這篇在講什麼
這篇整理「NotebookLM 應用大全」免費講座（百人場）的完整內容。NotebookLM 的價值在於把資料變成可追問、可比對、可整理的知識空間，這篇教你怎麼一步步把它從存資料的工具，用成會給你行動建議的知識分析助理。
· 常要讀大量報告、論文、教學影片，讀不完又怕漏掉重點的人
· 已經會把資料丟進 NotebookLM 摘要，想往下一步走的人
· 想把多位老師、多份來源整理成自己 AI 顧問的學習者
· 讀報告的四階段進化路線，和「讓報告來讀我」的具體提示詞
· 多來源知識庫與跨領域合作課綱的真實案例
· 兩個踩過雷的資料整理技巧：PDF 陷阱與 Markdown 內容邊界
先定位：AI 賦能的兩個方向
AI 應用現在有兩個很明確的大方向。OpenAI 在 2025 年 9 月發布的研究追蹤了全球七億使用者的行為，發現目前大部分的使用集中在第一種，小部分在第二種。
讓 AI 自己去操作執行：寫文章、翻譯、做簡報、生圖片。目前大多數人的用法都在這裡。
驗證想法、輔助決策、找盲點。用的人少，但這正是知識工作者拉開差距的地方。
NotebookLM 走的是第二條路。與其等 AI 更自動化，先把自己的知識整理好，讓 AI 有能力當你的顧問，是更實際的路線。
讀報告的四階段進化
沒有 AI 的年代，資訊太多常常讀不完。
大部分人現在的做法。常見疑問也跟著來：都用 AI 摘要，真的有學到嗎？
十份報告先請 AI 全部摘要，快速確定哪一份最需要優先讀，然後照樣精讀那一份。AI 負責過濾，精讀還是自己來。
把報告丟給 AI，請它根據我的情況，給我適合我的建議跟行動方案。
開記憶模式可以，但對話記憶會混進錯誤與過時的訊息。更乾淨的做法是準備一份個人檔案。
基本資料、核心身份、定位、職業路徑，一份專門給 AI 顧問看的快速簡介。
第四階段的提示詞很簡單：
從「我去讀報告」變成「報告來讀我」，同一份資料的價值就完全不同了。
從一份報告到一整批：多來源知識庫
一份報告能給建議，那十份報告呢？某位老師二三十支系列影片呢？NotebookLM 的容量撐得起這種玩法：以 2026 年初的方案，免費版一個筆記本可以裝 50 個來源，付費版可以到 300 個（實際額度以官方公告為準）。量級一拉開，就從「用一份報告讀我的簡歷」變成「用 20 位老師的知識庫，來讀我兩三年的工作日記」。
跨領域合作是另一個實用場景。我當攝影老師的時期，跟一位身心領域的老師合開親子攝影課。我把自己歷年的課程資料放一個知識庫，他放他的，要合作出課綱的時候，新開一個筆記本，把兩邊的來源匯入，跟 AI 說「根據這兩份課綱，幫我設計八堂課、每堂一個半小時」，一版可以實際使用的合作課綱就出來了。
這裡有個學過乖的細節：知識庫要分開維護，用不著整批合併。早期我們把兩人的資料倒進同一個庫，後來發現這個庫從此只能服務這一次合作，他要做別的專案會摻到我的攝影資料，我要跟別人合作也一樣。分開維護、需要時再授權共用、單次匯入，才是乾淨的做法。
兩個踩過雷的資料整理技巧
技巧一：用雲端文件當中央知識庫，小心 PDF
來源格式建議用 Google 文件或純文字。大部分人在 Google 生態系裡，文件跟 NotebookLM 的銜接最順；你有自己的知識庫工具（像 Obsidian）也一樣適用，概念相同。
要小心的是 PDF。PDF 看起來漂亮，是因為它除了文字之外藏了大量隱形的排版代碼，AI 讀取時會被這些代碼和花花綠綠的圖表干擾。丟三份沒事，丟二十份複雜的 PDF，很容易就超過 AI 的處理上限。需要精準數字的內容，建議轉成純文字、Markdown，或直接貼進 Google 文件，都比丟 PDF 穩。
技巧二：用 Markdown 畫出內容邊界
Markdown 是很簡單的寫文章語法，用井字號區分大標題、二級、三級標題。它的價值是幫內容畫出邊界：讓 AI 清楚知道這一段到哪裡結束、下一段從哪裡開始、哪三個重點屬於同一個層級。
以我的會議記錄提示詞為例，三層次整理架構用 Markdown 分層寫清楚之後，AI 就能精準知道第一層執行到哪、第二層從哪開始。指令越寫越複雜的時代，有沒有內容邊界，結果真的差很多。
你可以怎麼練習：建一個小型來源包
先挑三份同主題的文件，建立一個 NotebookLM 筆記本，照這個順序問它：
- 先問摘要：這批資料的核心觀點是什麼。
- 再問比較：這些來源有哪些地方互相矛盾。
- 接著找盲點：我目前的理解是這樣（寫下來），請回到來源找支持證據、反例和缺漏。
- 最後附上你的個人檔案，問行動建議：根據我的情境，這批資料建議我做什麼。
走完這四步，你就會體會到它從資料整理工具變成知識分析助理的差別。對外發布整理結果時，記得標清楚哪些來自來源、哪些是你的整理、哪些是 AI 的推論，讓答案可以被追溯。