Là một chuyên gia công nghệ, tôi đã có cơ hội trải nghiệm sâu sắc NotebookLM – trợ lý nghiên cứu cá nhân do AI của Google cung cấp, ngay từ những ngày đầu ra mắt thử nghiệm. Công cụ này nhanh chóng trở thành một trong những công cụ AI tăng năng suất yêu thích của tôi. Suốt một thời gian dài, tôi thường sử dụng NotebookLM một cách độc lập, bởi lẽ những gì nó mang lại đã là một trải nghiệm hoàn chỉnh và mạnh mẽ. Mặc dù có nghe về việc một số người dùng kết hợp NotebookLM với các công cụ khác như OneNote, tôi chưa bao giờ cảm thấy cần thiết phải làm điều đó.
Tuy nhiên, trong tuần vừa qua, tôi quyết định thay đổi thói quen và thử nghiệm kết hợp NotebookLM với một công cụ AI khác mà tôi cũng đã tìm hiểu được một thời gian: Perplexity. Mục đích của tôi không phải là tìm kiếm một sự thay thế cho NotebookLM, mà là khám phá xem điều gì sẽ xảy ra khi hai công cụ này cùng hoạt động song song. Liệu tôi có quay trở lại sử dụng NotebookLM một mình như trước đây, hay sự kết hợp này sẽ thực sự thay đổi quy trình làm việc của tôi theo chiều hướng tốt hơn? Thật bất ngờ, câu trả lời là vế sau. Hai công cụ AI này bổ sung cho nhau một cách hoàn hảo hơn tôi tưởng.
Tại Sao Kết Hợp NotebookLM Và Perplexity Là Chìa Khóa Cho Nghiên Cứu Hiệu Quả?
Bù Trừ Điểm Mạnh, Lấp Đầy Khoảng Trống
Mặc dù cả NotebookLM và Perplexity đều được thiết kế để rút ngắn và đơn giản hóa quy trình nghiên cứu vốn tốn nhiều thời gian, nhưng chúng lại giải quyết các khía cạnh hoàn toàn khác nhau của quá trình này. Perplexity là một công cụ tìm kiếm AI, được phát triển để giúp giảm thiểu thời gian bạn dành cho việc tìm kiếm thông tin ban đầu. Ngược lại, NotebookLM lại phát huy tác dụng sau khi bạn đã thu thập được thông tin. Nó hỗ trợ bạn tổ chức, hiểu rõ và tương tác với chủ đề đang nghiên cứu theo nhiều cách khác nhau.
Mặc dù Google gần đây đã bổ sung tính năng “Khám phá nguồn” (Discover sources) cho NotebookLM, cho phép người dùng mô tả loại nguồn tài liệu họ muốn thêm vào sổ ghi chú và sau đó công cụ sẽ tìm kiếm trên web, nhưng tính năng này vẫn có một số hạn chế nhất định.
Hộp thoại tính năng "Khám phá nguồn" của NotebookLM, cho phép người dùng mô tả loại tài liệu cần tìm
Ví dụ, NotebookLM chỉ có thể đề xuất tối đa mười nguồn cùng một lúc. Ngoài ra, không phải lúc nào tôi cũng hài lòng với chất lượng các nguồn mà nó tổng hợp, vì vậy tôi thường tự mình tìm kiếm các nguồn từ web. Mặt khác, Perplexity được thiết kế để tìm kiếm internet trong thời gian thực và thu thập thông tin từ các nguồn uy tín, đáng tin cậy.
Về bản chất, nơi NotebookLM còn thiếu sót thì Perplexity lại tỏa sáng, và ngược lại. Khi kết hợp sức mạnh của cả hai công cụ AI này, bạn sẽ có được một bộ đôi nghiên cứu thông minh và hiệu quả hơn rất nhiều so với việc sử dụng từng công cụ riêng lẻ.
Perplexity: Trợ Thủ Đắc Lực Trong Việc Tìm Kiếm Nguồn Tham Khảo
Đơn Giản Hóa Quy Trình Tìm Kiếm
Như đã đề cập ở trên, chìa khóa ở đây là tận dụng tối đa thế mạnh của cả NotebookLM và Perplexity. Cách tôi sử dụng hai công cụ này cực kỳ đơn giản: Perplexity sẽ đảm nhiệm việc săn lùng các nguồn tài liệu phù hợp với chủ đề tôi đang nghiên cứu. Sau đó, tôi tạo một sổ ghi chú mới trong NotebookLM, tải tất cả các nguồn đó lên, và rồi sử dụng các tính năng đa dạng của NotebookLM để tương tác với thông tin đã thu thập. Nghe có vẻ hơi phức tạp, vậy hãy để tôi minh họa bằng một ví dụ cụ thể.
Giả sử tôi là sinh viên chuyên ngành Khoa học Máy tính và đang ôn thi giữa kỳ môn Lập trình Hướng đối tượng (Object-Oriented Programming – OOP). Tôi đang bối rối về các nguyên tắc chính của mô hình này. Mặc dù một lựa chọn là tải trực tiếp các slide bài giảng của mình lên NotebookLM, nhưng tôi muốn tìm hiểu xem internet giải thích chủ đề này như thế nào, và giả định rằng các slide bài giảng của tôi chưa cung cấp đủ thông tin chi tiết.
Thay vì tự mình cất công tìm kiếm trên web, tôi sẽ nhờ Perplexity tìm các nguồn đáng tin cậy tập trung vào chủ đề này. Dưới đây là một ví dụ về câu lệnh tôi đã sử dụng:
Tìm các nguồn đáng tin cậy giải thích các nguyên tắc chính của lập trình hướng đối tượng, bao gồm đóng gói (encapsulation), kế thừa (inheritance) và đa hình (polymorphism). Cung cấp các liên kết đến các bài viết, hướng dẫn hoặc tài liệu cung cấp các ví dụ và giải thích rõ ràng.
Chỉ trong vài giây, Perplexity đã tổng hợp thông tin chi tiết và trả lời câu hỏi của tôi (ví dụ: giải thích các nguyên tắc chính của Lập trình Hướng đối tượng). Tuy nhiên, đó không phải là mục đích chính tôi sử dụng Perplexity ở đây. Thay vào đó, có một tab “Nguồn” (Sources) nằm cạnh tab “Trả lời” (Answer), và như bạn có thể đoán, nó chứa danh sách tất cả các nguồn mà Perplexity đã tổng hợp thông tin từ đó.
Giao diện công cụ tìm kiếm AI Perplexity hiển thị kết quả truy vấn, nhấn mạnh khả năng tìm kiếm nguồn thông tin đáng tin cậy
NotebookLM: Biến Thông Tin Thành Kiến Thức Chuyên Sâu
Sắp Xếp Nguồn Và Tối Ưu Hóa Tương Tác
Sau khi Perplexity tìm được các nguồn tôi cần, tôi tạo một sổ ghi chú mới trong NotebookLM và tải tất cả chúng lên. Đây là lúc mọi thứ trở nên thú vị. Khi các nguồn đã được tải lên, tôi có thể sử dụng NotebookLM để tạo “Tổng quan âm thanh” (Audio Overview) nếu tôi không muốn đọc mà thay vào đó muốn nghe một cuộc thảo luận theo kiểu podcast về các nguồn tài liệu này.
Giao diện NotebookLM trên iPad hiển thị sổ ghi chú lập trình hướng đối tượng, minh họa cách tổ chức kiến thức hiệu quả
Vì tôi chưa hoàn toàn nắm rõ các khái niệm khác nhau trong các nguồn, tôi có thể sẽ có một vài câu hỏi. Trong trường hợp đó, tôi có thể sử dụng chế độ tương tác trong Audio Overviews và tham gia trực tiếp vào cuộc thảo luận giữa hai “người dẫn chương trình AI” để làm rõ những điều tôi còn thắc mắc.
Nếu tôi muốn xem các khái niệm khác nhau trong các nguồn liên kết với nhau như thế nào, tôi có thể tạo một “Sơ đồ tư duy” (Mind Map). NotebookLM cũng có thể tạo “Hướng dẫn học tập” (Study Guide), “Tài liệu tóm tắt” (Briefing doc), “Câu hỏi thường gặp” (FAQ) hoặc “Dòng thời gian” (Timeline) từ các nguồn của tôi.
Điều tuyệt vời nhất là NotebookLM chỉ tham chiếu thông tin từ các nguồn bạn cung cấp cho nó. Điều này có nghĩa là tôi có thể đặt câu hỏi trong bảng “Trò chuyện” (Chat) mà không cần quá lo lắng về việc công cụ tạo ra thông tin không chính xác (hallucinations) hay lấy câu trả lời từ những nguồn ngẫu nhiên trên mạng.
Ngược lại, việc đặt câu hỏi về một nguồn trong Perplexity có thể hơi phức tạp. Thay vì trả lời dựa trên bộ nguồn đầu tiên mà nó tìm thấy cho bạn, Perplexity thường tìm kiếm một bộ nguồn mới và sử dụng chúng để phản hồi. Do đó, nó không phải lúc nào cũng bám sát các tài liệu mà bạn muốn tập trung ban đầu.
Mặc dù ví dụ này có thể không có thông tin mới mẻ sau vài ngày, nhưng nếu bạn đang nghiên cứu một chủ đề cập nhật theo thời gian thực và liên tục phát triển, Perplexity thực sự có thể phát huy tác dụng lớn. Sau khi đã tổng hợp các nguồn ban đầu và sử dụng chúng, bạn có thể dùng Perplexity một lần nữa sau đó để nhận các nguồn cập nhật với thông tin mới nhất, vì nó tìm kiếm web trong thời gian thực.
Sự Kết Hợp Hoàn Hảo: NotebookLM Và Perplexity – Sức Mạnh Vượt Trội
Mặc dù hai công cụ AI này phục vụ các mục đích khác nhau, chúng lại hoạt động cùng nhau một cách liền mạch. Dù đã sử dụng Perplexity khá nhiều trong quá khứ, nhưng tôi chưa bao giờ thực sự nghĩ đến việc kết hợp nó với NotebookLM cho đến tận bây giờ. Và tôi thực sự mừng vì đã làm điều đó – muộn còn hơn không, phải không?
Bộ đôi NotebookLM và Perplexity thực sự biến quy trình nghiên cứu trở nên hiệu quả và thông minh hơn bao giờ hết, từ việc tìm kiếm thông tin ban đầu đến việc tổ chức và phân tích chuyên sâu. Hãy thử nghiệm sự kết hợp này và chia sẻ trải nghiệm của bạn với 123thuthuat.com trong phần bình luận bên dưới nhé!
