研究工作失败，往往不是因为缺少 AI 工具，而是把实时网络问题、文献综述问题和文档溯源问题当成了同一种工作。Perplexity、Elicit 与 NotebookLM 的价值，在于各自承担不同的证据边界；而不是让其中一个冒充另外两个。
先划清证据边界
当问题关乎你自己文件之外正在发生的事——变化中的市场、竞争对手、新兴产品类别，或需要在网络上交叉核验的主张——Perplexity 是恰当的起点。其平台文档将其描述为基于实时网络的研究与带引文的回答，因此很适合承担从开放互联网出发的发现层。Perplexity 文档
Elicit 适合处理严格意义上的科学文献工作：寻找论文、筛选论文，并把细节整理成结构化比较。Elicit 表示它能够检索、总结并从论文中提取数据；其帮助资料也介绍了引导式系统综述和数据提取流程。Elicit 定价与功能 Elicit 帮助中心
NotebookLM 则把问题换成另一种：针对你带入工作的、有边界的一组来源——例如报告、幻灯片和其他文档——在对话中理解这组材料。Google 将它描述为从多个已上传来源中综合事实与观点的工具；它的 Audio Overviews 会把这些来源转化为两位 AI 主持人之间类似播客的讨论。Google 介绍 NotebookLM Google 介绍 Audio Overviews
这种区分比功能清单更有价值。三种产品位于研究流程的不同位置：一个发现更广阔的领域，一个整理科学证据，一个帮助团队消化选定的材料集。
365Finds 的选择
我们的编辑偏好是分工协作，并以 Perplexity 作为前门。还看不清全局的研究者，不应一开始就建立正式的提取矩阵，或上传一个封闭文件夹。先用 Perplexity 找到术语、相互竞争的主张和值得认真对待的实时来源；再沿着它的引文回到承载主张的原始材料。
接着做出更明确的选择。若答案的成败取决于已发表研究，就转向 Elicit。与通用网络研究相比，它以论文为中心的检索和结构化流程更适合比较研究。若答案必须建立在一组明确的内部材料或客户提供材料上，则转向 NotebookLM，并让讨论始终锚定在这组材料之内。
| 研究情境 | 最佳首选 | 原因 |
|---|---|---|
| 市场正在变化，相关证据散落在网络各处 | Perplexity | 它面向带引文、基于网络的研究而设计。 |
| 任务是文献综述或研究论文比较 | Elicit | 它的产品重点是论文检索、总结、提取与系统综述流程。 |
| 任务是理解一批已提供的文档，并与同事讨论 | NotebookLM | 它能综合已上传来源，也能据此生成 Audio Overview。 |
这不是三款工具争夺同一顶王冠，而是拒绝仅仅因为某个工具已经在标签页里打开，就拿它去做不该做的事。
一条对来源保持诚实的工作流
对于重要项目，我们建议有意识地交接：用 Perplexity 发现线索；当论文是核心时，用 Elicit 追查研究记录；再把选定证据放进 NotebookLM，进行聚焦的综合与讨论。每一步都在收窄证据边界，而非把它藏起来。
NotebookLM 在最后阶段尤其吸引人，因为 Google 表示用户数据不会被用于训练新的 AI 模型。这是一项有意义的隐私承诺，却不能成为停止用底层文件核对最终解读的理由。一个有来源依据的工作空间，最有价值之处在于让这种核验更容易，而不是鼓励盲目信任。Google 的 NotebookLM 公告
实用规则很简单：需要面对整个世界时选 Perplexity；需要研究文献时选 Elicit；需要在选定来源集内认真思考时选 NotebookLM。工作确实跨越这些边界时，就同时使用三者。对于严肃研究，这是我们的选择，因为它保留了一条从发现、证据到最终可审阅综合的清晰路径。