Với vai trò là một người chuyên khám phá và tận dụng các công cụ AI để nâng cao năng suất, tôi đã trải nghiệm NotebookLM – trợ lý nghiên cứu cá nhân hóa dựa trên AI của Google – ngay từ những ngày đầu ra mắt dưới dạng sản phẩm thử nghiệm. Sau nhiều tháng sử dụng độc lập, NotebookLM thực sự trở thành một trong những công cụ AI yêu thích của tôi, cung cấp một giải pháp nghiên cứu toàn diện và mạnh mẽ.
Trước đây, dù nhận thấy nhiều người thử nghiệm kết hợp NotebookLM với các công cụ khác như OneNote, tôi chưa bao giờ cảm thấy cần phải ghép nối nó với bất kỳ thứ gì khác, bởi lẽ những gì nó cung cấp đã quá hoàn chỉnh theo cách riêng của mình. Tuy nhiên, trong vài tuần gần đây, tôi quyết định thử thay đổi quy trình làm việc và tích hợp thêm Perplexity – một công cụ AI khác mà tôi cũng đã tìm hiểu một thời gian. Mục đích của tôi không phải là tìm một công cụ thay thế NotebookLM, mà là để xem điều gì sẽ xảy ra nếu tôi sử dụng cả hai cùng lúc. Liệu tôi có quay lại sử dụng NotebookLM một mình như trước, hay sự kết hợp này sẽ thay đổi hoàn toàn quy trình làm việc của tôi theo hướng tốt hơn? Thật bất ngờ, kết quả nghiêng về vế sau: hai công cụ AI này bổ trợ cho nhau một cách hiệu quả hơn tôi mong đợi.
Tại Sao Tôi Kết Hợp NotebookLM Với Perplexity Ngay Từ Đầu?
Chúng Bù Đắp Cho Nhau Một Cách Hoàn Hảo
Giao diện NotebookLM trên iPad hiển thị sổ ghi chép về Lập trình hướng đối tượng (OOP) bên cạnh một chiếc cốc Stanley màu hồng, minh họa môi trường làm việc hiệu quả với AI.
Mặc dù cả NotebookLM và Perplexity đều được thiết kế để đẩy nhanh và đơn giản hóa quy trình nghiên cứu tẻ nhạt, nhưng chúng lại đảm nhiệm những phần hoàn toàn khác nhau của quá trình này. Perplexity là một công cụ tìm kiếm AI, được tạo ra để giúp cắt giảm thời gian bạn bỏ ra để tìm kiếm thông tin.
Trong khi đó, NotebookLM lại phát huy tác dụng sau khi bạn đã thu thập được thông tin. Nó giúp bạn tổ chức, hiểu rõ và tương tác với chủ đề đang nghiên cứu theo nhiều cách khác nhau. Mặc dù Google đã thêm tính năng Khám phá nguồn (Discover sources) vào NotebookLM cách đây không lâu, cho phép bạn mô tả loại nguồn mình muốn thêm vào sổ ghi chép và sau đó công cụ sẽ tìm kiếm trên web cho bạn, nhưng tính năng này vẫn có một số hạn chế.
Hộp văn bản tính năng "Khám phá nguồn" (Discover Sources) của NotebookLM, nơi người dùng mô tả loại nguồn mong muốn để AI tìm kiếm trên web, làm nổi bật khả năng mở rộng nghiên cứu.
Đầu tiên, nó chỉ có thể đề xuất tối đa mười nguồn cùng một lúc. Tôi cũng không phải lúc nào cũng hài lòng với các nguồn mà nó thu thập, vì vậy tôi thường tự mình tìm kiếm nguồn từ web. Ngược lại, Perplexity được thiết kế để tìm kiếm internet trong thời gian thực và thu thập thông tin từ các nguồn có thẩm quyền.
Về cơ bản, nơi NotebookLM còn thiếu sót thì Perplexity lại tỏa sáng (và ngược lại). Khi bạn kết hợp sức mạnh của cả hai công cụ AI này, bạn sẽ có được một bộ đôi nghiên cứu thông minh hơn và hiệu quả hơn rất nhiều so với việc chỉ sử dụng một công cụ đơn lẻ.
Perplexity Đảm Nhiệm Việc Tìm Kiếm Nguồn
Nó Thực Hiện Mọi Công Việc Nặng Nhọc
Giao diện tìm kiếm của Perplexity AI hiển thị kết quả truy vấn và tab Nguồn (Sources), minh họa khả năng của công cụ tìm kiếm AI trong việc thu thập thông tin và nguồn đáng tin cậy.
Như đã đề cập ở trên, chìa khóa ở đây là tận dụng tối đa thế mạnh của NotebookLM và Perplexity. Và cách tôi sử dụng các công cụ này cực kỳ đơn giản. Perplexity sẽ tìm kiếm các nguồn liên quan đến chủ đề tôi đang nghiên cứu, sau đó tôi tạo một sổ ghi chép mới trong NotebookLM và tải tất cả các nguồn đó lên. Cuối cùng, tôi sử dụng các tính năng đa dạng của NotebookLM để tương tác với thông tin. Nghe có vẻ hơi khó hiểu, vì vậy tôi sẽ minh họa bằng một ví dụ cụ thể.
Giả sử tôi là sinh viên khoa học máy tính và đang ôn thi giữa kỳ cho môn Lập trình Hướng đối tượng (Object-Oriented Programming – OOP), tôi cảm thấy bối rối về các nguyên tắc cốt lõi của mô hình này. Một lựa chọn là tải trực tiếp các slide bài giảng lên NotebookLM, nhưng giả sử tôi muốn xem cách web giải thích và các slide bài giảng của tôi không cung cấp đủ thông tin.
Thay vì tự mình tìm kiếm thủ công trên web, tôi sẽ yêu cầu Perplexity tìm các nguồn đáng tin cậy tập trung vào chủ đề này. Đây là một ví dụ về lời nhắc:
Tìm các nguồn đáng tin cậy giải thích các nguyên tắc chính của lập trình hướng đối tượng, bao gồm tính đóng gói (encapsulation), tính kế thừa (inheritance) và tính đa hình (polymorphism). Cung cấp các liên kết đến các bài viết, hướng dẫn hoặc tài liệu cung cấp ví dụ và giải thích rõ ràng.
Trong vòng vài giây, Perplexity đã tổng hợp các thông tin chi tiết và trả lời truy vấn 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) bên cạnh tab Trả lời (Answer), và như bạn có thể đoán, nó bao gồm danh sách tất cả các nguồn mà Perplexity đã lấy thông tin từ đó.
NotebookLM Giúp Tổ Chức Và Tương Tác Với Các Nguồn Perplexity Tìm Được
Nó Sắp Xếp Sự Hỗn Loạn Do Perplexity Tìm Thấy
Một khi Perplexity tìm được các nguồn tôi cần, tôi sẽ tạo một sổ ghi chép mới trong NotebookLM và tải tất cả chúng lên. Đây là lúc mọi thứ trở nên thú vị. Sau khi các nguồn được tải lên, tôi có thể sử dụng NotebookLM để tạo Tổng quan bằng âm thanh (Audio Overview) nếu tôi không muốn đọc mà muốn nghe một cuộc thảo luận theo kiểu podcast về các nguồn đó.
Vì tôi chưa hoàn toàn rõ ràng về 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 mà hai host AI đang thực hiện để giải đáp thắc mắc của mình.
Nếu tôi muốn xem các khái niệm khác nhau trong các nguồn kết nối với nhau như thế nào, tôi có thể tạo một Bản 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) dựa trên các nguồn của tôi.
Điều tuyệt vời nhất là NotebookLM chỉ tham chiếu thông tin từ các nguồn bạn cung cấp. Điều này có nghĩa là tôi có thể đặt câu hỏi trong bảng Trò chuyện (Chat) mà không cần lo lắng quá nhiều về các “ảo giác” (hallucinations) hay việc nó lấy câu trả lời từ những nơi ngẫu nhiên trên mạng.
So với NotebookLM, 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 nạp một lô nguồn mới và sử dụng chúng để phản hồi, vì vậy nó không phải lúc nào cũng bám sát các tài liệu 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 thứ gì đó thời gian thực, liên tục phát triển, Perplexity thực sự có thể rất hữu ích. Sau khi tổng hợp các nguồn ban đầu và sử dụng chúng, bạn có thể sử dụng Perplexity lại sau để nhận các nguồn cập nhật với thông tin mới nhất, vì nó tìm kiếm trên web theo thời gian thực.
NotebookLM và Perplexity Đã Mạnh Mẽ, Nhưng Khi Kết Hợp, Chúng Trở Nên Bất Khả Chiến Bại
Dù hai công cụ AI này phục vụ các mục đích khác nhau, nhưng chúng hoạt động liền mạch cùng nhau. Mặc dù tôi 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 rất vui vì mình đã làm vậy – muộn còn hơn không, đúng không? Sự cộng hưởng giữa khả năng tìm kiếm thông tin nhanh chóng, đáng tin cậy của Perplexity và khả năng tổ chức, tương tác sâu sắc với dữ liệu của NotebookLM đã biến quy trình nghiên cứu trở nên hiệu quả và thông minh hơn đáng kể. Nếu bạn đang tìm cách tối ưu hóa công việc nghiên cứu của mình, hãy thử kết hợp hai công cụ AI mạnh mẽ này và chia sẻ trải nghiệm của bạn với chúng tôi!
