第2章：從靈感到成品

AI 文件自動化與內容生成，把零散想法變成可交付的成品

← 返回課程 開始閱讀 ↓
1

為什麼從「文件」開始

第 1 章學會了怎麼跟 AI 對話。但對話結束後，多數工作場合需要的，是一份「可以交出去」的文件，一份會議紀錄、一份企劃書、一封客戶回覆 email、一份 SOP。本章要把第 1 章的對話技巧，串成一條從「腦中靈感」到「桌上文件」的完整流水線。

我們會用兩個工具當主角：NotebookLM（Google 推出的「給資料、回答問題」型文件助理）負責處理「你已經有資料」的場景；Claude 處理「你需要一條龍寫出長篇文件」的場景。兩個合在一起，幾乎能覆蓋 90% 的辦公室寫作需求。

本章學習目標

① 學會 AI 文件協作的 3 步法：生（產出初稿） → 改（對著回饋修） → 審（請另一個 AI 校對）；
② 熟悉用 AI 產出企劃書、會議紀錄、SOP、Email、公告等日常文件；
③ 掌握 NotebookLM 這類「給資料、回答問題」型文件助理的核心用法。

為什麼這章主打 NotebookLM

多數人用 ChatGPT 寫文件時最大的痛點是，AI 不知道你公司的脈絡、不知道你過去的會議紀錄、不知道你部門的 SOP。每次都要從頭講一遍背景，效率打折。NotebookLM 直接解決這個問題：把你的 PDF、Google Docs、會議錄音、網頁、YouTube 影片一次餵給它，它就只會根據你給的這些資料來回答，既精準、又能列出每個答案的出處NotebookLM 的核心特色之一是「source-grounded answers」，每個回答都會標註出處（來自哪一份文件、哪一段），讓你能立刻驗證答案是否正確。。

2

AI 文件協作三步法：生 → 改 → 審

把 AI 寫文件想成「跟一位很會寫的同事合作」，你不會把任務丟出去就再也不看，會分階段檢查、給回饋、做最後校對。三步法把這個流程切成 3 個明確環節，每個環節有清楚的目的與產出物。

1
生 · 產出把零散想法 → 完整初稿

用第 1 章的 RTCFE 框架，把要寫的文件結構、目標讀者、語氣、長度都講清楚，請 AI 產第一版完整初稿。重點：不要追求一次到位，60-70% 的完成度就好。

適用：ChatGPT、Claude、Gemini
2
改 · 修潤對著回饋修，迭代到能用

讀完初稿，圈出「不對的」「可以更好的」「資訊有缺的」。把這些回饋具體化（例如「第 2 段太長，請拆成 2 段」「結尾請補上下一步行動」），請 AI 改寫。重複 2 - 3 輪。

適用：原本生的那家 AI
3
審 · 校對請「另一個」AI 抓錯

這是關鍵，把改完的最終版，丟給另一家 AI 當校對員，請它從「邏輯、事實、語氣、格式、有沒有錯字」五個面向挑問題。第二雙眼睛通常能抓到原 AI 沒發現的盲點。

適用：Claude（擅長挑邏輯瑕疵）
心法：把「審」當成必做，不是加分

很多人省略「審」這一步，結果文件交出去後才被主管發現有錯別字、邏輯跳針、引用錯誤。多花 3 分鐘讓另一個 AI 校對一次，能擋下大部分尷尬。記得：產出文件的 AI 與校對的 AI 一定要不同家，不然它只會替自己背書。

活動 · 真實工作文件實作
  • 每人選 1 個「真的需要寫」的工作文件（一份提案、一份 SOP、一封正式信）。
  • 用三步法（生 → 改 → 審）完整跑一次。
  • 同桌交換審稿，給對方 3 個改進建議。
  • 根據回饋用 AI 再改一次，比較前後差異。
3

主打工具：NotebookLM 是什麼

NotebookLM 是 Google 推出的「以資料為基礎」型 AI 助理。和 ChatGPT 那種「無限聊天」不同，你先建立一個「Notebook」並上傳你的資料來源（最多 50 - 300 份不等），AI 之後就只會根據這些資料回答，不會發散到網路上的資訊。這個設計讓它非常適合處理「我有一堆內部資料，想問裡面的問題」的場景。

核心功能一覽

多格式來源

PDF、Google Docs、網頁、YouTube 影片、貼上的純文字都能當資料來源；每個 Notebook 可放多份。

答案附出處

每個回答都會標出「來自哪一份、哪一段」，點下去能直接跳到原文，方便驗證、避免幻覺。

音訊摘要

把資料變成兩位主持人對談的 podcast 風格音訊，10 - 20 分鐘，通勤時聽完一整份報告。

結構化產出

一鍵生成大綱、摘要、FAQ、學習指南、簡報 outline、心智圖，把長資料轉成各種好用格式。

什麼情況用 NotebookLM、什麼情況用 ChatGPT？

情況 用 NotebookLM 用 ChatGPT
已有 5 份內部資料，要寫整合報告 ✓ 它是為這個設計的 可用，但每次要重貼資料
從零開始寫一份創意提案 不建議（沒資料可參考） ✓ 自由發揮的好幫手
要查最新時事 / 即時資訊 不能查網路 ✓ 開啟搜尋功能即可
學習一份 50 頁的研究報告 ✓ 上傳後可問細節、生 podcast 可摘要，但易漏細節
活動 · 30 分鐘會議錄音 → 紀錄與待辦
  • 課前準備一段約 30 分鐘的虛擬會議錄音（情境例如「Q2 業績檢討會」）。可參考臺北市政府廉政透明處的公開會議錄音：虛擬會議錄音。
  • 學員把錄音丟入 NotebookLM 或會議記錄小幫手，產出「3 頁會議紀錄 + 5 項待辦事項」。
  • 產出後立即用 Claude 校對，比較兩家結果差異。
4

NotebookLM 實戰：從 3 份資料到一份整合報告

以下用一個典型情境：你接到主管交辦「整合本季三場客戶訪談紀錄，做成一份 5 頁的客戶痛點報告」。從打開 NotebookLM 到產出整合報告，整個流程約 30 分鐘。

建立新的 Notebook

登入 notebooklm.google.com，點選「New notebook」並命名，例如「Q2 客戶訪談整合」。

上傳 3 份資料來源
  • 客戶 A 訪談逐字稿（PDF）
  • 客戶 B 訪談逐字稿（Google Docs）
  • 客戶 C 訪談錄音的 YouTube 連結（如有）

上傳後 NotebookLM 會自動讀完並生成每份資料的摘要。

先用內建快速結構化

右側面板點選「Briefing doc」（簡報摘要）或「Study guide」（學習指南），讓 NotebookLM 先產一份初步整理。這份東西不是最終產出，而是給你接下來下提示詞用的「素材底稿」。

下整合報告的提示詞

在對話框輸入：

請整合上述 3 份客戶訪談，產出一份「客戶痛點報告」，結構如下： 1. 跨客戶共通的 3 大痛點（每點附引用出處） 2. 各客戶獨有的痛點（依客戶分段） 3. 痛點背後的根本原因（用 5 Why 分析） 4. 對產品團隊的 3 項具體建議 每段控制在 100 - 150 字，語氣專業精準。
檢查每段的「出處標註」

NotebookLM 在每段後會掛上小角標（[1]、[2]…），點下去能跳到原文。這一步要做的，是抽查幾個關鍵論點，確認 AI 沒有過度引申或張冠李戴。

用「審」這一步收尾

把整合報告複製到 Claude，同時把原始的訪談逐字稿、會議錄音文字一併上傳（建議建立 Claude Project 常駐這份資料）。沒有原始材料對照，AI 只能做表面的邏輯檢查，無法驗證「引用是否準確」與「有無遺漏的關鍵點」。請它從三個面向給回饋，最後把回饋貼回 NotebookLM 再修一輪。

處理客戶資料前必讀：客戶訪談逐字稿、會議紀錄通常涉及個資與商業敏感資訊，上傳給雲端 AI 前要先做去識別化或選對訂閱層級。本章 §5 有完整對策。
加碼：把報告變成 podcast 給主管聽

NotebookLM 的「Audio Overview」功能能把這份整合報告自動轉成 10 - 20 分鐘的兩位主持人對談 podcast，主管通勤時就能聽完。對於不愛讀長報告的高階主管，這個功能特別管用，你不需要花時間錄成口頭簡報。

活動 · NotebookLM 整合報告練習
  • 每人挑 3 份相關的資料（自己工作上的、課程提供的範例都可）。
  • 建立 Notebook、上傳資料、產出 1 份整合報告。
  • 用 Audio Overview 功能把報告轉成 podcast，現場播 1 分鐘片段給同學聽。
5

資料安全與隱私保護：處理客戶資料的對策

把客戶訪談逐字稿、會議錄音、內部報告交給雲端 AI 處理前，要先思考三件事：資料外洩會傷害誰、公司有無禁止規範、客戶授權有無涵蓋第三方 AI。這節給你一套可直接套用的對策。

風險分三層

層級 內容 風險程度
個資 姓名、職位、公司、聯絡方式、地址 高（受個資法規範）
商業敏感 報價、合約金額、行銷策略、營收數字 高（受 NDA / 保密協議約束）
可識別語句 「我們在去年第三季出事故」這類能反推身份的語句 中（拼湊識別）

上傳前三問

每次按下上傳鍵之前，先快速問自己這三題：

  1. 這份資料如果外洩，會傷害誰？客戶？同事？自己？涉及多少人？
  2. 公司有沒有規範禁止上傳這類資料？很多企業已明文禁止把客戶資料傳到非企業版 AI。
  3. 客戶 / 受訪者的同意書有沒有涵蓋第三方 AI？三年前簽的 IRB（學術研究倫理審查同意書）或 NDA（保密協議）多半沒寫第三方 AI 這一段，等於沒授權。

三題任一個答「不確定」或「否」，就用下面的策略 A + B 處理過再上傳，或改用策略 D 本地處理。

四種保護策略

A
去識別化最務實，建議優先做

人名 → 受訪者 A、公司名 → C 公司、具體日期 → 「2026 年第二季」、聯絡方式直接移除。可寫 Python 腳本批次處理，或請 ChatGPT 的 Code Interpreter（程式執行器）幫你寫一份去識別化的 Python 腳本，再拿到自己電腦上本地執行（這樣原始資料不需上傳雲端）。

B
選對訂閱層級付費版多半不訓練

免費版 AI 多半會把使用者輸入用於訓練商業模型；付費版（Plus、Pro、Team、Enterprise）多半承諾不訓練。處理客戶資料一律用付費層級。詳細對照表見下一段。

C
分層處理AI + 人類分工

AI 只看去識別化版本做「邏輯一致性」與「結構審查」；「引用是否準確」這項由人回去比對逐字稿，不用 AI；「有無遺漏關鍵點」用去識別化逐字稿讓 AI 比對。

D
本地 LLM最高安全，完全離線

高敏感資料（醫療、法律、未成年）建議用「本地 LLM」（在自己電腦上跑的 AI，不用上網、資料不外傳）。安裝 Ollama（管理本地 AI 的免費軟體），下載 Llama 3.3（Meta 出品）、Mistral / Mixtral（法國 Mistral AI 出品）、Gemma（Google 出品）等開源模型，整個流程在本機跑，不傳雲端。模型品質比 Claude/ChatGPT 弱一階，但對結構審查、逐字稿摘要夠用。

選對訂閱層級：主流 AI 訓練政策對照

把客戶資料丟給雲端 AI 之前，先確認這個訂閱層級會不會把你的輸入用於訓練。下表彙整 2026 年主流 AI 工具的政策。

工具與訂閱層級 訓練政策 適合處理敏感資料嗎
ChatGPT 免費版 預設會把你的對話內容拿去訓練未來的 AI（可在設定裡關閉，但預設是啟用的） ✗ 不建議
ChatGPT Plus / Team 預設不用於訓練（需在設定的「Data Controls / 資料控制」項確認一次） ✓ 可用
ChatGPT Enterprise 不用於訓練 + SOC 2 認證（國際資安管理標準）+ 全程加密 ✓✓ 適合
Claude 免費版 / Pro（個人） 2025 年 9 月起預設會把對話用於訓練（可在隱私設定關閉） ✗ 不建議
Claude Team / Enterprise 不用於訓練（商用方案） ✓ 可用
Gemini 免費版 預設會用於改善服務（可在 Activity 設定關閉） ✗ 不建議
Gemini for Workspace 不用於訓練、可設定資料保留與控制 ✓✓ 適合
NotebookLM 個人版 內容隔離但仍上 Google 雲端 △ 去識別化後再上傳
NotebookLM Plus 不用於訓練、企業級資料保護 ✓ 可用
本地 LLM（Ollama 等） 完全離線、不上雲端 ✓✓✓ 最安全
即使付費版承諾不訓練，仍要評估三件事

① 這個工具的母公司所在國家是否符合公司資安規範（部分企業禁用特定國家的雲端服務）
② 資料保留期限多長（多數付費版仍保留 30 天，是為了偵測濫用 / abuse，不是真的零保留）
③ 是否有「子處理者清單」（sub-processor list，列出 AI 公司會把你的資料轉給哪些第三方廠商，例如雲端基礎設施供應商；多一層轉手就多一層風險）

給職場人士的標準 SOP

  1. 分敏感等級：高敏感（醫療/法律/未成年）→ 本地 LLM；中敏感（一般客戶訪談）→ 去識別化後上傳付費版；低敏感（公開資訊整理）→ 直接上傳 OK
  2. 標準去識別化步驟：找替換人名、公司名、聯絡資訊、地址；具體日期改為「2026 年第二季」；移除與內容主軸無關的閒聊段落
  3. 記錄處理軌跡：建一份「資料處理日誌」，記錄哪份資料、何時、用什麼工具、什麼層級處理，將來有爭議時有依據
  4. 定期檢視：AI 工具的隱私政策每年都會變，每季回頭確認一次目前使用的層級是否仍符合需求
6

進階：用 Claude 跑「一條龍」長文件流程

NotebookLM 擅長「整合既有資料」；但當你需要從零產出一份「完整、有結構、長達數千字」的文件，例如年度報告、市場調查白皮書、培訓教材、公司簡介手冊，Claude 一次能讀進去的內容比較長（這個容量的專業說法叫「上下文長度」）、加上寫作品質好，就會比 NotebookLM 更合適。社群上有人示範過用 Claude 一個晚上跑完整份學術論文流程（從文獻回顧到模擬同儕審查），這裡把同樣的概念搬到「公司行政文件」場景。

一條龍 7 階段（公司年度報告版）

1
背景收集

整理本年度的數據與重要事件

2
大綱草擬

請 Claude 提出 3 個版本大綱

3
逐章撰寫

一次寫一章，逐章審稿

4
數據視覺化

請 Claude 提供圖表建議

5
排版設計

輸出為 Markdown / Word

6
模擬審稿

請 Claude 扮演主管挑問題

7
最終定稿

整合所有回饋為交付版

一個關鍵概念：Claude Projects

要讓 Claude 一次跑這麼長的流程，不能每次都重新貼資料。Claude Projects（Anthropic 推出的「資料常駐工作區」）提供類似 NotebookLM 的「建一個專案、把資料常駐」的功能，你把公司簡介、品牌手冊、過去年報、本年度數據通通放進專案，之後每次對話都自動帶上這些資料當參考。寫年度報告的整個流程就能在同一個 Projects 內完成。

適用情境（不只論文）

▸ 年度報告 / ESG 報告：3 - 5 萬字、含圖表與引用
▸ 培訓教材 / SOP 手冊：跨章節結構，需要術語一致性
▸ 市場調查白皮書：含敘事結構與數據佐證
▸ 政府計畫書 / 標案文件：嚴格格式 + 長篇推論
▸ 公司部落格內容工廠：一份主題大綱產出 5 篇相關文章

7

接力協作：4 人團隊版 vs 一人輪迴版

前面 5 節的流程都是個人作業。但實務上，文件常常是團隊接力產出的，你寫第一版、主管改、同事補資料、行政潤稿。這一節給你兩個版本的接力工作流：團隊接力（4 人 1 組）與一人輪迴（自己跑完整個流程）。

4 人接力版
A 起稿 → B 補資料 → C 改寫 → D 校對

適合：團隊已經有人。每人專注自己的環節，AI 在每個環節都當「副駕駛」協助。重點是共用文件 + 共用 AI 對話歷史（例如共用一個 NotebookLM Notebook、共用一個 Claude Project），讓接手的人能看到前面的脈絡。

一人輪迴版
作者帽 → 編輯帽 → 校對帽 → 審稿帽

適合：團隊只有自己一人。技巧是切換「視角」來模擬不同角色，寫完第一版後休息 30 分鐘、戴上「編輯帽」用挑剔的眼光重讀、再請另一家 AI 扮演「主管」幫你審稿。每一輪都讓 AI 扮演不同身份，避免單一視角的盲點。

不論團隊或個人，記得「對話歷史就是工作流」

把每一輪改稿的提示詞與 AI 回覆都留在同一個對話 / Project 內，不要每次新開視窗。AI 看到完整的修改脈絡，後續產出的品質會大幅提升，這也是為什麼 NotebookLM 與 Claude Projects 的「常駐記憶」設計那麼有用。

活動 · 4 人接力協作
  • 4 人 1 組，選一個共同主題（例如「為部門寫一份新進人員 SOP」）。
  • 每人扮演一個環節：A 起稿 → B 補資料 → C 改寫 → D 校對。
  • 每人有 10 分鐘完成自己的環節，並寫下「下一棒接手前需要知道的 3 件事」。
  • 最後比較 4 人接力 vs 個人單獨完成，效率與品質的差異。
8

日常應用情境與課堂活動總覽

課堂活動總覽

本章共 4 個課堂活動，已分散到對應的講授段落末尾。下面是快速跳轉清單。

活動一真實工作文件實作§2 活動二30 分鐘會議錄音 → 紀錄與待辦§3 活動三NotebookLM 整合報告練習§4 活動四4 人接力協作§7

日常應用情境

類別 情境 建議工具與工作流
工作 30 分鐘老闆會議錄音 → 3 頁紀錄 + 5 項待辦 NotebookLM 上傳錄音 → 內建「Briefing doc」初步整理 → 自訂提示詞精修待辦事項
工作 年度行銷企劃書（含市場分析、KPI、預算） Claude Projects 常駐公司簡介 + 過去企劃 → 7 階段一條龍 → ChatGPT 審稿
生活 社區年終尾牙開場致詞 + 流程表 + 節目介紹 ChatGPT 起稿 → Claude 潤稿（語氣更暖） → 朋友群組 1 - 2 人審
家庭 幫小孩做暑假讀書計畫表（每週進度 + 獎勵機制） NotebookLM 上傳孩子的教科書 PDF → 請它依章節生成週進度 → ChatGPT 設計獎勵
9

🔥 最近大家在玩什麼

NotebookLM 的「Audio Overview」（音訊摘要）是過去一年最被廣泛玩出花樣的功能之一。下面三個玩法都簡單上手、效果驚喜，每個都附上一個可以立即操作的範本。

玩法 1 · 教科書 → 學科 podcast

把孩子的課本變成兩位主持人對談的 podcast

開學季、考試前最受歡迎的玩法。把一個章節的教科書 PDF 丟進 NotebookLM，請它生成 Audio Overview，孩子通勤、洗澡、睡前都能用聽的複習。實測對國中生物、歷史、社會等需要記憶的科目特別有效。

1. 在 NotebookLM 建立新 Notebook，命名為「[科目]_第[X]章」。 2. 上傳教科書該章節的 PDF（或拍照轉 PDF）。 3. 在右側面板點選「Audio Overview」 → 「Customize」。 4. 在自訂指示中輸入： 「請以兩位高中老師閒聊的口吻，討論這個章節的重點。 重點放在容易混淆的概念與考試常見陷阱。 適合 14 歲學生聽，全程約 12 - 15 分鐘。」 5. 等 3 - 5 分鐘生成完成，下載 mp3 即可。

進階：把多個章節合在一起，產出「期末總複習 podcast」，通勤一週聽完整學期。

玩法 2 · 老家照片 + 族譜 → 家族口述史

把家族檔案變成有溫度的口述歷史音訊

適合過年過節的玩法。把家族的老照片日期說明、族譜文件、長輩口述紀錄整理成文字檔，請 NotebookLM 生成像「家族電台」的對談，兩位主持人會把家族故事敘事化，聽起來既親切又有歷史感。長輩聽完通常會很感動。

1. 整理素材成 1 - 3 份文字檔： - 「家族成員與重要事件年表」 - 「老照片故事說明」（每張照片附 50 - 100 字背景） - 「長輩口述訪談摘要」 2. 上傳到 NotebookLM。 3. Audio Overview 自訂指示： 「請以兩位歷史頻道主持人的口吻，娓娓道出這個家族的故事。 按時間順序敘事，重點放在轉折時刻與關鍵人物。 語氣溫暖、像在說一段值得珍藏的故事，全程約 15 - 20 分鐘。」

適合場景：阿公阿嬤生日禮、年夜飯播放、家族 LINE 群組轉發。

玩法 3 · 學術論文 → 通勤 podcast

把一份硬論文變成 15 分鐘能聽完的 podcast

研究生與終身學習者的最愛。把要讀的論文 PDF 丟進去，請 NotebookLM 生成 Audio Overview，通勤時聽完，回到桌前再看細節，比直接讀論文快 3 倍以上。對英文論文特別好用，AI 會直接用中文討論其英文內容。

1. 在 NotebookLM 建立 Notebook，命名為論文題目。 2. 上傳論文 PDF（最多可放數十份相關文獻）。 3. Audio Overview 自訂指示： 「請以兩位研究生討論文獻的口吻，用中文討論這篇論文。 重點： (1) 研究問題是什麼？為什麼重要？ (2) 方法有什麼創新或限制？ (3) 結果對我這個領域的研究者有什麼啟發？ (4) 哪些細節值得我回去細讀？ 全程約 12 - 15 分鐘，避免過於學術的措辭。」

進階：一次上傳 5 - 10 篇同主題論文，請 AI 做「文獻回顧式對談」，寫 paper 前的暖身利器。

課堂練習單 · 我的第一份 AI 文件

把本章的三步法落實成個人練習：從工作或生活挑一個真的需要寫的文件（提案、SOP、會議紀錄、致詞稿皆可），依下列流程完整跑一次後做自評。

  • 三步驟規劃表，各填「用哪家 AI」與「提示詞重點」：1. 生（產出） / 2. 改（修潤） / 3. 審（校對，換家！）。
  • 初稿自評（四選一）：☐ 完全可用　☐ 大致 OK 還要修　☐ 偏題　☐ 完全沒抓到重點。
  • 「審」這一步抓到哪幾類問題（可複選）：☐ 邏輯　☐ 事實　☐ 語氣　☐ 格式　☐ 錯字。
  • 寫下一句「我下次會更注意的事」當作沉澱。
10

隨堂測驗：檢查你的文件協作判斷力

答對加 20 分，答錯倒扣 10 分。

第 1 / 5 題 目前得分：0
延伸閱讀與參考資料 點此展開

如果想再深入研究 NotebookLM 與 Claude 的長文件能力，下面是值得收藏的官方文件。

官方文件
延伸案例（社群整理）