昨天帶企業進行生成式 AI 工作流程工作坊時，我主要使用 ChatGPT Projects 示範。做法是把資料檔、計算規則、Python 程式、檢查條件與報表格式放進同一個 Project，再要求 ChatGPT 讀取資料、執行計算、核對結果，最後產出報表。
ChatGPT 本來就具備這類資料分析能力。它會在具備狀態保存功能的 Jupyter 執行環境中撰寫與執行 Python，可以處理資料清理、欄位轉換、統計計算、圖表與檔案輸出。因此，只要工作流程定義清楚，許多原本需要人工反覆操作的步驟，都可以集中在同一個 Project 裡完成。
但是，昨天現場有不少學員主要使用 Gemini Notebook（NotebookLM）。對這些學員來說，最大的障礙通常不在工作流程本身，而是 Python 程式碼到底要放在哪裡、如何執行、資料檔如何交給程式，以及最後要去哪裡取得計算結果。
今天晚上越想越不甘心，我忽然想到一個很直接的方法：把 Python 程式碼、函式名稱、輸入檔名、執行順序、檢查規則與輸出要求，全部整理成 Markdown 檔案，再把這些 Markdown 檔放進 Gemini Notebook（NotebookLM）的來源區。
Gemini Notebook（NotebookLM）已經可以直接讀取 Markdown、CSV、Google Sheets、Word、PDF 與 PowerPoint 等來源。使用者也可以勾選特定來源，要求系統只根據指定文件完成任務。
真正關鍵的更新，是 Gemini Notebook（NotebookLM）現在加入了代理式執行能力（Agentic Capabilities）。這項能力與 Google Antigravity 及安全的雲端電腦相連。每一本 Notebook 都可以使用獨立的雲端運算環境撰寫與執行程式，並將結果轉成各種檔案。
所以，我這次不是只放一段零散的 Python 程式，而是把整個工作流程整理成多份來源文件，包括：
- 資料字典與欄位定義
- 測試資料說明
- 計算規則與情境參數
- 資料品質檢查程式
- 情境計算程式
- 衝突檢查與人工核准條件
- 報表與結果檔案產生程式
接著，我在 Gemini Notebook（NotebookLM）的對話區指定它讀取特定 Markdown 文件，擷取其中的 Python 程式區塊，依序載入同一個執行環境，再讀取來源區裡的 CSV 資料完成計算。
結果真的跑起來了。
這次測試最後產生了 execution_log.txt、report.md、data_quality_report.csv、human_gates.csv 與 scenario_results.csv。也就是說，它不只解釋程式碼，還實際執行程式、讀取資料、進行檢查，並建立多個可以下載的結果檔案。
這個發現的重要性在於，Markdown 不再只是說明文件。只要文件裡清楚寫出輸入資料、處理規則、程式碼、錯誤處理與輸出格式，它就可以成為一份可執行的工作流程規格。
因此，在固定資料來源、資料檢查、情境模擬、計算與報表產出這一類任務上，Gemini Notebook（NotebookLM）已經具備和 ChatGPT Projects、Claude Projects 相近的工作能力：資料與知識放在 Project 或 Notebook 中，規則寫成文件，系統讀取來源後執行程式，最後建立可下載的結果檔案。ChatGPT 使用 Jupyter 執行 Python；Claude Projects 則結合專案知識庫與隔離的程式執行環境。
三個平台的權限、來源管理、網路存取與執行環境仍有差異。但是對企業工作坊最常處理的封閉資料分析、資料核對、情境計算與報表產出而言，現在已經可以採用相近的設計方式。
這也解決了一個很實際的教學問題：學員不必先學會如何建立 Python 專案，也不必自己處理執行環境。講師只要把經過測試的程式、規則與操作順序整理成 Markdown，學員就能在熟悉的 Gemini Notebook（NotebookLM）介面中執行整套工作流程。
目前這項程式執行與檔案建立能力主要開放給 Google AI Pro 與 Ultra 使用者，Google 也仍將其標示為實驗功能。所以我也不確定是不是所有人現在都可以一樣執行這個做法。然而，我覺得很值得一試，大家可以試著發揮 Gemini Notebook（NotebookLM）的最大潛力。