番外・文獻工具

NotebookLM 文獻閱讀

只根據你上傳的資料回答 — 讀 guideline、備讀書會、寫報告的可靠幫手

📌 本頁重點

🔒 3 秒安全檢查

有沒有病人資料?會不會給病人看?我能不能負責?— 上傳文件前先過這三關,任何一題讓你猶豫,先回 Part 3 — AI 安全與隱私

NotebookLM 是什麼

NotebookLM 是 Google 推出的「來源導向」AI 筆記工具。跟 ChatGPT、Gemini 這類一般對話式 AI 最大的不同在於:一般 AI 是憑訓練時記住的資料回答(可能過時、可能幻覺),NotebookLM 則是主要根據你上傳的來源回答,並附上出處連結,點下去就能跳回原文對應段落。注意「有出處」不等於「一定對」— 它仍可能漏讀、摘錯或引用不完整,重要數字和建議還是要點回原文核對。

📚 來源導向

上傳 PDF、網頁、YouTube 影片等,AI 以這些資料為回答依據,比一般聊天 AI 更不容易憑訓練記憶亂猜。

🔗 逐句附出處

每個回答句子旁都有引用標記,點擊可以直接跳到來源文件的對應位置核對。

🎙️ 多元產出

除了問答,還能把來源轉換成語音摘要、心智圖、簡報、測驗卡片等不同形式。

🗂️ 專案化管理

每個「Notebook」對應一個主題或專案,來源、筆記、產出都收在同一個地方。

一般 AI 像是「憑印象回答問題的學長」— 講得頭頭是道,但你不確定他是不是記錯了。NotebookLM 像是「手上拿著病歷、每句話都指給你看出處的專科護理師」— 你問一句,她翻到病歷的那一頁指給你看,講的都有憑有據,不會憑空掰。

背後原理 — RAG 檢索增強生成

NotebookLM 的底層核心是一種叫 RAG(Retrieval-Augmented Generation,檢索增強生成)的架構。理解它的運作方式,就能明白這個工具為什麼可靠、又為什麼仍然會出錯 — 後面「限制與注意」列的每一條,都是這個架構的自然結果。

你上傳的來源加總起來遠超過 AI 一次能讀的量(免費方案一本 Notebook 可放 50 個來源,每個來源上限約 50 萬字),所以它不可能每次回答都「重讀全部文件」。實際流程分三步:

1 切塊建索引

上傳來源時,系統先把文件切成小段落並建立索引 — 就像病歷室把卷宗分頁歸檔,之後才找得快。

2 檢索相關段落

你提問時,系統先從索引中「檢索」出與問題最相關的段落,只把這幾段連同你的問題一起送給 AI 模型(Gemini)。

3 限定範圍生成+強制附出處

模型被明確指示「只能根據送進來的段落回答」,而且每個句子都要對應回來源的具體位置 — 這就是你點引用標記能跳回原文的原因,也是它比一般聊天 AI 少「憑空編造」的關鍵。

整個流程很像調閱病歷:病歷室不會把整座病歷庫搬給你,而是依索引調出相關的那幾份卷宗(檢索);回覆你的人只根據調出的頁面回答,並在每個結論旁註明頁碼(限定範圍生成+出處)。回答有憑有據 — 但如果相關的那一頁沒被調出來,答案就會有遺漏。
所以它為什麼還是會錯?兩個環節都可能失手:檢索可能漏抓 — 真正相關的段落沒被選進去,答案就不完整;模型可能誤讀 — 段落抓對了,但摘要時簡化或曲解了原意。RAG 大幅降低的是「憑空編造」,降不掉「漏讀」和「摘錯」— 這正是本頁一再強調「重要結論要點回原文核對」的原因:核對出處,就是在人工補上這兩個環節的漏洞。

另外,NotebookLM 已把百萬 token 等級的長上下文開放給所有方案 — 來源不多的小型 Notebook(例如兩三份 guideline),可能整批直接讀入、不需要檢索篩選;來源越多,檢索環節的角色就越重,漏抓的風險也隨之增加。這也是「一個主題一本 Notebook、來源寧精不濫」的架構層理由。

手繪風資訊圖:NotebookLM 為什麼比較可靠?以三步驟說明 RAG(切塊建索引、檢索相關段落、生成並附出處),搭配病歷調閱類比,並標出兩個出錯環節(檢索漏抓、模型誤讀),結論是 RAG 降低憑空編造但降不掉漏讀和摘錯
一張圖看懂 RAG — 三步驟、病歷類比與兩個出錯環節(點擊放大)

免費額度與方案

📅 資訊更新於 2026 年 7 月 — 額度與方案名稱可能調整,以官方公告為準。

項目免費方案付費方案(Google AI Pro / Ultra)
Notebook 數量約 100 本更高上限
單一 Notebook 來源數約 50 個更高上限
語音摘要 / 影片摘要每日各約 3 次更高次數
每日提問次數約 50 次更高次數
Deep Research(見下方進階功能)約每月 10 次更高次數
注意:免費額度已經足夠個人閱讀文獻、準備讀書會使用。付費方案是綁在 Google AI 訂閱(跟 Google Flow 用的是同一套方案,見 Part 6 — Google Flow 額度表),主要差異在提高來源數上限與產出次數,不是解鎖全新功能。2026 年 6 月起,最高階方案(AI Ultra 與部分企業版)陸續開放代理式功能 — 自動搜尋網路來源、執行程式碼分析、輸出試算表與簡報檔案;免費方案目前尚未開放,本頁不展開介紹。實際額度數字請以 NotebookLM 官方說明頁為準,本表僅供概估。

基本操作

NotebookLM 的操作流程很簡單,四步驟就能開始:

Step 1 建立 Notebook

登入 notebooklm.google.com,點「新增」建立一個新專案。建議一個主題或一次讀書會建一本,方便之後回頭找。

Step 2 上傳來源

支援 PDF(guideline、paper)、Google Docs/Sheets、Google Drive 連結、網址、YouTube 影片連結、圖片、EPUB 電子書、純文字貼上等多種格式。同一本 Notebook 可以放多份來源,方便交叉比對。

Step 3 提問

在對話框直接用中文提問,AI 只根據已上傳的來源回答。問題越具體(例如指定比較哪幾份文件),答案越精準。

Step 4 核對出處

回答中每句話旁的引用標記可以點擊,直接跳到來源文件的對應段落。重要結論務必點回去看原文,不要只看 AI 摘要就下判斷。

NotebookLM 核對出處實際畫面:點擊回答表格中升壓藥建議旁的引用編號,彈出來源卡片顯示 Surviving Sepsis Campaign 2021 指引 PDF 的原文段落與「查看來源」連結,左側來源面板同步顯示指引原文
Step 4 實際畫面 — 點引用編號彈出原文段落,再點「查看來源」跳到左側全文

產出功能

除了問答,NotebookLM 的「工作室(Studio)」面板可以把來源轉換成不同形式的產出,方便用不同方式消化同一批資料。目前面板提供這 9 種:

🎙️ 語音摘要(Audio Overview)

把來源轉成兩人對談形式的 podcast,適合通勤、運動時用聽的方式複習文獻重點。已支援繁體中文輸出,可在設定中切換語言。

🎬 影片摘要(Video Overview)

把來源做成有旁白+視覺畫面的影片解說,比純語音多了圖表與重點字卡,適合視覺型學習或分享給同事快速看懂。付費方案另有動畫更精緻的 Cinematic 版本(目前僅英文)。

🖼️ 簡報(Slides)

把來源重點整理成投影片形式,適合快速生出晨會或科內報告的骨架。可對單張投影片提出修改意見重新生成,也能匯出 PPTX 檔,接續在 PowerPoint 裡編輯。想改在 Canva 修改或做成社群圖卡,可先匯出 PDF,再用本站 PDF 轉圖檔 工具把每頁轉成圖片。

🧠 心智圖(Mind Map)

把來源的概念關係畫成可展開的心智圖,適合理解一份複雜 guideline 的整體架構與分支。

📄 報告(Report)

依來源產出結構化文件,如重點摘要、FAQ、時間軸、研讀指南等,適合當作讀書會或報告的底稿。

🃏 學習卡(Flashcards)

把內容轉成一問一答的字卡,翻牌自我檢測,適合背診斷準則、劑量、分類這類需要記憶的重點。可設定難度與張數,作答進度會保存,下次登入可接續複習。

✅ 測驗(Quiz)

根據來源自動出選擇題並附解析,讀完一份文獻後測一下自己是不是真的讀懂。

📊 資訊圖表(Infographic)

把重點濃縮成一張視覺化圖表,適合抓一份文件的核心數字與流程,或當社群衛教圖的草稿。提供十種預設視覺風格(手繪筆記、專業、科學插畫等)可挑選。

📋 資料表(Data table)

把來源裡的資訊整理成結構化表格(如各藥物比較、各研究對照),適合橫向比對多筆資料。

NotebookLM 工作室面板實際截圖:以彩色方塊排列九種產出工具 — 語音摘要、簡報、影片摘要、心智圖、報告、學習卡、測驗、資訊圖表、資料表
工作室面板實際畫面 — 九種產出工具各佔一格,點選即可生成(點擊放大)
保守提醒:工作室功能持續在更新,實際選項與名稱以你登入後看到的面板為準(本站列的是 2026 年 7 月的版本)。這些產出都是「輔助理解」的形式轉換,不是新資訊來源 — 內容仍然來自你上傳的文件,一樣可能有遺漏或簡化,重要細節還是要回原文確認。

進階功能

基本問答之外,這幾個功能能明顯改變 NotebookLM 的使用方式,而且免費方案都能使用:

🔍 Deep Research — 幫你找來源

在來源面板選「Web」,輸入研究問題,AI 會擬定搜尋計畫、上網瀏覽並整理成一份附引用的研究報告,完成後可一鍵把報告與找到的網頁全部匯入 Notebook 當來源。另有 Fast Research 快速模式,適合簡單查找。免費方案有每月次數限制。

🎭 對話角色設定

點對話框旁的設定圖示,用文字描述你希望 AI 扮演的角色與對話目標(例如「嚴格的審稿人」「口試模擬考官」),之後整本 Notebook 的問答都會照這個設定進行。所有方案皆可使用。

💾 對話紀錄自動儲存

對話會自動保存且僅自己可見,下次開啟同一本 Notebook 可以接續先前的討論;也能把一段對話的結論直接轉成語音摘要或報告,不必重新提問一次。

🌐 精選筆記本(Featured Notebooks)

NotebookLM 首頁有官方與合作機構(學者、期刊、出版社)策劃的公開筆記本,可直接開啟提問。適合觀摩專業團隊如何組織來源,也能訂閱有興趣的主題。

NotebookLM 來源面板截圖:查詢框輸入敗血症用藥時機的研究問題,下方展開 Fast Research(適合快速取得結果)與 Deep Research(深度報告和結果)兩種模式選單
入口 — 來源面板選「網路」,輸入研究問題後可選 Fast 或 Deep Research
Deep Research 完成畫面截圖:顯示「Deep Research 已完成」,產出一份臨床不確定性下的敗血症救治抉擇研究報告,找到 77 個來源,右下角有匯入按鈕
結果 — 產出附引用的報告並找到 77 個來源,一鍵匯入 Notebook
Deep Research 的來源要自己把關:它從公開網路搜尋,找到的不一定是 peer-reviewed 文獻或官方指引 — 匯入後先逐一檢視來源清單,刪掉品質不足的網頁,再開始提問。這一步做確實,後面所有問答的可信度才有基礎。
對話角色設定 — 審稿人模式範例
你是一位嚴格但有建設性的醫學期刊審稿人。 針對我上傳的稿件與參考文獻: 1. 逐段質疑方法學與推論的弱點,指出證據不足的主張 2. 每個批評都要引用來源中的具體段落作為依據 3. 用「主要修改建議」與「次要修改建議」分級列出 4. 語氣直接,不需要客套,但每個問題都附上可行的修改方向 只根據我上傳的來源評論,不要引用外部知識。

醫療應用情境

📖 讀新版 guideline

把新舊兩版 guideline 都上傳到同一本 Notebook,直接問 AI 兩版差異在哪裡,比自己逐條比對快很多。

👥 科內讀書會

把當週要討論的多篇 paper 全部上傳,讀書會前先用 NotebookLM 交叉提問,抓出各篇論點的異同,會議上討論更有效率。

🎤 晨會 / 報告準備

把病例相關的文獻和 guideline 放進同一本 Notebook,用語音摘要或簡報功能快速抓重點,再手動整理成自己的報告架構。

🔍 不熟主題的文獻起手

接到不熟悉的主題(新藥、少見病原、跨科議題)時,先用 Deep Research 蒐集公開文獻與指引當起點,檢視並篩選來源品質後,再進入交叉提問。

📝 投稿前自我審查

把自己的稿件與引用文獻一起上傳,用「審稿人模式」的角色設定(見上方進階功能)讓 AI 先挑一輪毛病,投稿前補強最弱的段落。

🃏 考前複習

把考試範圍的講義或 guideline 上傳,用學習卡與測驗功能自我檢測;進度會保存,可以分多天複習完一整份範圍。

對 Guideline 提問 — 好問法範例
請比較這兩份 guideline(2023 版與 2026 版)在「第一線用藥選擇」這部分的建議差異。 請用表格列出: 1. 各版本的建議用藥與劑量 2. 建議等級(strong/conditional)是否改變 3. 差異背後的關鍵證據來源(引用段落) 4. 若有新增或刪除的建議,特別標註 只根據我上傳的兩份文件回答,不要引用你自己的既有知識。
NotebookLM 實際回答截圖:以表格對比存活敗血症運動(SSC)指引 2012、2021、2026 三版在初始靜脈輸液量的建議、劑量與證據等級 — 從 Grade 1C 強烈建議、Weak 弱建議到 Conditional 有條件建議,每格附可點擊的引用編號
用上方問法實測 — 對比 SSC 指引三個版本的建議與等級,每格都帶引用編號可點回原文(點擊放大)

限制與注意

這一節的每一條,都能從背後原理推出來 — 不是工具不成熟,而是 RAG 架構的固有特性。

回答品質取決於來源品質:NotebookLM 不會幫你判斷來源本身的正確性或權威性 — 上傳一份過時或有錯誤的文件,AI 照樣會根據它回答。重要的臨床結論,還是要回到原文、甚至查證原始文獻或指引本體再下判斷,不要把 AI 摘要當成最終答案。
病人資料不可上傳:NotebookLM 是雲端服務,上傳的內容會經過 Google 的伺服器處理。病歷、病人姓名、病歷號等可識別個資,絕對不能作為來源上傳。只用於閱讀公開文獻、guideline、paper 等不含病人資訊的資料。個資與病人隱私原則請見 Part 3 — AI 安全與隱私
🎯 現在就做(10 分鐘):上傳一份你科內常用的公開 guideline PDF,問它三個你臨床上真的想知道的問題,並逐一點開出處核對。核對出處這個動作,就是 NotebookLM 和一般 AI 的使用差異。