昨天談 OpenAI 時，我用的是使用情境去對應工具，這並非是固定不變的工作流，畢竟對使用者來說，哪裡強大(便宜)哪裡去。AI 工具更新得太快，今天的冠軍很可能下個月就換人；而且不同人的工作方式不同，硬要問「到底哪一家最好」，有時候和問「螺絲起子跟菜刀哪一個比較強」差不多。
要看你現在到底想做什麼。
所以今天換到 Google，我還是用同一個角度來看：
不是把所有 Google AI 產品背起來，而是理解哪些入口適合解決哪些問題。
我自己目前最常使用 Google 生態系裡的兩個工具，一個是 Google AI Studio，另一個是 NotebookLM。
對我而言，兩者剛好處在很不一樣的位置。
AI Studio 比較像實驗室。我想知道某一個模型、某一組提示、某一種輸出格式，到底穩不穩、能不能拿去開發，我會先在裡面試。
NotebookLM 則比較像一間我自己挑書進去的研究室。當我希望 AI 的回答盡量圍繞一批指定資料，而不是自由調動它腦中所有可能的知識時，我會更傾向把資料整理好，再放進 NotebookLM。
一個是在試「模型怎麼工作」。
另一個是在控制「模型先根據哪些資料工作」。
剛好呼應前幾天一路談過的Model與Context。
註：Google 的 AI 產品更新速度同樣很快。以下內容以 2026 年 8 月撰文時的產品狀態與我的個人使用方式為主，未來模型名稱、介面與功能都可能改變。
第一次打開 Google AI Studio，我覺得它最容易被低估的地方，是很多人會把它看成「另一個 Gemini 聊天室」。
但如果真的準備做一個小工具，AI Studio 更像是一個模型試驗場。
Google 官方把 AI Studio 定位成快速嘗試 Gemini 模型、測試提示，再銜接 Gemini API 的入口。除了基本對話之外，它會依模型提供不同設定，也能啟用結構化輸出、函式呼叫、程式執行與連結搜尋資料等能力。當提示調整到差不多之後，還可以直接使用「取得程式碼」（Get code），把原型帶進真正的程式裡(Google有補助開發者api費用，可以自行搜索)。
這對剛開始學 AI 的學生其實很重要。
因為「會和聊天機器人對話」跟「我要把模型放進一個產品」之間，中間還差了一個問題：
這個模型在我的任務上，真的穩定嗎？
假設今天我想做一個非常簡單的研究工具。
我丟進一段災害新聞，希望 AI 固定輸出：
{
"location": "屏東縣枋寮鄉",
"hazard": "淹水",
"time": "2026-07-xx",
"severity": "moderate"
}
真正準備串 API 以前，我不會只測一次。
我可能先在 AI Studio 放入幾種不同寫法的新聞，換不同模型試試看；也會把同一個提示跑幾次，看看 location 會不會突然消失、severity 是否每次都用不同的詞，或者明明要求 JSON，第五次心情一好又先寫一段「以下是整理結果」。
如果輸出後面還要交給程式讀，這種穩定度就比「第一次回答看起來很漂亮」重要很多。
這也讓 AI Studio 對我而言比較像：
模型正式上工以前的試車場。
真正做工具時，模型選擇不是單一排名。大量短文字分類可能更在意速度與成本；跨文件推理、找矛盾才需要較強的推理能力。比起問「哪個最強」，我更會問：這個模型適不適合我現在的工作？ 基準測試是別人的考卷；你的使用情境，才是自己的期末考。
AI Studio 也會顯示可調整的模型設定。前面 Day 2 談過溫度、Top-p、Top-k；但不同 Gemini 模型支援的選項不一定相同，因此不要背「溫度一定要設多少」。比較有效的做法是固定任務後，觀察輸出是否一致、欄位是否穩定、等待時間是否可接受，以及換模型後是否真的更好。
參數不是遊戲角色的能力值，不是全部拉到右邊就會變成六星 SSR。
AI Studio 對初學者還有一個很實用的過渡。以前學 AI 開發，常常還沒測到模型，就先卡在：
API 怎麼打？
SDK 怎麼裝？
環境變數在哪？
JSON 為什麼又錯？
先把任務測清楚，再處理程式會輕鬆很多。例如想做「論文摘要分類器」，先在試驗場裡確認：
輸入是什麼？
模型要判斷什麼？
輸出有哪些欄位？
哪個模型表現比較穩？
哪些案例最容易失敗？
等這些問題有答案，再按「取得程式碼」往 API 開發走。這和 Day 8、Day 9 的提示設計一樣：先人工跑幾次，找出會壞的地方，再決定值不值得自動化。AI 時代很容易想到一個點子，五分鐘後就開始部署；偶爾先踩煞車，也是一種效率。
如果 AI Studio 對我來說比較像模型實驗室，那 NotebookLM 就很像另一種完全不同的工具：
我先決定這個研究空間裡有哪些資料，再開始問問題。
Google 將 NotebookLM 定位成 AI 研究助理：加入 PDF、網站、YouTube、Google 文件等來源後，再針對這批資料提問；回答會附上行內引用，方便回頭查核。
一般聊天機器人的世界很大，NotebookLM 的世界則可以由我故意縮小。例如研究山崩監測時，我不先問「全世界有哪些重要研究」，而是先挑十篇真正要讀的論文，再問：
這十篇論文中，大家使用哪些監測方法？
哪些結論彼此一致？
哪些地方存在分歧？
重點不是讓 AI 講完全世界的山崩知識，而是幫我在選定材料中建立連結；這和一般搜尋很不一樣。
NotebookLM 讓知識邊界相對清楚，但也容易產生另一個誤會：
既然答案都有引用，那應該就比較可靠吧？
答案只是比較容易查核，不代表上傳的內容會自動升級成真理。這句老話在 AI 時代仍然沒有退休：
garbage in, garbage out
十篇高品質論文可以整理出有用的脈絡；如果是十篇互相抄來抄去的農場文章，也能被整理得有條有理，甚至附上引用。套句斷水流大師兄的話，我說在座的各位都是垃圾，抱歉...透露出年紀了。
所以 NotebookLM 最重要的能力，其實發生在開始問問題以前：
你決定讓哪些資料進 NotebookLM？
每個 NotebookLM 筆記本都有各自獨立的資料來源，模型會先在你選定的範圍內找答案。這正好接上 Day 12、Day 13 的Context Engineering：
不要因為可以上傳，就把下載資料夾整包丟進去。
資料放進 NotebookLM 後，很多人第一句就問「幫我摘要」。我更喜歡先請它畫出資料地圖：先盤點整批素材，再深入細節。例如：
你現在有我上傳的這批文件。
在我開始針對細節提問以前，請先幫我整理：
1. 貫穿這些資料最重要的幾個主題是什麼？
2. 每個主題主要在回答什麼問題？
3. 不同來源之間有哪些明顯的分歧？
4. 哪些重要問題目前在我的資料裡仍然沒有答案？
每個判斷請附上對應來源。
這特別適合剛進入陌生領域的學生：我們常常不是不知道答案，而是還不知道哪些問題值得問。Day 5 的名詞鷹架，在這裡就變成知識地圖。
真正有用的，往往不是叫 AI 生完整報告，而是故意找資料的分歧。例如可以問：
這些來源在哪些問題上有不同結論？
請分別說明雙方的主張，
並檢查是否可能來自：
研究時間不同、
資料集不同、
定義不同、
方法不同，
或研究對象不同。
不要自行判定誰一定正確。
每一個立場都附上來源。
也可以追問：哪些主張其實都引用同一個原始來源？如果有人不同意目前結論，最有力的反駁是什麼？這比「幫我摘要」更接近真正的研究，因為研究的價值往往不在大家都說一樣的地方，而在：
為什麼這兩篇不一樣？
AI 把 100 頁縮成 10 頁固然省時；能幫我們找到矛盾、盲點與證據強弱時，才比較像知識工具，而不是高級影印機。
NotebookLM 很容易讓我們產生一個危險的錯覺：
我已經理解了。
上傳一本 300 頁的書、問五個問題、生成語音總覽、做一份簡報，一個下午結束；感覺好像已經完成了一學期閱讀進度。
AI 可以壓縮資訊，不代表理解會一起被壓縮進腦袋，如果你有看da13_prectice.ipynb，你就會知道壓縮後的資訊，會僅保留主線任務而已，而失去很多過程，這些過程可能包含推理、爭論、思考，這些反而是「思辨能力」主要的訓練。
因此，我只把 NotebookLM 當成「閱讀導航」：它可以指出重要爭議、重複出現的主題、支持主張的證據，以及資料中缺少的另一方觀點。
重要內容仍要回去看原文，畢竟一段文字，不同能力值的人看起來會長得完吃不一樣。
NotebookLM 可以依資料來源產生簡報，也能指定受眾、風格、重點、長度與語言，再下載成 PDF 或 PowerPoint。它很適合快速整理架構；但直接使用預設設定，常會有熟悉的「AI 簡報感」：每張都很完整、很努力，放在一起卻不像自己會做的簡報。
你可能會想：
這好像不是我會做的簡報。
這就又回到 Day 9 的提示反覆調整。
AI 先產生第一版沒有問題；真正的工作是：
哪裡不像我的風格？
前面 Day 7 我們談 Markdown、JSON、YAML 與 HTML 時，YAML 當時只是「比較適合人類閱讀的結構化設定」。
到了 NotebookLM 的簡報功能，YAML 又可以派上用場。
數位時代曾介紹一種做法：與其只用自然語言說：
幫我做得專業一點。
可以把簡報的視覺規格用類似 YAML 的方式寫得更明確，例如：
audience:
type: 大學生
knowledge_level: beginner
visual_style:
mood: clean
background: light
accent_color: "#2F6FED"
image_style: editorial illustration
layout:
text_density: low
whitespace: high
max_key_points_per_slide: 3
typography:
title: bold
body: simple
avoid:
- decorative fonts
- excessive gradients
content:
one_core_message_per_slide: true
avoid_long_paragraphs: true
這裡有一個很重要的地方要先說明：
YAML 不是 NotebookLM 官方規定的神奇簡報語法。
NotebookLM 官方支援自訂提示，讓我們描述受眾、風格與重點。把這些規則整理成 YAML，只是一種社群常用的結構化提示寫法。
為什麼可能比較好用？
因為 Day 7 已經說過：
格式的價值，是讓彼此少猜一點。
「專業、有設計感、不要太 AI」其實非常模糊。
但如果我們能寫清楚背景顏色、文字密度、留白、圖片類型與每頁訊息數量，模型需要自由發揮的地方就少很多。
這不是 YAML 有魔法。
只是你終於把「我不喜歡 AI 味」翻譯成了可以執行的條件。
數位時代的相關文章可以參考：
Google 官方也建議在簡報的自訂提示中指定受眾、風格與重點，因此這個方法本質上仍然是提示設計，只是把視覺規格寫得更結構化。
回頭看我自己目前使用 Google 生態系的方式，AI Studio 和 NotebookLM 剛好處理兩種不同問題。
如果我要問：
這個 AI 能不能做這件事？
我會傾向先到 AI Studio：拿自己的案例測、換模型與提示、調整輸出格式，必要時再測函式呼叫或結構化輸出；確定大概可行之後，再決定要不要真的串 API 或把它做成工具。
但如果問題是：
我有一批資料，想在這個範圍裡讀懂它、比較它、找矛盾。
我會更傾向 NotebookLM：先挑資料來源、先看知識地圖，再找分歧與盲點，最後才考慮把內容整理成報告或簡報。
兩者看起來都是 Gemini 在幫忙。
但工作方法完全不同。
可以先把它簡化成：
Google AI Studio
＝ 我在測「模型」
NotebookLM
＝ 我在整理「我選定的知識」
而且這兩個工作流都回到我們前面一直談的事情：AI Studio 讓我觀察模型的行為；NotebookLM 逼我思考脈絡的邊界。
如果昨天的 OpenAI 對我來說，是從 Chat 一路往 Agent 執行工作移動，那 Google 生態系目前對我最大的價值，反而是另一種路線：
先實驗，再整理知識。
Google AI Studio 讓我在真正開發以前，先確認模型、提示、輸出格式與工具能力，到底能不能撐住我的使用情境。
NotebookLM 則提醒我，在 AI 時代，資料越容易被讀取，選什麼資料進來反而越重要。
以前我們擔心資訊找不到。
現在的問題常常變成資訊太多。
AI 當然可以幫忙壓縮、整理與連結。
但它仍然不能替我們回答最前面那個問題：
這些資料值不值得被放進我的知識系統？
所以「garbage in, garbage out」在生成式 AI 時代完全沒有過時。
甚至可能變成：
輸入垃圾 → AI 幫你排版、摘要、加上引用 → 看起來更像真的垃圾。
這大概比原本更需要小心。
最後還是回到這幾天一直重複的一句話：
工具沒有好壞，真正重要的是你知不知道現在要解決什麼問題。
下一篇，我們會繼續換一個生態系，看 Claude Code 和前兩家的工作方式有什麼不同。
iThome鐵人賽
看影片追技術