研究工作會失敗，往往不是因為缺少 AI 工具，而是把即時網路問題、文獻回顧問題和文件溯源問題當成同一種工作。Perplexity、Elicit 與 NotebookLM 的價值，在於各自承擔不同的證據邊界；而不是讓其中一個冒充另外兩個。
先劃清證據邊界
當問題關乎你自己檔案之外正在發生的事——變動中的市場、競爭對手、新興產品類別，或需要在網路上交叉核實的主張——Perplexity 是恰當的起點。其平台文件將其描述為以即時網路為基礎的研究與附引文的回答，因此很適合承擔從開放網際網路出發的發現層。Perplexity 文件
Elicit 適合處理嚴格意義上的科學文獻工作：尋找論文、篩選論文，並將細節整理成結構化比較。Elicit 表示它能夠檢索、摘要並從論文中擷取資料；其說明資料也介紹了引導式系統性回顧和資料擷取流程。Elicit 定價與功能 Elicit 說明中心
NotebookLM 則把問題換成另一種：針對你帶入工作的、有邊界的一組來源——例如報告、投影片和其他文件——在對話中理解這組材料。Google 將它描述為從多個已上傳來源中綜合事實與觀點的工具；它的 Audio Overviews 會把這些來源轉化為兩位 AI 主持人之間類似 podcast 的討論。Google 介紹 NotebookLM Google 介紹 Audio Overviews
這種區分比功能清單更有價值。三種產品位於研究流程的不同位置：一個發現更廣闊的領域，一個整理科學證據，一個幫助團隊消化選定的材料集。
365Finds 的選擇
我們的編輯偏好是分工協作，並以 Perplexity 作為前門。還看不清全局的研究者，不應一開始就建立正式的擷取矩陣，或上傳一個封閉資料夾。先用 Perplexity 找到術語、互相競爭的主張和值得認真對待的即時來源；再沿著它的引文回到承載主張的原始材料。
接著做出更明確的選擇。若答案的成敗取決於已發表研究，就轉向 Elicit。與通用網路研究相比，它以論文為中心的檢索和結構化流程更適合比較研究。若答案必須建立在一組明確的內部材料或客戶提供材料上，則轉向 NotebookLM，並讓討論始終錨定在這組材料之內。
| 研究情境 | 最佳首選 | 原因 |
|---|---|---|
| 市場正在變動，相關證據散落在網路各處 | Perplexity | 它面向附引文、以網路為基礎的研究而設計。 |
| 任務是文獻回顧或研究論文比較 | Elicit | 它的產品重點是論文檢索、摘要、擷取與系統性回顧流程。 |
| 任務是理解一批已提供的文件，並與同事討論 | NotebookLM | 它能綜合已上傳來源，也能據此產生 Audio Overview。 |
這不是三款工具爭奪同一頂王冠，而是拒絕只因某個工具已在分頁中開啟，就拿它去做不該做的事。
一條對來源保持誠實的工作流
對於重要專案，我們建議有意識地交接：用 Perplexity 發現線索；當論文是核心時，用 Elicit 追查研究紀錄；再把選定證據放進 NotebookLM，進行聚焦的綜合與討論。每一步都在收窄證據邊界，而非把它藏起來。
NotebookLM 在最後階段尤其吸引人，因為 Google 表示使用者資料不會被用於訓練新的 AI 模型。這是一項有意義的隱私承諾，卻不能成為停止用底層檔案核對最終解讀的理由。一個有來源依據的工作空間，最有價值之處在於讓這種核實更容易，而不是鼓勵盲目信任。Google 的 NotebookLM 公告
實用規則很簡單：需要面對整個世界時選 Perplexity；需要研究文獻時選 Elicit；需要在選定來源集內認真思考時選 NotebookLM。工作確實跨越這些邊界時，就同時使用三者。對於嚴肅研究，這是我們的選擇，因為它保留了一條從發現、證據到最終可審閱綜合的清晰路徑。