

5:40

那从资产保真度的角度各有什么优缺点呢

5:43

那不同的模型它可能就会有一些不同的一些见解

5:47

那最后呢我会把不同的模型的输出和我自己的经验结合起来

5:52

变成这支视频里给到你的那条判断

5:56

那先整理笔记再生成PPT

5:58

从资产保真度的角度来说是更可靠的

6:02

那第三步是Run

6:03

也就是我们把手弄脏的实战环节

6:05

因为你光看文档光跟AI聊聊天的还是远远不够

6:09

所以呢今年我也就特地每个月花100美元订阅了Claude Max

6:15

在真实的任务里面呢去跑各种Skills的组合

6:20

我们去看它在这个项目里面是怎么被加载

6:23

怎么被调用

6:24

在什么场景下容易去踩坑

6:27

甚至呢我会故意去设计一些极端的用例去测试它的边界

6:32

那只有我们在这种把手弄脏的状态下呢

6:35

你才会对一个系统对一个AI有真实的体感

6:39

最后一步呢是Refine结构化的沉淀了

6:43

也就是我们把所有前面的东西沉淀成结构化的笔记

6:46

其实我们等到Research Reflect和Run这三步走完呢

6:51

我的桌面上就会有几类东西了

6:53

官方文档啊

6:54

Deep Research的摘要啊

6:56

多模型对话的要点

6:57

还有Claude Max的一些运行记录和踩坑的笔记

7:00

那这个时候呢

7:02

我就会用给大家之前分享过的这个整理笔记的技能这个Skill

7:07

来把这些材料全部给综合起来

7:11

收敛成几份清晰的笔记

7:13

最后会凝结成我现在这份接近三万字的Claude Skills的笔记

7:19

那走完这四步呢

7:21

我才会觉得OK

7:22

这个主题我大概有资格拿出来讲了

7:25

而且讲的时候呢

7:26

不是在瞎编

7:27

也不是仅仅在翻译官方的文档

7:29

而是有来源

7:30

有实验

7:31

有结构沉淀的

7:32

所以最终形成的

7:34

在我的三万字的笔记里面

7:36

有各种概念之间的关系

7:38

常用的架构

7:39

还有一堆我自己的踩坑记录设计原则

7:41

那这些东西对我来说

7:43

它就不是随时可以删掉的一些草稿了

7:46

它是未来我做Claude Skills直播的大纲

7:49

写课程写长文章

7:51

会反复应用的知识节点

7:52

那它呢也会成为我的MAPS体系里面

7:55

一整块的Agent Skills工作流的基础

7:57

换句话说

7:59

这样的一份笔记就是知识资产

8:01

有了这个前提

8:03

你就会明白

8:04

任何一个工具在帮我做Claude Skills的PPT的时候

8:07

我最在意的不是它画的好不好看

8:10

而是它有没有忠实地表达出我的这套架构

8:13

因为标题可以润色

8:15

图可以更漂亮

8:16

但是你的结构和逻辑不能乱

8:19

这就是我所看中的资产保真度

8:22

Asset Fidelity

8:23

我们可以用两张Slides来具体的对比看一下

8:26

这张呢

8:27

是我用某一个主流的AI PPT工具生成的一页

8:31

标题是核心框架

8:33

两种抽象层次

8:34

左边是文字

8:35

能力层Skills

8:36

编排层Skills

8:39

这个文字是准确的

8:40

因为它来自于我的输入内容

8:42

而右边这个图片呢

8:44

是一块立方体

8:45

堆在一起的配图

8:47

配了一些箭头

8:49

那看上去还比较现代化

8:51

有科技感

8:52

但问题就在于

8:54

如果我把这块图抹掉

8:56

那么读者对于两个抽象层次的Skills的理解

9:00

几乎不会受到任何影响

9:02

也就是说

9:03

这张图本质上呢

9:05

就是为了让我这个PPT看起来不那么空

9:07

它是一种装饰而不是表达结构的

9:11

9:11

再看第二张PPT

9:13

这是NotebookLM来生成的

9:15

讲的同样是软编排型的Skill

9:17

那上游是一份字幕文件

9:20

然后中间是四个阶段

9:22

Stage四个阶段

9:23

每个阶段是一道闸门

9:25

然后呢

9:26

左下角会有一个Skill

9:28

它像控制台一样

9:29

上面写着这个Skill的目的

9:32

是用来定义一个SOP

9:34

然后每一个阶段

9:36

每一个Stage的边上呢

9:37

它都会有输出文件

9:38

这个画面

9:40

它就不是随便找一张河流和水坝的图

9:43

来凑上来凑数了

9:45

它是直接把我笔记里边的四个阶段的流水线

9:49

用河流闸门控制台加中间文件的方式

9:52

完整地表达出来

9:54

画出来

9:54

那这张图你要是把它删掉

9:57

观众对整个srt-workflow这个工作流的直观的理解

10:02

就会差很多了

10:03

反过来

10:04

这张图哪怕是不加文字

10:06

那么很多人看也大概能猜出

10:08

这是一个流水线加多个阶段的结构

10:12

这就是两个工具的对比

10:15

我们在第一个PPT的工具里面

10:17

图它是好看一点的背景

10:19

而在NotebookLM里面呢

10:21

图它是结构的一部分

10:23

所以这对做知识产品的人来说是非常关键的

10:27

因为我们希望图不是为了好看

10:29

是为了帮助读者来更直观的理解框架

10:32

10:33

那么NotebookLM

10:35

它在我的工作流里边是在哪一段呢

10:38

前边那一段呢

10:39

我是用4R知识打磨法讲了一遍

10:41

我是怎么从0走到3万字的Claude Skills笔记的

10:46

先Research

10:47

看一手资料和Deep Research

10:49

然后再Reflect

10:50

用两个以上的大模型

10:52

把关键概念拆开聊一遍

10:54

然后再Run

10:55

在Claude Max里面

10:57

真刀真枪的跑各种Skills的组合

10:59

最后Refine

11:00

把所有的这些东西沉淀成结构化的笔记

11:04

变成一份可复用的知识资产

11:06

如果现在换一个视角

11:08

我们用MAPS这个罗盘来回头看我们的这条链路啊

11:12

其实也能看出四个维度

11:14

它各自的角色了

11:16

在这个案例里面

11:17

M也就是心智层

11:19

对我来说

11:20

它就体现在

11:21

一开始我们就要决定

11:23

用一种原厂优先的心态来研究这个主题

11:26

而不是看几篇

11:27

二手总结就开讲

11:29

接下来

11:30

Architecture架构层呢

11:31

它就体现为我们通过Research和Reflect

11:35

把Claude Skills在整个Agent生态里面的位置啊

11:39

抽象层次啊

11:40

分工关系

11:40

画清楚

11:41

在提示词层呢

11:43

它体现在我们在Run的过程当中

11:46

你需要不断的去调整提示词

11:48

还包括Skills的描述啊

11:50

触发条件

11:51

去观察模型在真实场景下的行为

11:54

那系统层的体现呢

11:56

就是我们要把这些理解

11:57

变成长期可复用的系统资产

11:59

比如我的笔记

12:00

关键的工作流的流程图

12:03

以及我在做直播过程当中

12:05

用到的各种Slides

12:07

各种PPT

12:08

所以在我的整个工作流程当中呢

12:10

NotebookLM的演示文稿的功能啊

12:13

很明显

12:14

它是处在Systems系统层这一层

12:17

它不负责帮我查资料

12:19

也不替我设计Claude Skills的架构

12:22

更不会帮我做Prompt

12:23

它接手的就是

12:24

我已经打磨好的

12:26

那个结构化的笔记

12:27

在不大幅破坏结构的前提下呢

12:30

帮我生成一份可以讲

12:32

可以演示的PPT的初稿

12:33

所以从我们整个的MAPS的视角来看呢

12:37

NotebookLM

12:38

它就是一个表现节点

12:40

它的任务

12:41

就是用来放大我们

12:42

已经打磨好的知识资产

12:45

而不是帮你去做一整套的思考

12:48

OK

12:49

我们再来集中讲一下

12:50

NotebookLM的现在的优点和限制

12:52

它的优点呢

12:54

就是在你已经有结构化笔记的前提之下呢

12:57

它的Slide Deck

12:59

它的演示文稿的功能呢

13:00

是一个非常顺手的PPT的起稿的工具

13:03

在资产保真度方面

13:05

它比我试过的很多的AI PPT的工具呢

13:08

都要靠谱一些

13:09

它的图不仅仅是装饰

13:11

而是用来可以表达你的结构

13:13

所以对知识工作者

13:15

课程创作者

13:16

和严肃的学习者来说呢

13:18

它就非常适合用来做逻辑优先的一些

13:21

PPT、幻灯片

13:22

抽认卡呀

13:23

或者一些学习和演示资料

13:25

但是这仍然是相对更好啊

13:28

不是绝对不会出错

13:29

因为它毕竟是AI嘛

13:31

毕竟是AI生成的

13:32

所以它会存在幻觉

13:35

最终的审核

13:36

最终的事实核查

13:37

还是需要人来做

13:38

当然它也有一些短板

13:40

那这个呢

13:41

我在推特上跟他们的产品经理Biao回复的

13:44

就是两条我认为很实际的一个需求

13:46

第一个就是Source的结构化管理

13:49

现在一个NotebookLM

13:51

它的Source

13:52

它的来源呢

13:53

全部都平铺在这一块

13:55

其实对重度用户来说很不友好

13:58

它的Source目前可以支持300份

14:00

那当我们有几十份文档上百个来源的时候

14:03

那这些来源

14:04

它们的重要程度不同

14:06

承担的角色也不同

14:07

但是在NotebookLM呢

14:09

它们全都挤在一块

14:11

很难分区管理

14:12

所以如果NotebookLM

14:14

想成为一个长期的知识库呢

14:16

这点是绕不开的

14:18

就是至少你要有Folder

14:20

有文件夹

14:21

或者有标签

14:22

来对它们进行分组和过滤

14:24

那第二点呢

14:26

就是它的底层模型的选择权啊

14:28

现在还不能选最新的模型

14:31

Gemini 3 Pro

14:32

这也是我一直没有把NotebookLM

14:34

当作主力知识库的原因

14:36

因为在我们复杂的逻辑和归纳

14:39

这种多元信息综合的场景里边呢

14:42

你会明显感觉

14:43

更高级别的推理模型

14:45

和一个小规模的模型

14:47

它还是有差距的

14:49

所以当时我就说

14:50

希望能开放模型的选择权

14:53

比如切换到最新的Gemini 3 Pro

14:55

好在前一阵看到有人在推特上剧透

14:58

说很有可能

14:59

很快这一项功能就可以实现了

15:02

如果这两点在未来能补上呢

15:04

那我觉得NotebookLM

15:05

它会从一个现在还很好用的工具

15:08

升级成一个真正强悍的知识库

15:12

15:13

我们来总结一下今天这支视频

15:15

首先NotebookLM的演示文稿的功能

15:20

在你已经有结构化笔记的前提下

15:22

它是一个很好用的PPT的起稿工具

15:25

第二

15:26

它的真正的价值不在于一键出炫酷的PPT

15:29

而是它在表现层的尽量尊重我们的原始架构

15:33

在一定程度上提升了资产保真度

15:36

那第三

15:37

真正决定我们资产保真度的

15:40

还是你前面有没有做足4R知识打磨

15:43

把主题研究透

15:45

把概念拆解清楚

15:47

实战跑过一遍

15:48

最后沉淀成自己的知识资产

15:51

那NotebookLM它在我们的MAPS体系里面呢

15:54

只是一个系统层的一个表现节点

15:57

它负责把这些资产呢

15:59

变成我们可以讲可以分享的东西

16:02

它不是替你思考的那个

16:04

也就是说真正决定我们AI用的是不是比较乱

16:07

关键在于我们之前有没有一套像4R或者MAPS这样的工作流设计

16:13

NotebookLM或者其他的任何的工具

16:16

它只是你的整个链路上的一个环节

16:19

它并不是一个整套的答案

16:21

16:21

今天的分享就到这里

16:23

如果你觉得本期视频对你有所帮助

16:25

请帮我点赞评论

16:26

订阅我的频道

16:27

并且打开小铃铛

16:28

咱们下期再见

Interactive Summary

This video discusses the functionality of NotebookLM's Slide Deck feature, emphasizing the concept of "Asset Fidelity." The speaker, a research-oriented creator focused on human-AI collaboration, explains that while many AI tools can generate visually appealing presentations, they often lack the structural integrity and logical coherence derived from the user's original content. NotebookLM, in contrast, aims to preserve this "Asset Fidelity" by respecting the user's foundational structure and effectively using visuals to represent it. The speaker details a personal 4R methodology (Research, Reflect, Run, Refine) for knowledge creation, highlighting how NotebookLM fits into this workflow as a presentation layer that helps users showcase their structured knowledge. The video contrasts NotebookLM's approach with other AI tools, emphasizing that NotebookLM's strength lies in its ability to represent existing, structured information rather than generating novel content from scratch. Limitations of NotebookLM are also touched upon, such as the current inability to select the latest models and the management of diverse sources. However, the speaker concludes that with improvements in these areas, NotebookLM has the potential to evolve from a useful tool into a robust knowledge base.

Suggested questions

5 ready-made prompts