NotebookLM 整合術：每天省下 3 小時資料整理

我曾經是資料整理的奴隸

製作 YouTube 影片之前，我有一個「研究」的習慣。每一個我想做的主題，我都會先花時間收集資料、讀文章、看書、整理重點。

這個習慣是好的，但執行起來非常耗時。

一個 15 分鐘的影片，背後的研究可能需要 5-8 小時。光是「把資料整理成我能用的格式」就佔了大半的時間——收集文章、讀每一篇、標記重點、手動把所有重點彙整到一份文件、找出不同來源之間的矛盾和補充……

這個過程雖然讓我學到東西，但老實說，很多時間是花在「搬磚頭」——機械性的整理工作，而不是真正有創意的思考。

直到我開始用 NotebookLM，這一切改變了。

NotebookLM 是什麼？為什麼它跟其他 AI 不一樣？

一般的 AI（比如 ChatGPT、Claude）是從它的訓練資料回答問題，知識截止到某個時間點，而且你不確定它說的是哪裡來的。

NotebookLM 不一樣。它是一個基於你提供的資料來回答問題的 AI。你把資料丟進去，它就只從這些資料裡找答案，而且會精準引用來源。

這個差異很關鍵。當你在研究一個特定主題的時候，你不需要一個「什麼都懂」的 AI，你需要一個「對這 20 份資料非常熟悉」的 AI。NotebookLM 就是這個。

比喻：ChatGPT 是一個博覽群書的學者；NotebookLM 是一個把你指定的 20 本書全部背起來的助理。前者的廣度更大，但後者對你給的材料更精準。

NotebookLM 能做什麼？（實際功能解析）

功能一：自動生成摘要

把一份 PDF 或網頁丟進去，幾秒內得到結構化摘要。不是草率的「總共有這些重點」，而是有層次的分析：主要論點是什麼、支持論據有哪些、結論是什麼。

功能二：跨來源問答

你問一個問題，它會整合所有來源的資訊來回答，並標明每個論點出自哪個資料。

這個功能的威力在於：你不需要自己去讀每一篇資料，然後手動交叉比對。你問它「這些資料對 X 觀點有什麼不同意見？」，它會把矛盾的地方整理出來給你。

功能三：Podcast 風格對話摘要

這個功能我一開始覺得是噱頭，後來發現超有用。它可以生成一段兩個 AI 主持人討論你的資料的對話，像在聽 Podcast。

當我把一份很枯燥的技術文件轉成這種格式之後，我在通勤的時候可以「聽」資料整理，而不是盯著螢幕讀。這個功能讓我的資料消化效率高了很多。

功能四：精準引用

每個回答都有來源引用，你可以點進去看原始資料的哪個段落。這讓你對 AI 的輸出有信心，也讓你在寫作的時候可以直接引用原始資料。

我的 NotebookLM 整合工作流（完整版）

這是我現在做 YouTube 研究的流程，從以前的 5-8 小時，縮短到 1.5-2 小時：

第一步：定義研究問題（10 分鐘）

在開始之前，先寫下 3-5 個我想從研究中得到答案的問題。

比如我要做一支「為什麼 Notion 在台灣這麼流行」的影片，我會先問自己：

這些問題會指導後續的資料收集，讓我不會收集一堆跟主題無關的東西。

第二步：收集資料（20 分鐘）

把相關資料丟進 NotebookLM 的筆記本：

一個筆記本大概放 10-20 份資料就夠了。太多資料反而會讓 AI 的回答變得散漫。

第三步：AI 問答整理（30 分鐘）

用我在第一步寫下的問題，一一去問 NotebookLM。

我有一個問問題的技巧：先問廣泛的問題，再根據 AI 的回答，挖掘有趣的細節。

比如先問「根據這些資料，Notion 的核心優勢是什麼？」，然後根據它的回答，再問「文章裡有沒有提到什麼 Notion 用戶覺得不滿意的地方？」

第四步：提煉洞察，轉移到 Heptabase（30 分鐘）

AI 整理好的重點，不是直接複製貼上。我會看著 AI 的整理，用自己的話重新寫——哪些洞察是我覺得最重要的、哪些是我之前沒想到的、哪些引發了我新的思考。

這些用自己的話寫的洞察，轉成 Heptabase 的知識卡片，放到對應的白板上。

第五步：生成影片腳本骨架（20 分鐘）

把整理好的洞察，告訴 NotebookLM「幫我把這些整理成一個影片腳本的骨架，分成開場、主體三個部分、結尾」。

不是叫它直接寫腳本，而是生成骨架。具體的腳本還是要我自己寫，但有了骨架，寫起來快很多。

使用 NotebookLM 3 個月後的反思

好的地方：

要注意的地方：

最重要的心態：

NotebookLM 不是要取代你的思考，而是要消除「搬磚頭」的工作，讓你把時間花在真正需要你的部分——判斷、創意、論點建構。

善用 AI，不是偷懶，是把時間花在更有價值的思考上。 每節省一小時的機械性工作，就多出一小時做真正有深度的事。