最近 Google 的 Deep Research 功能非常火紅，很多人都在用它來做深度報告。 但你可能沒發現，Google 其實悄悄在三個不同的入口都埋了這個功能：一般 Gemini、Gemini Gems，以及 NotebookLM。
很多讀者問我：「Peter，這三個有差嗎？不都是叫 AI 去上網找資料？」
這是一個很大的誤區。 如果用心理學來比喻，這三者代表了你大腦的三種不同運作模式：「直覺反應」、「專業濾鏡」與「長期記憶」。如果你用錯了入口，就像是用「短期記憶」去寫「博士論文」，效率當然會低落。 今天，我要教你如何根據你的「認知需求」，精準調用這三位 AI 員工。
一、標準版 Gemini：你的「機動特助」
→ 關鍵字：即時、廣度、無包袱
這是大家最熟悉的入口。在這裡使用 Deep Research，它就像你身邊那位反應極快的機動特助，你問什麼，它就查什麼，完全沒有過去的記憶包袱。
- 啟動核心： 當下的 Prompt（指令）。
- 最佳用途： 「快思考 (System 1)」。解決那些突然冒出來、隨機性強、以後可能也不會再用到的問題。
- 心理師點評： 它的優點是快，缺點是「沒有累積」。查完資料，對話關掉，它就忘了。
【什麼時候用它？】
- 突然想知道：「下週要去京都，現在匯率換算下來哪張信用卡回饋最高？」
- 寫程式突然跳錯：「Python 這個 Error Code 是什麼意思？」
二、Gemini Gems：你的「部門專家」
→ 關鍵字：視角、濾鏡、重複執行
Gems 的核心價值在於「預設人設 (Persona)」。 在這裡使用 Deep Research，AI 不再是白紙一張，而是戴上了你預先設定好的「專業濾鏡」去看世界。這就像是你聘請了一位資深的「行銷經理」或「課程設計師」。
- 啟動核心： 角色設定 + 固定工作流。
- 最佳用途： 「專業任務 (Workflow)」。你需要它用特定的標準，去過濾掉網路上 90% 的雜訊。
【實戰差異：一樣是「找課程資料」，結果大不同】 我做了一個測試，指令同樣是：「幫我調研 2026 年初最紅的 AI 課程。」
- 一般 Gemini (機動特助)： 看到的是「CP 值」。它回報給我課程排名、價格、學員評分、證書有沒有用。
- Gems (設定為「教案設計專家」)： 看到的是「教學法」。它Deep Research 回來的重點完全不同：
- 這門課用了什麼實作專案來提高留存率？
- 它的課程大綱是如何安排難易度曲線的？
- 學員在留言區抱怨的痛點是什麼（這就是我們的機會）？
發現了嗎？Gems 幫你省下了「過濾雜訊」的認知能量。
三、NotebookLM：你的「首席研究員」
→ 關鍵字：脈絡、累積、知識建構
NotebookLM 的邏輯與前兩者完全不同。它的核心不是對話，而是「筆記本 (Source)」。 在這裡使用 Deep Research，目的是為了「擴充」你現有的知識庫。
- 啟動核心： 你的專案資料庫。
- 最佳用途： 「慢思考 (System 2)」。你需要寫書、寫論文、做一個長達三個月的專案。
- 心理師點評： 它是唯一能幫你建立「長期記憶」的工具。你查回來的資料不是看完就丟，而是會變成你筆記本的一部分，成為你未來創作的養分。
【什麼時候用它？】
- 寫書/論文： 你已經丟了 10 篇文獻進去，然後請 AI：「幫我搜尋最新的反面論證，補充到這份筆記裡。」
- 專案策展： 你正在規劃一個「數位遊牧」的專題，你需要 AI 不斷把最新的各國簽證法規抓進來，整合成一份動態報告。
結語：打造你的 AI 知識流水線
總結一下這三位員工的正確打開方式：
- NotebookLM (研究員)： 負責「打地基」。在專案初期，用它搜集大量文獻，建立知識庫。
- Gems (專家)： 負責「加工」。把研究員找來的資料，用專業視角轉化為教案、文案或企劃書。
- 一般 Gemini (特助)： 負責「補位」。在執行過程中遇到的突發小問題，交給它快速解決。
工具沒有好壞，只有用對地方，才是真正的槓桿。 這週末，試著調整一下你的「大腦分工」，你會發現，原來你不是一個人在戰鬥，你擁有一整支菁英團隊。
