你是不是也有這樣的經驗：今天用 ChatGPT，明天換 Gemini，後天又想試試 Claude？
每換一個平台，就要重新上傳資料、重新建立對話、重新讓 AI 認識你一次。
更麻煩的是，當你在某個平台累積了大量的對話紀錄、建立了專案、整理了資料，結果那個平台突然出問題、漲價、或者功能改版，你會發現：這些資料很難搬走。
這就是「平台綁架」。
所以今天這篇文章的核心觀念是：我們要建立自己的知識庫。
一個不被任何平台綁架、可以跨平台使用的知識管理系統。
今天教的技巧，雖然是以 Gemini 跟 NotebookLM 為主，但這套概念其實可以用在其他平台。重點不是工具，而是「知識庫」的建立方式。
這篇文章適合誰？
- 想用 NotebookLM 但不知道從何開始的人
- 已經在用，但覺得效果普普的人
- 想建立個人或團隊知識庫的人
- 從 ChatGPT 搬家到 Gemini，想了解 Google 生態系的人
- 想要多組知識庫交叉比對，跨域整合者
2026-01-04 講座回放：
講座中示範的小技巧，我把它統整到這邊囉
NotebookLM 小技巧、常見問題集：
https://vocus.cc/article/6960ce58fd897800013b8ac2
大家好，我是江江教練。
我目前主要在做兩件事：
- 隱性知識提煉：幫專業工作者把腦中的經驗、判斷標準整理出來
- AI 應用規劃：建立知識庫，讓 AI 更精準的輔助決策、思考
對AI × 知識管理、隱性知識提煉有興趣？
我每月固定舉辦兩場免費線上講座，報名請加入我的 Line 社群。
我的講座連結會分享在社群記事本：
https://line.me/R/ti/g2/V63_43ngbs_kq1mpVc9LlxXB-1kchHnwdsy3WQ
核心觀念：強化手腳 vs 強化大腦
在進入操作之前，我想先聊一個觀念。
OpenAI 官方有一份研究，是跟哈佛經濟學家 David Deming 合作的。
研究發現：大部分人用 AI 強化「手腳」，叫 AI 寫文章、做簡報、生圖片。
但部分人群是常用 AI 強化「大腦」
問 AI：
- 「你覺得這樣對不對？」
- 「我有什麼沒想到的？」
- 「這個決策有什麼風險？」
前者把 AI 當「執行工具」，後者把 AI 當「決策顧問」。
今天這堂課，聚焦在「強化大腦」這件事：輔助決策的知識管理工作流程。
自動化我還在研究以知識庫為核心的知識流串接，過陣子再跟大家分享心得。
情境案例：讓報告讀我
在講基礎操作之前，我先用一個案例讓大家有感覺。
以下節錄自 Open AI：
我們正式發表目前為止規模最大的研究，深入探討人們如何使用 ChatGPT。
研究採用保護隱私的大規模分析方法，對 150 萬筆對話資料進行分析，追蹤自三年前 ChatGPT 推出以來消費者使用情況的演變。
考量研究樣本規模，以及 ChatGPT 每週約 7 億名活躍使用者，這是目前針對 AI 實際消費者使用情況最全面的公開研究。
報告下載網址：
https://www.nber.org/system/files/working_papers/w34255/w34255.pdf
第一階段：傳統做法
報告那麼多，沒有耐心讀完。
也不知道哪一份報告適合我。
第二階段：請 AI 做摘要
十份報告，先快速請 AI 做摘要。
確定第三份比較適合我，再認真讀那一份。
YouTube 影片也是一樣，先用 NotebookLM 快速過濾，確定適不適合我。
第三階段：讓報告來讀我
看完摘要之後，還是要思考「這怎麼用在我身上？」
為什麼不一開始就叫 AI 幫我找出「適合我的重點」呢？
這就是「讓報告讀我」。
操作方式
提示詞：
「參考這份報告，然後根據我的工作情境、專業背景和目前關注的問題，從中提煉出最適合我的建議和行動方案。」
當然前提是，你的 AI 要夠熟悉你。（記憶模式要開、但要注意雜亂訊息）
像我就直接做了一份個人介紹檔給 AI 參考。
個人專業簡介要寫什麼？
- 我的工作背景
- 我目前在處理的問題
- 我關注的方向等等
延伸閱讀：
AI 工具轉換無痛指南：建立個人知識庫，擺脫平臺綁架
https://vocus.cc/article/693e8627fd8978000148f322
內含：
- 從單一對話提煉提示詞（回推法）
- 簡單\詳細兩種版本 個人設定檔提示詞
這個概念是可以擴充的：
資料來源擴充： 一份報告 → 十份報告、手冊（技能包） → 一個 YouTube 頻道的 30 支影片（知識庫）
個人資料擴充： 我的個人簡介 → 我的 20-30 篇文章（專案資料夾） → 甚至 100 份工作日誌（知識庫）
AI 越了解你，產出的內容就越精準。
還可以更進一步：不只是一個顧問，而是一個顧問團隊。
好幾組知識庫湊在一起，就是跨域的知識整合。（下面會有多組 NotebookLM 跨域分析的範例）
基礎操作：資料整理技巧
技巧一：Google 雲端硬碟作為核心資料庫
核心建議：
除非是已經現成的 PDF，否則如果有機會更新的，或者是必須更新的資料，從雲端硬碟匯入是最方便的。
核心觀念轉變：
我應該是要把 Google 雲端硬碟變成我的核心資料庫。
這樣我東西存在上面之後，不管是要匯入 NotebookLM 還是其他 AI 平台，都很好匯入。
Google 雲端硬碟的三大好處：
- 可以自動更新（Gemini GEM\專案、Claude 專案、NotebookLM 都支援）
- 不管這份文件是給人看的，還是給 AI 看的，都可以用
- 可以同時給很多人看，給 AI 看
實際操作：同步更新功能
在 Google 文件新增一行內容，回到 NotebookLM 按下更新按鈕，新的內容就同步進來了。
點一下引用標記，還可以直接跳到原始文件。
小提醒：
用雲端硬碟自動更新，效率會比較差，用純文字效率比較好。
另外 PDF 其實格式很複雜，第一文字排版的隱形代碼，另外就是花花綠綠的圖表。
技巧二：章節段落清楚（Markdown 格式）
為什麼章節段落要清楚？
AI 的讀取原理：
當你資料匯進來的時候，AI 會把每一個章節、每一個段落，切成一張一張的小卡片。AI 回答問題的時候，就是把相關的卡片重新組合起來。
如果章節段落沒有分清楚：
AI 會容易抓一半，或是抓錯地方。
如果章節段落分得很清楚：
AI 就會知道要抓就要抓一整段，這個東西要抓案例一就要抓一整段，一直抓到案例二。
實際做法：
- 用 Markdown 語法：# 大標題、## 小標題、### 更小的標題
- 或者用 Google 文件的標題一、標題二功能
- Google 文件的標題功能，AI 也會判斷
核心概念 - 內容邊界 ：
章節段落分清楚，NotebookLM 在重組的時候，就很好知道你哪一段在講什麼，哪一段跟現在這個問題有關。
延伸閱讀：
想讓 AI 看懂你的文章？從學習 Markdown 語法開始
https://youtu.be/YzPfQZ4USl8
技巧三：檢索頁
什麼是檢索頁？
檢索頁就是專門用來說明「這份文件是做什麼用的」的導航文件。
當有些重要資訊「不能直接寫在文件裡面」的時候，就用檢索頁來記錄。
NotebookLM 應用大全＋知識管理教學：
https://notebooklm.google.com/notebook/8b272b02-f4a1-4a1c-80c3-2eb097e42259
Claude 專案：一人公司AI顧問模擬
技巧四:大海撈針測試法
為什麼需要測試?
很多人會問:「我的資料到底要整理到什麼程度?是要仔細分類、加標題,還是直接無腦丟進去就好?」
這就是大海撈針測試法要解決的問題。
這個測試可以幫你快速找出「偷懶」跟「精準整理」的臨界點。讓你知道在什麼情況下,NotebookLM 可以容忍你偷懶;什麼時候又必須花時間好好整理資料。
怎麼做?
操作方式很簡單,分成三個步驟:
步驟一:埋測試碼
在一堆嚴肅的專業資料來源裡,故意埋一個超突兀的測試碼。
比如說: 「2026-01-04 測試碼:江江教練愛吃鳳梨」
為什麼要這樣設計?因為「江江教練愛吃鳳梨」這句話跟你的專業資料完全無關,AI 如果能找到,就代表它真的有認真讀你的資料。
步驟二:用兩種完全不同的問法測試
- 測試 A - 結構化檢索:
問:「幫我找最新的測試碼。」
這個問法考驗 AI 能不能: 精準辨識日期(2026-01-01) 鎖定關鍵字(測試碼) 從一堆資料中快速定位 - 測試 B - 非結構化語意理解:
問:「請問江江教練喜歡什麼食物?」
這個問法考驗 AI 能不能: 推理「鳳梨 = 食物」 理解「愛吃 = 喜歡」 把零散的訊息串聯起來
實際應用情境
情境一:個人學習筆記
如果你只是整理自己的學習筆記,量不大、內容也不複雜,測試結果通常都能通過。這時候就可以輕鬆一點,不用花太多時間整理。
情境二:團隊共用知識庫
如果是團隊要共用的知識庫,資料來源很多、類型也很雜,這時候測試結果可能就會不理想。這就是該認真整理的訊號,要加上檢索頁、分清楚章節段落。
情境三:長期累積的資料庫
如果你的資料庫已經累積了很久,裡面有幾十份甚至上百份資料,定期做大海撈針測試可以幫你檢查:資料結構是不是還夠清楚?有沒有需要重新整理的地方?
Gemini 串接 NotebookLM
好，我們剛剛講了那麼多 NotebookLM 的操作技巧，現在來聊一個很實用的進階應用：讓 Gemini 串接 NotebookLM，發揮「一加一大於二」的效果。
簡單來說，我是這麼看的：NotebookLM 負責記憶，Gemini 負責思考。
NotebookLM 負責記憶，Gemini 負責思考
為什麼要串接？
過去你的知識散落在不同筆記本裡，要整合很麻煩。我以前都是手動整理，需要不斷的來回複製、貼上、載入、匯出等操作。
但現在有了串接功能，就可以把這些繁瑣的步驟省掉。
比如前面提到的「讓報告來讀我」的進階用法：
基礎串接：一組個人知識庫 + 一份報告
🔸步驟 1：在 Gemini 上傳你有興趣的報告、論文
🔸步驟 2：點選「來源」，匯入你 NotebookLM 的個人知識庫
- 你的工作日記
- 你寫過的文章
- 你的專案企劃
- 任何跟你相關的資料
當然這要提前準備好喔。
🔸步驟 3：貼上這個提示詞
「請根據這份報告，告訴我：哪些內容最適合我？我可以怎麼用？需要注意什麼？」
這時候 Gemini 會同時參考：
- 你上傳的報告
- 你的 NotebookLM 個人知識庫
然後直接給你客製化的建議。
分層次串接
這是我自己很常用的方式，就是不要一次把所有資料都丟進去，而是一層一層慢慢加。
為什麼要分層？因為這樣可以更精準控制每個步驟的輸出。
第一層：初步評估
先匯入個人知識庫 + 報告，看看這個報告對我有沒有用。
第二層：深度分析
如果覺得報告真的不錯，那就再匯入其他參考資料。比如說我有一個，裝了滿滿 YouTube 上商業策略影片的 NotebookLM，也加進來，請 AI 幫我評估商業可行性。
第三層：執行規劃
如果評估下來都還不錯，那我就再匯入一組 OGSM主題（目標、策略、方法、成效）的NotebookLM，請 AI 幫我規劃實際的執行步驟跟時間表。
你看，這就是一層一層往下深入的概念。
先看看報告有沒有用，有用的話再做更仔細的商業規劃或策略規劃，策略出來之後再用 OGSM 去規劃實際的執行步驟。
跨域串接多個資料夾
這個情境就是同時匯入多組不同領域的知識庫，讓 AI 幫你做跨域整合。
我舉一個實際的案例：我曾經跟心輔老師合作過一個親子工作坊，叫做「用照片看見彼此的視角」。
當時怎麼做的呢？
第一組 NotebookLM：我的攝影課程
我有自己的攝影課程教案跟課綱。
第二組 NotebookLM：心輔老師的心理課程
心輔老師也有他的心理輔導課程教案。
合併使用
我們就把這兩組 NotebookLM 同時匯入 Gemini，請 AI 幫我們設計一個結合攝影跟心理輔導的親子工作坊。
這樣就可以把兩個不同領域的專業知識整合在一起，創造出新的價值。
最後，小心上下文爆炸
最後要特別提醒一件事：當你開始大量匯入 NotebookLM 的資料到 Gemini 時，要注意「上下文爆炸」的問題。
什麼是上下文爆炸？
就是你匯入越多資料，AI 要處理的資訊量就越大，可能會導致：
- 回應速度變慢
- 輸出品質不穩定
- 甚至出現錯誤或當機
所以建議：
- 不要一次匯入過多資料夾（建議 2-3 個為上限）
- 如果需要處理更多資料，可以分批匯入
- 定期清理不需要的資料來源
延伸閱讀：
AI 越用越慢，額度一下就滿？三招對話管理技巧， 長期、大量上下文使用者必看
https://vocus.cc/article/694e1be1fd89780001b5aa96
累積你的知識資產
最後我想說，知識管理這件事，不是一天兩天就能看到成效的。
但每一次你整理資料、建立架構、定義標籤，都是在累積你的知識資產。
這些資產會隨著時間越來越有價值，因為：
- 你的思考框架會越來越清晰
- 你的專業經驗會被完整保留
- 你的工作流程會越來越順暢
- 你跟 AI 的協作會越來越精準
而且最重要的是，這些知識資產是屬於你的。
不管未來 AI 工具怎麼變，只要你的知識庫架構清楚，隨時可以搬到新的平台、新的工具上。
所以，從今天開始，花一點時間累積你的知識庫吧。
