KeyFrame內部研究專用

How to Use NotebookLM 2.0 After the Big Update (NotebookLM Tutorial)

AI Master20 min中文
觀看原始影片

三句話摘要

Google Notebook LM 六月更新:代理驅動的研究自動化,從空白頁 12 分鐘內生成投資條與財務預測。 Notebook LM 的代理更新打破了研究到內容生成的工具割裂——12 分鐘從空白頁到成品文件——但其核心優勢仍在來源根植的精準度,應與 Gemini/Claude 堆疊而非單獨使用。 多源整合的三角洲驗證法:學術論文提供嚴謹深度、YouTube 抓住最新趨勢(論文通常滯後)、Podcast 提供正式文獻找不到的對話角度,三種來源混合才能獲得 360 度完整認知,單一格式無法達成。

重點整理

  1. 多源整合的三角洲驗證法:學術論文提供嚴謹深度、YouTube 抓住最新趨勢(論文通常滯後)、Podcast 提供正式文獻找不到的對話角度,三種來源混合才能獲得 360 度完整認知,單一格式無法達成。

  2. 來源品質三步篩檢框架:第一步建表查看發表日期、作者資歷、來源類型判斷研究水準;第二步分析哪些來源被其他文獻最頻繁引用(找出核心參考文獻);第三步評估前五名最重要來源的主要視角與潛在偏見(發現該領域是否傾向懷疑、炒作、廠商贊助或中立),90 秒內快速評估整個知識庫的可信度。

  3. 代理打破傳統工具邊界:Notebook LM、Gemini、ChatGPT 等傳統聊天工具能告訴你「如何降低手機方案費用」但無法實際撥號協商,代理則自動搜尋、建立策略、執行談判、要求批准。演講者測試時代理將他的網路帳單從 $89 降至 $67(年省 $264),平均用戶在電信帳單省 $600、車險省 $600。

  4. 生態系統堆疊優於單一工具:Notebook LM 專門處理來源根植的深度研究(比通用模型少幻覺 86%),Gemini 用於將研究轉化為草稿,ChatGPT 用於早期腦力激盪,三個工具不是競爭而是分層補強,不該替代而應堆疊使用。

實用技巧與重點

  • 定價方案(截至 2026 年 6 月 22 日)
  • 免費層:$0,100 筆記本 × 50 來源,50 次日聊天
  • Plus:$7.99/月,200 筆記本 × 100 來源,200 次日聊天
  • Pro:$19.99/月(驗證學生 $9.99),500 筆記本 × 300 來源,優先支援
  • Ultra:$99.99/月,500 筆記本 × 600 來源,5000 次日聊天,完整代理功能
  • Enterprise:客製定價
  • 支援輸入格式
  • PDF、網站、YouTube 影片、Google Docs、試算表、音訊檔(Podcast 等)
  • Studio 輸出格式
  • 音訊概覽:Deep Dive(雙主持對話)、Brief(5 分鐘快版)、Critique(推敲質疑)、Debate(對立論證)
  • 心智圖:PNG 輸出,支援節點點擊生成分支答案,第三方工具可轉出 mindmap/OPML
  • 閃卡與測驗:跨裝置同步進度,可標記已掌握/未掌握,shuffle 隨機重排
  • 報告:自訂執行摘要
  • 資訊圖:10 種風格(sketch node、bento grid、editorial、kawaii 等)+ 自訂選項,建議用「標準詳細度」而非「詳細模式」以保持文字可讀性
  • 投影片:詳細版(文字重、適合獨立分享)vs 演講版(簡潔、適合現場展示),15-20 張預設,使用 Nano Banana Pro 生圖
  • 影片概覽:9 種風格(watercolor、papercraft、whiteboard、heritage、anime、retro、print 等)+ 自訂,Cinematic Mode 自動決策過渡、間距、構圖
  • Deep Research 性能
  • 新版本網路研究勝舊版 78% 的對標評測
  • 生成約 50 個相關來源 + 完整研究報告
  • 代理功能(Ultra/Workspace 獨有)
  • 獨立沙盒 VM 執行 Python,生成含公式的 Excel 而非靜態表格
  • 100+ 技能庫(Anti-gravity 驅動,自動選擇合適技能)
  • 檔案格式:PDF、DOCX、XLSX、PPTX、CSV、JSON、PNG/SVG 圖表
  • 自主來源發現(使用 Google Search)+ 每步要求批准
  • 支援跨語言:用一種語言指示、生成另一種語言輸出
  • 其他功能
  • 跨語言生成:輸入中文指令、生成英文輸出(新增)
  • Notebook 命名須具體(如「AI 影片生成研究 2026」)而非通用(如「研究」),讓 LM 更精準回答
  • 設定面板:自訂角色身份(如「專注 YouTube 創作者內容策略的研究員」)、回應長度,設定一次全筆記本適用
  • 來源勾選可手動篩選:只勾選欲使用的來源進行特定提問
  • Pine AI 協商代理
  • 平均省電信帳單 $600、車險保費 $600(真實平均值,非尖端案例)

結論

Notebook LM 的代理更新打破了研究到內容生成的工具割裂——12 分鐘從空白頁到成品文件——但其核心優勢仍在來源根植的精準度,應與 Gemini/Claude 堆疊而非單獨使用。

完整解析

Google Notebook LM 的最新更新解決了研究工作流程的根本痛點:資訊碎片化與工具割裂。傳統方式下,研究者必須在多個應用間切換——找來源用搜尋引擎、彙整用試算表、整理用筆記軟體、寫報告用文字編輯器——每次切換都是認知負擔。演講者展示的核心創新是「代理」功能:你只需描述想要的最終產物,Notebook LM 的後台代理會自動規畫執行步驟、逐項請你批准、完成並交付。比如他從空白筆記本開始,連發三個提示:「幫我找 30 個 AI 影片生成的優質來源」、「根據這些來源製作 12 張投資者導向的投資條」、「生成 5 年財務預測試算表」。整個流程在一個聊天串內耗時 12 分鐘,產出投資條 PPTX + 財務預測 XLSX,兩年前這需要整個下午與三個不同工具。

多源整合是理解 Notebook LM 優勢的關鍵。演講者強調不要只用一種來源格式:學術論文提供嚴謹但滯後的深度、YouTube 影片捕捉最新趨勢但可能不夠嚴謹、Podcast 提供正式文獻找不到的對話視角與業界現況。用來源勾選機制可以進行「手術級」提問——有 40 個來源時,只勾選 3 篇同儕評審論文來得到特定問題的精準答案,然後全部打開進行下一個問題。他還分享了驗證來源品質的框架:先建表查看發表日期、作者資歷、格式類型判斷你是否坐在真正的研究還是 50 篇由內容農場寫手製作的部落格文;再找出最常被引用的文獻(發現該領域的核心參考);最後檢查前五名最重要來源的主要觀點與潛在偏見(判斷知識庫是傾向懷疑、炒作、廠商贊助還是相對中立)。這三步查驗僅需 90 秒,卻能救你免於在脆弱的資訊基礎上建立整份報告。

生成能力跨越了傳統聊天工具的邊界。Notebook LM、ChatGPT、Gemini 都能告訴你「如何與電信商協商降低帳單」的步驟,但都無法實際撥號並為你談判——這就是為什麼演講者在影片中穿插了 Pine AI 代理的廣告。Pine 會分析你的帳戶細節、制定協商策略、撥號給客服、在你批准前說明最終方案。真實用戶平均在電信帳單節省 $600、車險保費節省 $600。回到 Notebook LM,Ultra 和 Workspace 方案的代理功能類似:它能自主搜尋網路、提議研究計畫、生成含公式的 Excel 檔案(而非靜態表格截圖),每一步都要求你批准,確保它不會偏離你的源頭根植。

演講者最終建議是將工具視為分層堆疊而非競爭關係。Notebook LM 在「來源根植的深度研究」這個特定車道上擊敗 ChatGPT、Gemini 和 Claude,精準度達 86%(根據內部基準測試)。他個人的工具棧是:Notebook LM 做研究與綜合,Gemini 或 Claude 做最終草稿寫作,ChatGPT 用於早期腦力激盪時的粗糙想法。不同工具各司其職,不該互相替代。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。