Prompt para NotebookLM: como escrever e o que pedir para ter respostas melhores

A mesma pergunta, jogada de dois jeitos diferentes, devolve duas respostas que quase não parecem da mesma ferramenta

E isso não é sorte, é o jeito que o NotebookLM funciona por dentro

Ele é uma ferramenta do Google construída sobre os modelos Gemini, mas com uma diferença que muda tudo: ele só responde a partir das fontes que VOCÊ carrega

Ou seja, o prompt não está puxando conhecimento do mundo, ele está mirando o seu material

Saber pedir, aqui, muda o resultado mais do que em qualquer chat genérico 🙂

Antes de escrever: como o NotebookLM entende seu pedido

Antes de pensar no prompt em si, vale entender uma coisa, porque é ela que explica todo o resto

O NotebookLM é source-grounded

Que nome é esse? Basicamente quer dizer que ele gera resposta APENAS com base nas fontes que você subiu, e ainda coloca citações clicáveis apontando a passagem exata que usou

Diferente do Gemini genérico, ele não puxa conhecimento da web e não sai respondendo pergunta geral do universo

Se a resposta não está nas suas fontes, ele não inventa pra te agradar

E como ele acha o que responder? Por RAG, geração aumentada por recuperação

Se você conhece a ideia de busca antes de responder, é bem por aí: ele primeiro recupera os trechos mais relevantes dentro das suas fontes, e só depois gera a resposta ancorada naqueles trechos

Sacou a consequência disso? O seu prompt não precisa ensinar o assunto pra ele

O seu prompt precisa dizer O QUE recuperar e COMO devolver

É um detalhe que vira a chave: você para de escrever pergunta pro modelo e começa a escrever pedido pras suas fontes

Como estruturar um prompt para respostas melhores

Com isso em mente, dá pra montar qualquer prompt seguindo uns passos simples

Não é fórmula secreta, é só organizar o pedido do jeito que a ferramenta trabalha

1. Defina UMA tarefa por prompt. Escolha uma coisa só: resumir, comparar, listar, extrair. Um pedido claro e único faz o RAG recuperar os trechos certos

O erro comum deste passo: enfiar três pedidos no mesmo prompt ("resume, compara e me dá um plano de ação"). Aí ele divide a atenção e entrega raso em tudo

2. Indique o recorte e a fonte. Diga de ONDE ele deve tirar ("com base no relatório X", "só nos artigos sobre preço"). Isso ajuda a recuperação a mirar o pedaço certo do seu material

O erro comum deste passo: esperar conhecimento externo. Se você perguntar algo que não está em fonte nenhuma, ele não vai completar com o que sabe da web, porque ele não faz isso

3. Peça o formato de saída. Fale como quer receber: tabela, lista com tópicos, resumo em 5 pontos, parágrafo curto. Formato pedido é formato entregue

O erro comum deste passo: deixar em aberto e depois reclamar que veio um textão. Se você não pediu formato, ele escolhe por você

4. Peça as citações no corpo. Ele já rastreia as passagens, então peça pra apontar de qual fonte saiu cada afirmação. Isso te deixa conferir a origem em vez de confiar cego

5. Refine em cima da resposta. Não trate a primeira resposta como final. Peça pra aprofundar um ponto, cortar outro, ou "detalhar mais ainda dando mais contexto". A saída pode vir enxuta, e um segundo pedido puxa mais detalhe

Um exemplo de prompt já montado nesses moldes, pronto pra colar:

Com base apenas nas fontes deste notebook, liste os 5 principais
problemas que os usuários relatam sobre controle financeiro.
Para cada problema, aponte de qual fonte a informação veio.
Responda em formato de lista, uma linha por problema.

Se você quiser ir mais fundo em como redigir esses pedidos passo a passo, tem um guia completo de prompts no NotebookLM aqui no blog que casa direitinho com essa parte

O que pedir ao NotebookLM: exemplos de prompts por objetivo

Beleza, a estrutura você já tem

Agora, o que dá pra pedir na prática? Se liga nesses modelos por objetivo, é só trocar o assunto pelo seu

Repara que todos eles seguem a mesma lógica dos passos: uma tarefa, um recorte, um formato e a fonte pedida

E aquele desejo de salvar seus prompts campeões pra reusar com um comando rápido? Existe, mas com um asterisco importante

Salvar e reutilizar prompts por slash commands (aqueles comandos com barra) NÃO é recurso nativo do NotebookLM

Isso vem de uma extensão de terceiros pro Chrome, a NotebookLM Tools, que guarda os prompts salvos localmente no navegador (com limite de 100)

Ou seja, é útil, mas é ferramenta externa, não confunda com função do próprio NotebookLM

Na prática: prompts que funcionaram no meu uso real

Teoria é bonita, mas o negócio fica claro mesmo quando você vê rodando 😀

No vídeo abaixo eu combino o NotebookLM com o Antigravity e skills pra criar um app completo do zero, e quase tudo depende de pedir bem pras fontes

Algumas coisas que fiz ali e que valem como aprendizado de primeira mão:

Antes de tudo, renomeei o notebook na mão

Por quê? Porque o NotebookLM dá um nome automático baseado no prompt, e isso às vezes desvia do que eu realmente quero

Chamei de "pesquisa de mercado para app financeiro", que já deixa claro pra mim mesmo do que aquele notebook trata quando eu bato o olho

Depois, pra alimentar o notebook, dá pra usar Google Drive, vídeos do YouTube, arquivos e textos seus

Mas eu preferi a pesquisa na internet pra achar os melhores resultados e ir direto ao ponto na demonstração

O prompt de pesquisa que escrevi não foi vago: pedi os maiores problemas que pessoas comuns têm com controle financeiro, as frustrações, por que desistem de apps de finanças, o que os melhores apps do mercado acertam, quais funcionalidades são essenciais versus supérfluas e como funciona a categorização de gastos

Quando as fontes voltaram, revisei uma a uma e desmarquei as que eu não conhecia ou não confiava

Esse passo é chato mas importante: só as fontes selecionadas alimentam as respostas seguintes, então lixo que entra é lixo que sai

Aí, antes de pedir os prompts, declarei o objetivo do projeto pro NotebookLM, pra ele entender o que eu queria criar e usar as fontes na resposta

E o pedido em si? Prompts prontos pra colar no Antigravity, separados em dois

Um pro back end, especificando a stack (Express e SQLite) e pedindo uma API REST completa: todas as rotas, modelagem de dados, autenticação JWT, validação, tudo baseado nos problemas e funcionalidades priorizados por impacto na pesquisa

Outro pro front end, com a stack (React), pedindo todos os componentes, telas, gráficos, filtros e decisões de experiência baseadas no que a pesquisa diz que funciona melhor

Instruí que os prompts tinham que ser complexos, completos e específicos o suficiente pro Antigravity executar sem precisar de mais contexto

E se liga nessa: depois da primeira geração, pedi pra detalhar ainda mais ("detalhe mais ainda o prompt para o back end, dando mais contexto e informações do projeto"), e repeti pro front

Peço de novo de propósito, porque a saída do NotebookLM é limitada, e o pedido de aprofundamento gera um prompt maior e mais detalhado

Uma coisa que eu SEMPRE faço: leio e valido o prompt gerado antes de usar, em vez de copiar sem conferir

E dá pra ver que os prompts gerados citam as fontes, mostrando o que os usuários pediam e o que os blogs e artigos de referência falavam

A sacada toda é essa: usar o NotebookLM pra pesquisar dores reais de mercado e gerar os prompts, em vez de escrever o prompt no achismo

O resultado é um projeto validado por problema de cliente real e um prompt bem mais assertivo, que somado ao Antigravity e às skills ajuda a criar o app com menos erro

Conclusão

No fim, a lógica é simples e vale pra qualquer notebook que você montar

Fonte boa mais prompt específico é igual resposta melhor

Como o NotebookLM só responde a partir do que você carrega e trabalha por RAG, o seu pedido não precisa ensinar o assunto, ele precisa dizer o que recuperar e como devolver

Então o próximo passo é seu: pega aqueles modelos de prompt por objetivo, sobe suas fontes e testa um por um no seu material

Você vai sentir a diferença de um pedido vago pra um pedido bem recortado logo na primeira resposta 😉

até o próximo post!