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
436 segments
你现在看到的这份PPT是NotebookLM
用我3万字的笔记一键生成的
如果你平时也会写笔记
做知识产品做课程
你应该能感觉到一个细节
这张图它不只是好看
它是真的在帮我表达我原来的结构
而不是随便贴上一张插图
嘿你好欢迎回到 Axton
我是一个研究型的创作者
主要研究人和AI怎么协作
尤其是怎么把AI放到我们真实的工作流当中
让它在关键的步骤上输出可靠的结果
今天这支视频呢
我们就从这份PPT开始
来聊一下NotebookLM的
Slide Deck演示文稿的功能
顺便聊一个非常看重的问题
我们用AI做PPT的时候
我们的知识资产会不会被悄悄的改坏呢
这就是我一直在提的一个概念
资产保真度Asset Fidelity
刚才说的这份PPT啊
我当时生成完成之后呢
就发了一条推特
我说刚才把我的Claude Skills笔记
喂给NotebookLM新出的Slide Deck功能
效果真是不枉我一开始就看好NotebookLM
没有做任何设置
15页PPT一键直出
那重点是呢
他理解了我的内容
没有用AI生成一张只有漂亮的皮囊
但是毫无意义的假图
而是直接调用了我笔记里的核心架构
来生成这张Skills群岛图
精准的图文匹配
标题还有副标题跟图片和笔记内容的关联度100%
结果很巧负责NotebookLM的Google Labs的产品总监Simon呢
就在这条推特上面点赞
还回了一句看起来很棒
那我就顺便回了一句
对我来说呢
NotebookLM真正的杀手级的功能就是资产保真度
因为NotebookLM呢
他尊重了我的原始的架构
并且呢
很好的使用图片表达了出来
后来NotebookLM的产品经理Biao又到我的原推下面回复
说感谢如果有任何反馈或者功能的需求
欢迎发给我
那这两条其实也正好能说明
NotebookLM呢
他现在已经很好用
但是呢
理想的形态还有一点距离
这个我们可以放在后面讲
那这段小插曲它的重点是NotebookLM
它并不是随便的给你弄几张看起来还不错的图
而是真正的用图来表达你原来的结构
这就是我说的Asset Fidelity的一部分
那Asset Fidelity它到底是什么呢
我自己给的一个定义啊
是当一个AI工具在帮你生成内容
PPT也好
讲稿也好
思维导图也好
它有没有忠实的保留你原始知识资产里面的结构和逻辑
其实我们现在已经见过很多的AI PPT工具啊
一键生成十几页几十页的PPT
颜色很漂亮
图标很多
但是你仔细看呢
会发现标题可能是模板的一些句式
换了几个关键词而已
图片呢
它是通用的插画
删掉图片完全不影响你对它的内容的理解
有时候它可能会帮你自动总结出一堆
你从来没有说过的观点
那这些在我看来它就是炫酷的假图加逻辑的污染
当然我不是反对好看的东西
我自己也会用AI来做漂亮的图片
但前提是我们的逻辑和结构要先对表现才会有意义
尤其是对做知识产品的人来说
对很多认真学习的人来说
Slides PPT如果只是好看
但逻辑是错的
结构是乱的
那最好的情况是浪费了你的注意力
更糟糕的是呢
你会学到一些假知识
这就是为什么我在推特上会用Asset Fidelity
资产保真度这个词
NotebookLM对我最大的吸引力呢
不是它那一键生成几页幻灯片
而是在这个使用场景里边
在我喂给它的是干净结构化的笔记的前提下
它的表现层呢
尽量的尊重了我的原始结构
什么叫做原始架构呢
原始架构就是类似于这一份的28000多字的Claude Skills的笔记
那对我来说呢
原始架构的背后
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
这是我研究任何一个主题都会采用的流程啊
这个4R呢就是四个步骤
Research, Reflect, Run和Refine
好先说这个Research深度研究啊
每次我研究一个新的主题呢
比如这次的Claude Skills
那我都会先用ChatGPT的Deep Research做一轮主题研究
看看现在网上都有哪些的信息源
有哪些的争议点
然后呢我会把注意力集中在这些一手的资料上面
尤其是官方的文档和原始的技术博客
在这个阶段啊
我通常不会去看别人帮你总结好了二三手的内容
而是要先搞清楚
原厂到底是怎么设计的
怎么描述这件事情的
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
那第二步呢就是Reflect
也就是多模型的概念的拆解
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
我不会只在脑子里去想这个词大概是啥意思
我会同时把这个概念呢跟至少两个模型
比如ChatGPT和Claude或者ChatGPT和Gemini
跟两个模型同时去聊这同一个问题
举个例子
那把原始的资料丢给AI一键生成PPT
和先由人整理成结构化笔记
再让AI根据笔记生成PPT
那从资产保真度的角度各有什么优缺点呢
那不同的模型它可能就会有一些不同的一些见解
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
变成这支视频里给到你的那条判断
那先整理笔记再生成PPT
从资产保真度的角度来说是更可靠的
那第三步是Run
也就是我们把手弄脏的实战环节
因为你光看文档光跟AI聊聊天的还是远远不够
所以呢今年我也就特地每个月花100美元订阅了Claude Max
在真实的任务里面呢去跑各种Skills的组合
我们去看它在这个项目里面是怎么被加载
怎么被调用
在什么场景下容易去踩坑
甚至呢我会故意去设计一些极端的用例去测试它的边界
那只有我们在这种把手弄脏的状态下呢
你才会对一个系统对一个AI有真实的体感
最后一步呢是Refine结构化的沉淀了
也就是我们把所有前面的东西沉淀成结构化的笔记
其实我们等到Research Reflect和Run这三步走完呢
我的桌面上就会有几类东西了
官方文档啊
Deep Research的摘要啊
多模型对话的要点
还有Claude Max的一些运行记录和踩坑的笔记
那这个时候呢
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
来把这些材料全部给综合起来
收敛成几份清晰的笔记
最后会凝结成我现在这份接近三万字的Claude Skills的笔记
那走完这四步呢
我才会觉得OK
这个主题我大概有资格拿出来讲了
而且讲的时候呢
不是在瞎编
也不是仅仅在翻译官方的文档
而是有来源
有实验
有结构沉淀的
所以最终形成的
在我的三万字的笔记里面
有各种概念之间的关系
常用的架构
还有一堆我自己的踩坑记录设计原则
那这些东西对我来说
它就不是随时可以删掉的一些草稿了
它是未来我做Claude Skills直播的大纲
写课程写长文章
会反复应用的知识节点
那它呢也会成为我的MAPS体系里面
一整块的Agent Skills工作流的基础
换句话说
这样的一份笔记就是知识资产
有了这个前提
你就会明白
任何一个工具在帮我做Claude Skills的PPT的时候
我最在意的不是它画的好不好看
而是它有没有忠实地表达出我的这套架构
因为标题可以润色
图可以更漂亮
但是你的结构和逻辑不能乱
这就是我所看中的资产保真度
Asset Fidelity
我们可以用两张Slides来具体的对比看一下
这张呢
是我用某一个主流的AI PPT工具生成的一页
标题是核心框架
两种抽象层次
左边是文字
能力层Skills
编排层Skills
这个文字是准确的
因为它来自于我的输入内容
而右边这个图片呢
是一块立方体
堆在一起的配图
配了一些箭头
那看上去还比较现代化
有科技感
但问题就在于
如果我把这块图抹掉
那么读者对于两个抽象层次的Skills的理解
几乎不会受到任何影响
也就是说
这张图本质上呢
就是为了让我这个PPT看起来不那么空
它是一种装饰而不是表达结构的
好
再看第二张PPT
这是NotebookLM来生成的
讲的同样是软编排型的Skill
那上游是一份字幕文件
然后中间是四个阶段
Stage四个阶段
每个阶段是一道闸门
然后呢
左下角会有一个Skill
它像控制台一样
上面写着这个Skill的目的
是用来定义一个SOP
然后每一个阶段
每一个Stage的边上呢
它都会有输出文件
这个画面
它就不是随便找一张河流和水坝的图
来凑上来凑数了
它是直接把我笔记里边的四个阶段的流水线
用河流闸门控制台加中间文件的方式
完整地表达出来
画出来
那这张图你要是把它删掉
观众对整个srt-workflow这个工作流的直观的理解
就会差很多了
反过来
这张图哪怕是不加文字
那么很多人看也大概能猜出
这是一个流水线加多个阶段的结构
这就是两个工具的对比
我们在第一个PPT的工具里面
图它是好看一点的背景
而在NotebookLM里面呢
图它是结构的一部分
所以这对做知识产品的人来说是非常关键的
因为我们希望图不是为了好看
是为了帮助读者来更直观的理解框架
好
那么NotebookLM
它在我的工作流里边是在哪一段呢
前边那一段呢
我是用4R知识打磨法讲了一遍
我是怎么从0走到3万字的Claude Skills笔记的
先Research
看一手资料和Deep Research
然后再Reflect
用两个以上的大模型
把关键概念拆开聊一遍
然后再Run
在Claude Max里面
真刀真枪的跑各种Skills的组合
最后Refine
把所有的这些东西沉淀成结构化的笔记
变成一份可复用的知识资产
如果现在换一个视角
我们用MAPS这个罗盘来回头看我们的这条链路啊
其实也能看出四个维度
它各自的角色了
在这个案例里面
M也就是心智层
对我来说
它就体现在
一开始我们就要决定
用一种原厂优先的心态来研究这个主题
而不是看几篇
二手总结就开讲
接下来
Architecture架构层呢
它就体现为我们通过Research和Reflect
把Claude Skills在整个Agent生态里面的位置啊
抽象层次啊
分工关系
画清楚
在提示词层呢
它体现在我们在Run的过程当中
你需要不断的去调整提示词
还包括Skills的描述啊
触发条件
去观察模型在真实场景下的行为
那系统层的体现呢
就是我们要把这些理解
变成长期可复用的系统资产
比如我的笔记
关键的工作流的流程图
以及我在做直播过程当中
用到的各种Slides
各种PPT
所以在我的整个工作流程当中呢
NotebookLM的演示文稿的功能啊
很明显
它是处在Systems系统层这一层
它不负责帮我查资料
也不替我设计Claude Skills的架构
更不会帮我做Prompt
它接手的就是
我已经打磨好的
那个结构化的笔记
在不大幅破坏结构的前提下呢
帮我生成一份可以讲
可以演示的PPT的初稿
所以从我们整个的MAPS的视角来看呢
NotebookLM
它就是一个表现节点
它的任务
就是用来放大我们
已经打磨好的知识资产
而不是帮你去做一整套的思考
OK
我们再来集中讲一下
NotebookLM的现在的优点和限制
它的优点呢
就是在你已经有结构化笔记的前提之下呢
它的Slide Deck
它的演示文稿的功能呢
是一个非常顺手的PPT的起稿的工具
在资产保真度方面
它比我试过的很多的AI PPT的工具呢
都要靠谱一些
它的图不仅仅是装饰
而是用来可以表达你的结构
所以对知识工作者
课程创作者
和严肃的学习者来说呢
它就非常适合用来做逻辑优先的一些
PPT、幻灯片
抽认卡呀
或者一些学习和演示资料
但是这仍然是相对更好啊
不是绝对不会出错
因为它毕竟是AI嘛
毕竟是AI生成的
所以它会存在幻觉
最终的审核
最终的事实核查
还是需要人来做
当然它也有一些短板
那这个呢
我在推特上跟他们的产品经理Biao回复的
就是两条我认为很实际的一个需求
第一个就是Source的结构化管理
现在一个NotebookLM
它的Source
它的来源呢
全部都平铺在这一块
其实对重度用户来说很不友好
它的Source目前可以支持300份
那当我们有几十份文档上百个来源的时候
那这些来源
它们的重要程度不同
承担的角色也不同
但是在NotebookLM呢
它们全都挤在一块
很难分区管理
所以如果NotebookLM
想成为一个长期的知识库呢
这点是绕不开的
就是至少你要有Folder
有文件夹
或者有标签
来对它们进行分组和过滤
那第二点呢
就是它的底层模型的选择权啊
现在还不能选最新的模型
Gemini 3 Pro
这也是我一直没有把NotebookLM
当作主力知识库的原因
因为在我们复杂的逻辑和归纳
这种多元信息综合的场景里边呢
你会明显感觉
更高级别的推理模型
和一个小规模的模型
它还是有差距的
所以当时我就说
希望能开放模型的选择权
比如切换到最新的Gemini 3 Pro
好在前一阵看到有人在推特上剧透
说很有可能
很快这一项功能就可以实现了
如果这两点在未来能补上呢
那我觉得NotebookLM
它会从一个现在还很好用的工具
升级成一个真正强悍的知识库
好
我们来总结一下今天这支视频
首先NotebookLM的演示文稿的功能
在你已经有结构化笔记的前提下
它是一个很好用的PPT的起稿工具
第二
它的真正的价值不在于一键出炫酷的PPT
而是它在表现层的尽量尊重我们的原始架构
在一定程度上提升了资产保真度
那第三
真正决定我们资产保真度的
还是你前面有没有做足4R知识打磨
把主题研究透
把概念拆解清楚
实战跑过一遍
最后沉淀成自己的知识资产
那NotebookLM它在我们的MAPS体系里面呢
只是一个系统层的一个表现节点
它负责把这些资产呢
变成我们可以讲可以分享的东西
它不是替你思考的那个
也就是说真正决定我们AI用的是不是比较乱
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
NotebookLM或者其他的任何的工具
它只是你的整个链路上的一个环节
它并不是一个整套的答案
好
今天的分享就到这里
如果你觉得本期视频对你有所帮助
请帮我点赞评论
订阅我的频道
并且打开小铃铛
咱们下期再见
Ask follow-up questions or revisit key timestamps.
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.
Videos recently processed by our community