神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：别再等AI喂给你知识了。关键中的关键是，你得先教会AI“如何教你”。文章来自编译。
顺便分享一些我用来定制化学习的实用提示词。
我本想用 LangChain 为我的newsletter写个具备 RAG（检索增强生成）功能的专属 AI 智能体聊天机器人的。
但问题是，我完全不知道从何下手。
每一篇教程都默认我已经懂了向量数据库、嵌入（embeddings）和检索管道。那些文档是写给把 Python 玩得滚瓜烂熟的开发者的。Stack Overflow 上的帖子动辄“分块策略”和“相似性搜索”这样的术语，好像人人都该懂似的。
我就卡在那种“一知半解，离真正有用还差得远”的尴尬境地。我理解 ChatGPT 和 Claude。我也用 Make.com、Zapier、n8n、Relay 这些工具写过过自动化流程，感觉已经颇为高级了。
但 LangChain 呢？
用代码开发真正的 AI 智能体？
这感觉就像只看了几个 YouTube 视频，就被人推上手术台去做外科手术一样。
零代码自动化和真正的 AI 智能体开发之间的鸿沟，感觉宽得令人绝望。我无法理解。
然后我想起了那个曾改变过我学习方式的工具。
六个月前，我曾写过一篇关于 NotebookLM 的文章。那篇文章成了我迄今为止最火的一篇——读者显然对“将 AI 变成个性化学习系统，而不只是又一个研究工具”这个想法产生了共鸣。
但我没想到的是：NotebookLM 它自己也在不断进化。
就在我专注于开发 AI 自动化工作流、探索新的 AI 工具的时候，NotebookLM 悄悄地增加了一些功能，彻底改变了可能性。我们说的不是小修小补——而是一种能让你根据自己所处的学习阶段，来定制 AI 如何教你的能力。
而当你试图跨越从零代码到实际开发智能体的鸿沟时，这一点改变了一切。
所以，当我在用 LangChain 和 RAG 系统构建 AI 智能体上碰壁时，我又回到了 NotebookLM。但这一次，我不再只是上传信源然后提问，而是构建了一个完整的学习生态系统，这个系统完全契合我当时的水平：一个懂 AI 概念、但从未实际开发过智能体的“AI 操作员”。
NotebookLM
在继续之前，我想特别提一下 Jason Spielman，他是 NotebookLM 背后的艺术家兼首席设计师。他早期的草图和实验造就了今天的版本。我对这个设计的复杂性感到惊讶——就像看着一个打磨精良、开箱即用的成品送到你家门口。如果你喜欢产品开发的艺术，你可能会想看看他讲述的 NotebookLM 的早期开发故事。
相信我，那故事非常精彩！
好了，言归正传。
当我不再强迫自己像开发者那样学习，而是构建了一个匹配我大脑实际工作方式的系统后，事情发生了变化。
在我真正开始学习之前，我必须解决第一个问题：我到底该读些什么？
当你学习一个全新的东西时，你甚至都不知道哪些资料是靠谱的。Google 一搜“LangChain RAG 教程”，你会得到 10000 个结果。
哪些是给新手的？哪些已经过时了？哪些又默认我具备了我所没有的知识？
就在这时，NotebookLM 的“发现”(Discover) 功能成了我的第一个突破口。
大多数人没有意识到，你可以定制 NotebookLM 为你查找的信源种类。你不用只问“帮我找找 RAG 的资料”，而是可以具体指定你需要的信源类型。
我是这样使用Discover功能的定制选项的：
Reddit 的帖子里会有真正的开发者揭露他们在哪儿卡壳了。你会看到像“我是一个试图理解 RAG 的新手，这是最终让我豁然开朗的东西”这样的帖子。这些人往往只是比你快了一步，正在解释他们的突破点。这对于构建初步的心智模型非常完美，不会被各种流行词和行话搞得晕头转向。
这些年来，YouTube 一直是我最大的学习来源，因为它通常有我能轻松跟上的新手指南。上面也充斥着能带你从入门到进阶的内容。
如果你一上来就看文档，那是没用的——文档是写给已经懂基础的人看的。但一旦你从 Reddit 和 YouTube 建立了心智模型，官方文档突然就变得有意义了。指定“仅 PDF”或“来自 LangChain.com”可以防止搜到杂七杂八的博客文章，确保来源的权威性。
这些信源解释了企业为什么要做 RAG 系统以及现实世界的架构决策。一旦你理解了怎么做，你就需要了解生产环境的最佳实践、成本优化和安全考量，而这些只有企业级信源才会涵盖。
通过定制信源类型，我创建了一套多样化的材料来加深对我所学主题的理解。这帮助我避免了单一信源的偏见，让我能看到多元的视角，使我的学习比以往任何时候都更扎实。
此外，你还可以用你 Google Drive 里的文件作为信源。这是他们最近刚加的新功能。
Perplexity 深度研究 + NotebookLM：收集信源的强力组合
发布时间：2025-11-23 09:00
立即订购
在线咨询
返回顶部