最近整理完一批企業內訓資料後，我對 NotebookLM／Gemini Notebook 的看法跟過往截然不同。
多數人主要把它當成很會讀資料的筆記工具。把文件放進去，它能摘要、回答問題，還會主動標出資料依據，拿來做研究、備課或整理大量文件已經相當好用。現在的 Notebook 又多了幾項關鍵能力：它可以寫程式處理資料，也能把整理好的成果直接匯出成 PDF、DOCX、Markdown、PPTX、XLSX、CSV、JSON。換句話說，它開始從「讀完資料後回答問題」，走向「根據資料完成一段具體工作，並留下可以繼續使用的成品」。
我傾向把這波進展理解成：Google 的 Agent 能力正逐漸走進大家平常習慣的工作介面中。Antigravity 已經被 Google 定位為 agent-first 的開發平台，專門用來編排多個 Agent、平行處理任務與排程；不過 Google 目前還沒公開說明 NotebookLM 的各項功能到底底層串了哪些 Antigravity 元件，所以我暫時把兩者看作同一個產品發展脈絡，先不直接畫上等號。
這裡說的小型 Agent 工作台，也不用腦補成裡面真的住了一群 Agent，在背景開會、辯論，最後還記得準時交作業。比較務實的理解是：我們可以在一個 Notebook 裡，把資料來源、工作規格、處理順序、版本修訂、檔案匯出與人工檢查整套安排好。只要這套流程可以重複套用，它就已經具備相當明確的 Agent 工作特質。
它跟 Gemini Spark 的定位還是有些不同。Google 把 Spark 描述成能全天候運作、依照指令採取行動的個人 Agent；Notebook 的優勢則在於資料來源完全受控、整理方法可以留存、工作可以分批接續，而且成果能直接轉成可用檔案。前者像個隨身助理，後者更像一間資料備齊、工作規則清清楚楚的小型工作室。
一般對話和 Notebook，差別到底在哪？
一般聊天對話紀錄主要保存「我們聊過什麼」；Notebook 開始保存的，則是「要用哪些資料、照什麼步驟處理，以及最後要產出什麼格式的成果」。
這個差別看似很小，實際操作起來體驗完全不同。一般對話很容易聊著聊著就變成一長串紀錄，等聊到第三十輪，連自己都想不起來第七輪到底給了什麼具體條件。Notebook 裡的資料來源可以隨時保留與重新勾選，工作規格也能獨立寫成檔案存著。下一次要做類似任務時，完全不需要從頭把前情提要再講一次。
以我整理企訓資料的工作為例，在還沒有 ChatGPT Codex、Claude Cowork 之前，我的工作型態很像在做數位考古。逐字稿放在一個資料夾，HTML 講義存在另一個地方，上課示範的 ChatGPT 對話備份又丟在第三個角落，最後全靠我本人在這些資料夾之間充當人肉 API。現在除了可以使用 ChatGPT Codex、Claude Cowork ， Gemini Notebook 是另一個好選擇！
最關鍵的技巧：把整理方法寫成一個小 Skill
如果你經常需要用固定方法整理資料，最實用的做法，就是把這套工作邏輯寫成一份 Markdown 檔案，直接放進 Notebook 的資料來源區。
這份 Skill 可以先從簡單幾行開始，再隨需求慢慢補齊。裡面至少要講清楚幾件事：這項工作的目的與讀者是誰、哪些檔案是主要依據、處理順序為何、哪些內容絕對不能憑空猜測、不確定時該如何標註、產出必須包含哪些欄位，以及最後要輸出成什麼檔案格式。
舉例來說，當我需要把整場企業內訓整理成後續能做成短影音的內容時，我會先建立一份「課程單元切割 Skill」。裡面會明確規範每個單元都必須保留時間標記、單元標題、第一人稱口吻講述、教學邏輯、核心觀念、現場案例故事、使用過的提示詞，以及對應的資料來源。
第一輪確認沒問題後，我再掛上另一份「影片腳本 Skill」，請它把確認好的單元轉成鏡頭秒數、畫面構圖描述、字卡文案、第一人稱旁白與圖像生成提示詞。
這種做法最大的好處在於：Skill 可以隨選隨用。每次有新資料進來，只要勾選這份 Skill，再勾選這一輪要處理的逐字稿、講義與對話備份，就能立刻沿用同一套工作方法，再也不用每次手動複製貼上一大串提示詞。
先前在設計 NotebookLM 的教學架構時，我也試過把角色分流、不同嚴格程度、Skill 組合與工作階段直接寫入資料來源，讓使用者可以依照當下任務，隨時切換深度分析、角色模擬、會前準備或談判演練等模式。
一套能直接照著執行的六步驟流程
第一步：把原始資料通通收進同一個 Notebook
以企業內訓的課後整理為例，我通常會放三類資料進去：
- 課堂逐字稿：用來保留實際授課節奏、現場學員互動問答與講者的真實口氣。
- HTML 講義或簡報文字：用來確認課程骨幹架構、圖表意涵、提示詞範例與操作步驟。
- 工具示範對話備份：用來補齊課堂上實際跑過的實作過程。
這三種資料的定位完全不同：逐字稿代表現場實況，講義代表課前設計，對話備份則是操作細節。把資料全部丟進去之後，記得要明確讓 Notebook 知道哪一份是主要骨幹，哪些資料只是用來核對或補充細節。
資料來源多，並不代表每一輪都要全選。選取哪些來源本身就是工作流程的一環。一次只處理一堂課、一份逐字稿或切分後的幾個單元，通常比直接叫模型一次硬吞整個資料庫要好檢查得多。
第二步：勾選 Skill 與本輪要處理的資料
在對話框裡，先挑選本輪要套用的 Skill，接著只勾選這一次要處理的檔案。
例如這輪要整理 8 月 21 日的課程，就單純勾選當天的逐字稿、對應講義、操作對話備份以及單元切割 Skill。如果之後需要補充專有名詞，再把術語對照表勾進來；確定要做影片時，才把影片腳本 Skill 放進選單。
這樣做能避免模型在大量資料庫裡到處亂抓關聯，也能大幅降低不同日期、不同班別或新舊版本內容混在一起的狀況。
第三步：先產出結構化的中間稿
我一般不會一開口就叫它直接生出影片、整份簡報或長篇報告，而是會讓它先產出一份方便搜尋、交叉比對與微調的 Markdown 中間稿。
舉例來說，先把三小時的逐字稿拆成二十幾個小單元，確認時間段、標題跟內容範圍都對了，接著只針對單元一到五細修，再來處理六到十。哪一段寫得不夠好就只改那一段，不需要每次都叫模型把整份文件重跑一遍。
這個步驟能避開很多人常踩的坑：第一版明明已經有八成內容很精準，但為了改剩下的兩段叫它全部重寫，結果原本對的那八成也跟著被改壞了。最後檔案名稱只能一路變成 final_v2_真的final_再改一次_最後版，這大概也是大家日常工作中最熟悉的默契。
第四步：分批推進並保留版本紀錄
每一次擴充內容時，指令都要明確說清楚三件事：以哪一個版本當底稿、這一次要處理哪幾個單元，以及哪些既有內容必須一字不差地保留。
整個推進順序可以這樣走：
- 第一版：純粹做單元結構切割。
- 第二版：補上教學邏輯與核心觀念。
- 第三版：加入完整的課堂旁白。
- 第四版：加上畫面構圖、字卡文案與圖像生成提示詞。
- 第五版：正式匯出成影片腳本或簡報草稿。
建立好這種版本鏈，絕對比在對話框單純打「繼續」要可靠許多。中途就算某一輪產出不理想，也能隨時退回上一版重來，不用每次都得從最初的逐字稿重新讀起。
第五步：交給 Studio 匯出成品
中間稿全部確認無誤後，再交給 Studio 功能轉出成 DOCX、PPTX、PDF、Markdown 或其他需要的格式。如果需要做影音摘要，也可以指定影片形式、語言、視覺風格與切入重點。Video Overview 能在背景自動運算，這段時間你還能同時建立其他檔案；不過 Google 也有特別提醒，影片中的內容、聲音或畫面有時仍可能產生微小誤差。
第六步：確實做好人工驗收
最後還是得由真人回到幾個核心問題做把關：重要段落有沒有被漏掉？時間、數據跟專有名詞有沒有寫錯？模型有沒有把自己的推論當成事實寫進去？字卡內容讀起來順不順？不同版本之間有沒有出現前後矛盾的說法？
如果產出內容準備公開發布、放進正式教材或交給客戶驗收，更得仔細確認資料授權、敏感資訊、品牌風格以及專業判斷。
AI 確實很擅長把文字修飾得很流暢，但「讀起來很順」從來都不等於「內容完全正確」。有時候它是真的整理得很扎實，有時候則只是在非常流暢地胡說八道。
所謂的一氣呵成，從來不是靠一句超長提示詞搞定
我現在說的一氣呵成，是指整個工作鏈能在同一個介面裡順暢串接：原始資料餵進來、Skill 定義處理規則、中間稿整理架構、版本推進修訂、Studio 負責輸出檔案，最後由真人把關驗收。
這跟「把所有願望塞進一個兩千字的超長提示詞，然後雙手合十祈禱它一次跑對」，完全是兩碼子事。
你的 Skill 也不需要在第一天就寫得面面俱到。先從手邊一個真實的整理任務開始做，發現它常常漏掉出處，就把來源標註規則補上去；發現它很愛自己腦補情節，就把限制條件加進去；發現輸出格式每次都不一樣，就直接把欄位結構定死。每遇過一次失誤，就把規則更新進 Skill 裡，久而久之，這份檔案就會變成一份極度實用的標準作業說明書。
對我來說，Gemini Notebook 目前最有價值的地方，就是讓一般使用者也能用極低的門檻，把自己的整理邏輯、判斷準則與交付格式，沉澱為一套隨時可以重新調用的工作流程。
你不需要一開始就去研究高深的多 Agent 系統。先挑一件平常最常做、做起來最繁瑣的整理工作，把資料庫、處理邏輯、中間產物、匯出格式與驗收標準定清楚，這本身就已經是一個非常實用的小型 Agent 流程了。
以前我得花大把時間在逐字稿、講義跟對話紀錄之間當搬運工。現在 Notebook 已經能幫忙接手大部分的整理活，我只要專心負責那個目前最難被外包、也最關鍵的步驟：判斷這份產出到底有沒有價值、能不能放心拿來用。
這道工序看起來沒有一鍵生出影片那麼炫麗，但說實話，這才是整套流程裡最值錢的部分。