Tôi đã có cơ hội trải nghiệm trợ lý nghiên cứu AI của Google, NotebookLM, từ những ngày đầu tiên nó còn nằm trong Google Labs – sân chơi thử nghiệm nơi gã khổng lồ công nghệ ấp ủ các ý tưởng trước khi phát hành rộng rãi. Gần đây, tôi đã thử nghiệm nhiều dự án mới nhất của Google Labs và nhận thấy các công cụ ngày càng ấn tượng. NotebookLM cũng bắt đầu là một dự án Google Labs với tên mã “Project Tailwind” và được công bố tại Google I/O 2023. Đến nay, nó đã trở nên phổ biến với các tính năng như Audio Overviews và được hàng trăm nghìn người trên khắp thế giới sử dụng.
Với vai trò là người đã đồng hành cùng NotebookLM từ những buổi sơ khai, ngay cả khi nó còn thiếu nhiều tính năng vượt trội như hiện tại, tôi đã học được rất nhiều điều qua hành trình phát triển của công cụ này. Cũng có những điều tôi ước mình đã làm khác đi nếu được bắt đầu sử dụng NotebookLM lại từ đầu, đặc biệt là với bộ tính năng hiện tại của nó. Vì vậy, đây chính xác là những gì tôi sẽ thực hiện theo một cách khác ngay từ ban đầu.
Lập Tức Tạo Một Notebook “Everything” Ngay Từ Đầu
Một Notebook Để Quản Lý Mọi Thông Tin
Mặc dù tôi đã đề cập nhiều lần về việc tạo một notebook “Everything” trong các bài viết khác của mình, nhưng tôi đã tạo nó khá lâu sau khi bắt đầu sử dụng NotebookLM. Nếu nhớ không nhầm thì tôi đã tạo nó vào tháng 2 năm 2025. Vì vậy, nếu được bắt đầu lại từ đầu với NotebookLM, điều đầu tiên tôi có lẽ sẽ làm là tạo một notebook “Everything”.
Tuy khái niệm này có vẻ như do tôi tự nghĩ ra, nhưng thực chất nó là một gợi ý từ Steven Johnson – nhà văn khoa học, biên tập viên, và cũng là thành viên của đội ngũ NotebookLM ngay từ những ngày đầu. Trong một bài đăng trên The Keyword, nơi ông chia sẻ các mẹo để tận dụng tối đa NotebookLM, một trong những lời khuyên ông đưa ra là tạo một notebook chính và sau đó sử dụng nó để xác định các notebook theo chủ đề cụ thể hơn. Notebook chính này chính là thứ mà Steven gọi là notebook “Everything”. Steven gợi ý nên đưa vào notebook này những nguồn tài liệu mà bạn thường xuyên làm việc cùng hàng ngày, việc này sẽ tạo ra một AI cá nhân hóa và biến nó thành một dạng “bộ não thứ hai” của bạn.
Là một người thường xuyên quên đi những gì mình nghĩ chỉ vài phút sau đó, ý tưởng lưu trữ mọi thứ tôi muốn nhớ và truy xuất ngay lậpc lập tức tại một nơi duy nhất thực sự có ý nghĩa. Đó chính xác là những gì tôi đã làm vài tháng trước. Tôi tạo một notebook NotebookLM mới và điền vào đó hàng loạt nguồn tài liệu phản ánh chính con người hiện tại của mình, như các ghi chú ngẫu nhiên của Apple Notes tôi viết vào nửa đêm, danh sách sách và phim, những ý tưởng viết lách bất chợt, và thậm chí cả lịch học cùng mô tả các khóa học tôi đang tham gia.
Mục tiêu ở đây không phải là xây dựng một notebook được tổ chức hoàn hảo, ghi lại mọi chi tiết về tôi. Mục tiêu là để tôi không còn phải cố gắng ghi nhớ quá nhiều thông tin chỉ vì mục đích ghi nhớ, và cuối cùng có một không gian nơi tôi có thể truy xuất ngay lập tức các ý tưởng đã có trước đây bằng ngôn ngữ tự nhiên, và thực sự định hình chúng thành thứ gì đó có ý nghĩa. Việc tạo một notebook “Everything” là một trong những động thái thông minh nhất tôi đã làm để theo dõi mọi thứ, và tôi chỉ ước mình đã tạo nó sớm hơn.
Lựa Chọn Nguồn Tài Liệu Kỹ Càng
Không Phải Cứ Nhiều Là Tốt Hơn
Giao diện thêm nguồn tài liệu vào NotebookLM, minh họa quy trình lựa chọn nguồn thông minh để tối ưu AI cá nhân hóa.
Sức mạnh lớn nhất của NotebookLM là giúp bạn tương tác tốt hơn với các nguồn tài liệu bạn đã có sẵn. Nó không được thiết kế để giúp bạn tìm nguồn mới hoặc học một điều hoàn toàn xa lạ từ đầu. Nó phát huy hiệu quả khi bạn cung cấp cho nó tài liệu mà bạn đã quen thuộc, dù đó là slide bài giảng của giáo sư, ghi chú bạn đã thực hiện trong lớp, những suy nghĩ ghi lại trong cuộc họp, các bài nghiên cứu, hay bất cứ thứ gì khác. NotebookLM xây dựng ngữ cảnh xung quanh các nguồn bạn tải lên notebook của mình và hoạt động như một AI cá nhân hóa, nghĩa là nó chỉ quen thuộc với những gì bạn đã chia sẻ với nó.
Vấn đề ở đây là: phần AI cá nhân hóa bắt đầu trở nên kém hiệu quả khi bạn tải lên quá nhiều nguồn không liên quan gì đến nhau. Nếu bạn đổ vào một loạt các tệp PDF, liên kết hoặc tài liệu ngẫu nhiên thuộc các chủ đề hoàn toàn khác nhau, NotebookLM sẽ khó duy trì ngữ cảnh hoặc đưa ra những hiểu biết có ý nghĩa. Đó chính xác là lỗi tôi đã mắc phải. Vì vậy, thay vì đổ tất cả các nguồn tôi có vào một notebook, tôi đảm bảo chỉ nhóm các nguồn thuộc cùng một chủ đề chung và thực sự hữu ích. Bằng cách này, mọi thứ sẽ tập trung hơn nhiều, và giúp NotebookLM đưa ra các tóm tắt và câu trả lời tốt hơn.
Kết Hợp NotebookLM Với Các Công Cụ Khác
NotebookLM Không Cần Phải Làm Mọi Thứ
NotebookLM không nghi ngờ gì là một công cụ cực kỳ mạnh mẽ. Mặc dù đó là một điều tuyệt vời, nhưng nó cũng là một trong những lý do lớn nhất khiến tôi từ chối sử dụng bất cứ thứ gì khác. Cho đến gần đây, tôi mới nhận ra rằng NotebookLM thậm chí còn tỏa sáng hơn khi bạn kết hợp nó với các công cụ năng suất khác như Perplexity, Notion, Excel, và nhiều hơn nữa. Ví dụ, tôi thường kết hợp NotebookLM với Perplexity vào những ngày tôi không có nhiều nguồn để làm việc trong NotebookLM.
Mặc dù NotebookLM không được thiết kế để giúp bạn tìm nguồn mới, Perplexity lại làm được điều đó. Vì vậy, tôi sử dụng Perplexity để tìm các bài viết, tài liệu và thông tin nền, sau đó đưa những nội dung liên quan nhất vào NotebookLM để đi sâu hơn.
Tương tự, mặc dù NotebookLM được thiết kế để giúp bạn tương tác với thông tin bên trong các nguồn bạn tìm thấy, tôi nhận thấy Perplexity không làm tốt nhất việc đó. Đây là lúc NotebookLM phát huy hoàn hảo. Tôi có thể tạo Bản đồ tư duy (Mind Maps) từ thông tin trong các nguồn tôi tìm thấy từ Perplexity, hoặc biến chúng thành các Audio Overviews hấp dẫn chỉ trong vài phút.
Chìa khóa là tận dụng điểm mạnh của NotebookLM, xác định điểm yếu của nó, và sau đó tìm một công cụ lấp đầy những khoảng trống đó. Bằng cách này, bạn sẽ tạo ra một cặp đôi bổ sung cho nhau một cách liền mạch và xây dựng một quy trình làm việc mà bạn sẽ thực sự gắn bó.
Tránh Những Sai Lầm Phổ Biến
Những mẹo tôi đã chia sẻ ở trên đã tạo ra sự khác biệt lớn cho quy trình làm việc của tôi, và chúng chính xác là những gì tôi sẽ khuyên bất cứ ai mới bắt đầu sử dụng NotebookLM. Nếu bạn đã có kinh nghiệm với công cụ này, hãy chia sẻ những mẹo yêu thích của bạn trong phần bình luận để chúng ta cùng học hỏi nhé!
