今天是 2025 年 12 月 10 日，星期三。昨天下午楊老師先到新竹幫勞動部桃分署所辦理的一個職場講座上課，然後再到三重完成新北市手工藝公會所開辦的Canva AI課程。這是一個為期三個月，每週二晚間的課程，昨天結訓了，大家很開心，期待明年再見面。回到家已經晚上十一點半了，實在太晚，而且身體有一些不舒服，就只好停更一天，但我想，應該不會有太多人發現，哈哈！
今天趕快回到正軌，跟大家繼續介紹AI基礎知識。說實話，這一年楊老師跑了很多場企業內訓，只要聊到「把公司文件變成可以對話的 FAQ」，一定會有人舉手問我同一題：「老師，我們公司沒有工程師，那要怎麼做？聽說 NotebookLM 好像就可以達成目標了，有這麼簡單嗎？還需要什麼 RAG 嗎？」其實，楊老師每次聽到這個問題，心裡都是很高興的，因為，那就代表著，大家不是只在喊 AI，而是開始認真思考，要怎麼把自己公司的知識好好整理、好好被使用。
讓楊老師先講結論。如果你的目標是「先有一個能用的內部 FAQ」，NotebookLM 真的非常好用，也完全值得先上車；但如果你心裡想的是「打造一個企業第二大腦，未來要跟各種系統串在一起」，那 RAG 加上向量資料庫，還是會是那個躲不掉的底層關鍵。NotebookLM 不是來取代 RAG 的，它比較像是前期的測試體驗，可以解決一小部分的問題，至少讓公司同仁們先體會一下，原來公司文件可以這樣被 AI 說出來。我們先回到企業最原始的痛點。多數公司的問題不是「沒有資料」，而是「資料太多、太散、太難找」。SOP 躺在雲端硬碟，產品規格躺在 Excel，客戶問題躺在客服信箱、LINE 對話、內部簡報，明明大家每天都在產生知識，卻沒有人真的整理。新人進來要問十次同一題，資深員工每天當人肉 FAQ，主管常常覺得：「這些東西不是都寫過了嗎？為什麼大家還一直問？」所以所謂「企業 FAQ」，本質就是：讓員工在遇到問題時，可以不用再到處問人，而是問一個懂公司語言、懂公司文件、24 小時不會不耐煩的 AI。
這時候 NotebookLM 就很好用。你不用去建資料庫、也不必會寫程式、不必架伺服器，只要把你現有的 FAQ 文件、SOP、教學講義、產品手冊、內規 PDF 丟進去，它就會自動幫你切段、理解、建立索引。從使用者的角度看起來，就像突然多了一個「文件懂很多的助理」，你問它問題，它會到你給它的文件裡面翻答案，再用還算溫柔的語氣講給你聽。這個過程你完全看不到向量資料庫、看不到 chunk、看不到 embedding，但在背後，其實 Google 已經幫你把一個類似 RAG 的管線都接好了。
楊老師借問一下喔，那 RAG 到底是什麼呢？如果把大模型比喻成一個很會聊天、懂很多概念但不一定懂你公司的「外部顧問」，那 RAG 就是讓這位顧問在回答之前，先去你們公司的檔案室翻資料，再決定怎麼回答。RAG 的全名叫 Retrieval-Augmented Generation，聽起來很學術，其實意思很簡單：先檢索，再生成。它不再只是憑模型自己的「記憶」亂猜，而是有意識地去找你提供的內容，再根據那些內容，重新整理成一個對你有用的答案。這也是為什麼 RAG 在企業界這麼重要，因為真正的問題都不是「世界怎麼看」，而是「我們公司怎麼做」。
而在 RAG 的背後，有一個常被忽略但非常關鍵的主角，就是「向量資料庫」。一般的資料庫存的是字、欄位、表格；向量資料庫存的則是「意義」。你丟一份 FAQ 文件進去，系統會先把這些文字切成一小段一小段，再用模型把每一段轉成一串長長的數字，代表它的語意位置。當有人問一個問題時，問題也會被轉成一組數字，系統就用「哪幾段跟這個問題在語意空間裡最近」這個邏輯，去找出最相關的內容。這整件事如果沒有向量資料庫，是完全做不到的。所以對工程團隊來說，向量資料庫是 RAG 的大腦皮質，沒有它，RAG 就只是空談。
回到 NotebookLM，它做的事情其實就很像：你把文件交給 Google，它幫你把這些文件切片、向量化、索引化，放進自己的「黑箱資料庫」裡。之後你在 NotebookLM 裡發問，它就會去那個黑箱裡找跟你問題最貼近的一些片段，再交給 Gemini 模型去整理、解釋、改寫。只是這整個過程你完全無法調整參數，也看不到內部長什麼樣子，全部都被封裝成一個乾淨的介面。這對大多數沒有工程資源的企業來說，其實是好事，因為你少了很多會卡關的地方，只要會整理文件，就能讓 FAQ 跑起來。
那 NotebookLM 能不能「取代」RAG 呢？如果你問的是：「我們公司短期內只想要一個可以查文件的 FAQ，沒有要串 ERP、沒有要整合 CRM、沒有要做自動回覆客服、沒有要客製化權限控管」，那 NotebookLM 對你來說，確實可以暫時扮演「RAG 系統」的角色，甚至在體驗上還很絲滑，有沒有？但是，如果你心裡想的是：「未來希望 AI 能讀公司全部文件、根據不同權限顯示不同內容、可以接 LINE 官方帳號、可以接 Teams、可以幫我把客服信自動分類、可以跟訂單系統連動」，那這一類的企業第二大腦，就必須走向真正的 RAG 架構，加上自己管理的向量資料庫與各種 Agent 工作流程。
所以比較健康的想法會是這樣，NotebookLM 很適合作為一個體驗版的企業 FAQ。它讓你在沒有工程師的情況下，先把散落的知識收集起來，用 AI 的方式說出來，讓員工願意開始問、願意開始用。這個階段最重要的不是技術，而是文化——大家開始習慣「有問題先問 AI 看看」。等到公司真的用出成效、痛點更清楚、也願意投入資源時，再來思考「哪些部分需要升級成自己的 RAG 系統」，那時候向量資料庫、檢索策略、模型選型、安全權限控管，才會一個一個把他佈建起來。
對很多企業來說，真正的問題不是「要不要 RAG」，而是「現在這個階段，做什麼規模最剛好」。把 FAQ 做到員工願意用、主管看得懂、內訓時拿得出來示範，那 NotebookLM 就是非常適合的第一步。等到你準備好往更深、更整合的 AI 架構前進時，RAG 和向量資料庫會在下一個路口等你，那才是企業第二大腦真正要面對的地方。
講到這邊，大家是不是已經都搞清楚了呢？楊老師最後用幾句話做個總結喔。其實，NotebookLM 和 RAG 不是要二選一，而是同一條路上的兩個里程碑。運用 NotebookLM 可以讓公司上下都馬上感受到，知識可以被 AI 帶動起來的感覺，然後，運用 RAG 則讓你可以一步一步朝向客製化 AI 系統的方向走過去。如果你是老闆或專案經理，請你記得，有時候不需要一開始就花大錢蓋一棟大樓，如果先搭一個穩固的小空間，讓大家願意走進來、願意在裡面說話，體會 AI 帶來的便利，那反而是成功率最高， CP 值最高，更務實、更幸福的開始。
好了，今天的時間差不多了，楊老師的 AI365 要跟大家說再見了喔，明天還有更精彩的內容，請你拭目以待喔，Bye Bye！
