Với vai trò là một chuyên gia SEO và biên tập viên công nghệ hàng đầu của blogthuthuat.net, tôi đã có kinh nghiệm sâu rộng trong việc khám phá và tận dụng các công cụ AI để nâng cao hiệu suất làm việc. Trong số đó, NotebookLM – trợ lý nghiên cứu cá nhân được hỗ trợ bởi AI của Google – luôn là một trong những công cụ yêu thích của tôi kể từ khi nó ra mắt dưới dạng sản phẩm thử nghiệm. Tôi đã sử dụng NotebookLM một cách độc lập trong nhiều tháng, nhận thấy nó cung cấp một giải pháp hoàn chỉnh cho nhu cầu của mình mà không cần kết hợp với bất kỳ công cụ nào khác.
Tuy nhiên, gần đây, tôi đã quyết định thay đổi cách tiếp cận và tích hợp thêm Perplexity, một công cụ AI khác mà tôi cũng đã tìm hiểu trong một thời gian. Mục tiêu của tôi không phải là tìm kiếm một sự thay thế cho NotebookLM, mà là để khám phá tiềm năng khi kết hợp cả hai. Liệu sự kết hợp này có thể thực sự biến đổi quy trình làm việc của tôi theo hướng tích cực hơn, hay tôi sẽ quay lại với cách sử dụng NotebookLM riêng lẻ như trước đây? Kết quả đã vượt xa mong đợi của tôi: hai công cụ AI này bổ trợ cho nhau một cách hoàn hảo, mang lại hiệu quả nghiên cứu vượt trội.
Tại Sao Sự Kết Hợp NotebookLM và Perplexity Lại Là Chìa Khóa Vàng?
Chúng bổ trợ hoàn hảo, lấp đầy khoảng trống của nhau
Mặc dù cả NotebookLM và Perplexity đều được thiết kế để đơn giản hóa và tăng tốc quá trình nghiên cứu, nhưng chúng lại đảm nhiệm những vai trò hoàn toàn khác nhau. Perplexity hoạt động như một công cụ tìm kiếm AI, chuyên giúp giảm thiểu thời gian bạn dành cho việc tìm kiếm thông tin. Ngược lại, NotebookLM phát huy tác dụng sau khi bạn đã thu thập được thông tin. Nó hỗ trợ bạn tổ chức, hiểu sâu và tương tác với chủ đề nghiên cứu của mình theo nhiều cách.
Giao diện NotebookLM trên iPad, minh họa khả năng quản lý ghi chú và tài liệu nghiên cứu, hỗ trợ tối ưu quy trình học tập.
Dù Google đã bổ sung tính năng Discover sources cho NotebookLM, cho phép người dùng mô tả loại nguồn muốn tìm và công cụ sẽ tìm kiếm trên web, nhưng nó vẫn còn một số hạn chế. Ví dụ, nó chỉ có thể gợi ý tối đa mười nguồn cùng lúc, và tôi không phải lúc nào cũng hài lòng với chất lượng các nguồn mà nó thu thập được. Do đó, tôi thường tự tìm kiếm nguồn từ web.
Hộp thoại tính năng Discover Sources của NotebookLM, thể hiện khả năng tìm kiếm nguồn tài liệu hạn chế của công cụ.
Perplexity, mặt khác, được xây dựng để tìm kiếm internet theo thời gian thực và thu thập thông tin từ các nguồn đáng tin cậy. Về bản chất, nơi NotebookLM còn thiếu sót, Perplexity lại tỏa sáng (và ngược lại). Khi kết hợp thế mạnh của cả hai công cụ AI, 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: Cánh Tay Phải Đắc Lực Trong Việc Tìm Kiếm Nguồn Tin
Đảm nhận toàn bộ gánh nặng tìm kiếm thông tin
Điểm mấu chốt ở đây là tận dụng tối đa sức mạnh của NotebookLM và Perplexity. Cách tôi sử dụng chúng vô cùng đơn giản: Perplexity sẽ săn lùng các nguồn liên quan đến chủ đề tôi đang nghiên cứu; sau đó, tôi tạo một sổ ghi chép mới trong NotebookLM, tải tất cả các nguồn đó lên, và cuối cùng sử dụng các tính năng đa dạng của NotebookLM để tương tác với thông tin. Để dễ hình dung hơn, tôi sẽ minh họa bằng một ví dụ cụ thể.
Với tư cách là sinh viên chuyên ngành Khoa học Máy tính, giả sử tôi đang ôn tập cho kỳ thi giữa kỳ môn Lập trình Hướng đối tượng (Object-Oriented Programming – OOP) và tôi vẫn còn mơ hồ về các nguyên tắc cốt lõi của lập trình hướng đối tượng. Mặc dù tôi có thể tải trực tiếp các slide bài giảng lên NotebookLM, nhưng tôi muốn tìm hiểu cách các nguồn trên web giải thích về chủ đề này, vì các slide của tôi có thể không đủ thông tin.
Thay vì phải tự mình “lùng sục” trên mạng, tôi sẽ yêu cầu Perplexity tìm kiếm các nguồn đáng tin cậy tập trung vào chủ đề này. Dưới đây là một ví dụ về câu lệnh (prompt):
Tìm các nguồn đáng tin cậy giải thích các nguyên tắc chính của lập trình hướng đối tượng, bao gồm tính đóng gói, tính kế thừa và tính đa hình. Cung cấp liên kết đến các bài viết, hướng dẫn hoặc tài liệu cung cấp ví dụ và giải thích rõ ràng.
Chỉ trong vài giây, Perplexity đã tổng hợp các thông tin chi tiết và trả lời câu hỏi của tôi (tức là giải thích các nguyên tắc chính của Lập trình Hướng đối tượng). Tuy nhiên, đó không phải là lý do chính tôi sử dụng Perplexity ở đây. Thay vào đó, có một tab Sources bên cạnh tab Answer, và như bạn có thể đoán, nó bao gồm danh sách tất cả các nguồn mà Perplexity đã thu thập thông tin.
Giao diện người dùng của Perplexity AI, minh họa khả năng tìm kiếm và tổng hợp thông tin từ nhiều nguồn trực tuyến.
NotebookLM: Biến Nguồn Thông Tin Thành Tri Thức Dễ Dàng
Tổ chức và tương tác với kho dữ liệu đồ sộ từ Perplexity
Khi Perplexity đã tìm được các nguồn tôi cần, tôi tạo một sổ ghi chép 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 bằng âm thanh (Audio Overview) nếu tôi không muốn đọc mà muốn nghe một cuộc thảo luận theo phong cách podcast về các nguồn này.
Nếu tôi chưa thực sự 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 host AI để làm rõ những điều còn thắc mắc.
Nếu tôi muốn xem các khái niệm khác nhau trong các nguồn kết nối với nhau như thế nào, tôi có thể tạo 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) dựa trên 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 đưa ra thông tin không chính xác (hallucinations) hoặc lấy câu trả lời từ những nơi ngẫu nhiên trên mạng.
Ngược lại, việc đặt câu hỏi về một nguồn trong Perplexity có thể khá khó khăn. Thay vì trả lời dựa trên bộ nguồn ban đầu 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 điều gì đó theo thời gian thực và không ngừng phát triển, Perplexity thực sự có thể trở nên cực kỳ hữu ích. Sau khi tổng hợp các nguồn ban đầu và sử dụng chúng, bạn có thể dùng Perplexity lại sau đó để nhận được các nguồn cập nhật với thông tin mới nhất, vì nó tìm kiếm web theo thời gian thực.
Tổng Kết: Khi NotebookLM và Perplexity Kết Hợp, Không Gì Là Không Thể
Mặc 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, 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 đã làm điều đó – muộn còn hơn không, phải không? Hãy thử áp dụng sự kết hợp mạnh mẽ này vào quy trình nghiên cứu của bạn để mở khóa tiềm năng to lớn, nâng cao hiệu suất và chất lượng công việc một cách đáng kể.
