你是不是常常把一疊論文或報告丟進 NotebookLM，問它「幫我整理重點」，卻發現輸出的內容好像未必帶來新的洞察？其實問題多半不在你用了什麼AI工具，而很可能在提問方式。
AI 電子報《The Shift》創辦人 Jainam Parmar 長近期在 X 上發文，整理了一套他在 NotebookLM 使用六個月後歸納出的 10 個提示詞框架。他強調：工具不是優勢，提問方式才是。
他舉了一個對比：同樣 30 篇論文丟進 NotebookLM，分別輸入「幫我摘要這些文件」和「找出所有文件中互相矛盾的論點，並說明哪一方的證據較強」，兩個問題的輸出結果，像是來自不同的工具。
Google 於 2023 年推出 NotebookLM，定位是「個人 AI 研究助理」，支援上傳 PDF、網頁、YouTube 影片，並根據使用者的素材回答問題。
它的核心優勢在於「只根據你上傳的內容作答」，不會憑空補充（除非你使用 Deep Research 模式 ） ，但多數人的使用方式，停留在「上傳→問摘要→複製貼上」，把它當成更聰明的 Ctrl+F。
為什麼提問框架比工具本身更重要？
AI 工具的本質是「補全機器」：你的問題決定它補全的方向。因此，問「這篇文章講什麼」，它只能回你文章的表層結構。
但若問「這些文件的五個核心主張，分別有哪些反例」，它就必須執行跨文件比對、評估邏輯一致性，然後整理成你能用的格式。
NotebookLM 的技術優勢在於它能同時處理多份文件、並交叉引用。但這個能力只有在你給它「需要交叉引用」的任務時才會啟動。
以下 10 個提示詞框架，設計邏輯都是：把研究過程中最耗力、最容易遺漏的思維步驟，轉換成 AI 可以批量執行的指令。
一、素材上傳後的第一件事：主題盤點
剛上傳完文件，多數人的本能是直接開問。這是資訊浪費。其實正確的第一步，是先讓工具告訴你這批素材的全貌：
你現在有我上傳的 [X] 份文件。在我開始提問前，請先給我：
1）貫穿這些素材的 3 個最重要主題；
2）每個主題下，這些文件試圖解決的核心問題；
3）你在素材中發現的主要知識缺口、矛盾或未解爭議。
這一步的價值在於「你不知道自己不知道什麼」。盲目開問容易只問到你已知的範疇；讓工具先做全局掃描，能幫你發現意料之外的問題線索。`
二、矛盾偵測：找出文件之間的分歧
研究的重要性，往往藏在不同來源的歧異之中。但人工交叉比對 10 份以上文件，費時且容易遺漏。
逐一比對我上傳的所有文件，找出任何兩份以上來源在同一議題上出現不一致、矛盾或相反結論的地方。針對每個分歧點：
1）分別摘要各方立場；
2）如果能判斷分歧原因（假設前提不同、時間點不同、數據集不同、定義不同），請說明；
3）根據我的素材，哪一方目前有更強的支撐？為什麼？
這個提示詞特別適合用在競爭分析、政策研究、或需要整合多方報告的情境。分歧點往往是值得深挖的洞察來源。
三、跨受眾簡報：根據對象重新包裝研究
研究做完了，但你要向不同對象說明，客戶、主管、投資人，他們關注的層次不同，需要的切入角度也不同。
根據我上傳的所有素材，針對 [主題] 製作一份專業簡報文件。結構包含：
1）5 個重點的執行摘要；
2）讓非專業人士能理解的背景脈絡；
3）核心發現或論點；
4）對 [目標受眾：主管 / 投資人 / 政策制定者] 的具體含義；
5）建議納入的 3–5 個圖表（描述形式，讓我能自行製作）；
6）預測可能被問到的問題的 FAQ。
四、問題生成器：挖掘自己的盲點
由於資料來源眾多，你未必可以親自詳細閱讀完所有的文件。事實上，即便你的簡報已經自認完美，還是有可能會被你的上司或是同事問到意想不到的問題。
因此，針對素材中可能出現自己沒有發覺的盲點，你就可以執行這個步驟：
根據我上傳的所有素材，生成：
1）深入研究這個主題的人應該能夠回答的 10 個最重要問題；
2）我的素材已引發但尚未回答的 5 個問題；
3）針對那 5 個開放問題，各需要什麼類型的額外資料、文獻或研究才能解答？
這個提示詞其實是知識地圖工具，特別適合在研究初期使用，幫你框架化「還需要找什麼」。
五、證據強度評級：辨別哪些主張站得住腳
多份文件中重複出現的主張，不代表它有強力支撐，有時只是同一個弱來源被反覆引用。因此可以充分利用這個提示詞，來評估生成內容的主張夠不夠好。
檢視我所有素材中的核心主張。針對 5 個最重要的主張：
1）評估每個主張的證據強度（弱 / 中 / 強）；
2）說明評級理由（例：來源數量、來源品質、資料時效、方法論嚴謹度、一致性）；
3）指出哪些主張被廣泛引用，但實際上依賴的證據出乎意料地薄弱。
六、時間線重建：還原因果脈絡
歷史感對理解現況至關重要，但時間線的價值不在日期，而在因果。
根據我上傳的素材，重建 [主題或事件] 的完整時間線。包含：
1）關鍵節點、決策點或轉折點；
2）每個步驟如何導致下一個步驟（因果脈絡，不只是日期）；
3）我的素材在時序或因果判斷上的分歧；
4）一段 300–500 字的敘事，用平白語言說明這條時間線的故事。
七、反駁防禦：在發表前先自我壓力測試
研究做完、結論成形之後，最容易犯的錯是只看支持自己論點的證據。在發表或簡報前，用這個提示詞做壓力測試：
根據我的素材和我正在形成的結論，幫我準備應對質疑的準備。生成：
1）有人可能提出的 5 個最強反駁論點；
2）我能用現有素材中的證據，如何回應每個反駁；
3）哪些地方我的立場確實脆弱，因為反駁的論點比我的證據更強？
八、知識缺口地圖：清楚知道還需要找什麼
假設你是需要上場簡報或是即將面對口試的研究生，你總歸需要一套說詞來幫自己的缺點自圓其說。但與其被別人挑出來，你不如先知道自己所產出的成果有哪些缺漏。
在檢視我所有上傳的素材之後，找出我目前研究的缺口。具體而言：
1）哪些重要子議題在我的素材中幾乎沒有被涵蓋或完全缺席；
2）哪些視角或利害關係人在我的素材中代表性不足（例：地區、學科、利益立場）；
3）我接下來應該尋找的前 10 篇論文、書籍、報告或數據類型，以有效填補這些缺口。
九、洞察提取：找出真正的意義
摘要頂多告訴你文件裡有什麼。這個提示詞告訴你它實際上意味著什麼，就算你是依賴 AI 完成你的研究或是任何報告，你也要充分利用 AI 來學習，讓自己顯得已經看過這份報告很多遍，對吧？。
超越摘要。我要你：
1）找出這些素材中 3 個大多數讀者會忽略的非顯性洞察；
2）找出不同素材的概念、數據或作者之間 3 個令人意外的連結；
3）說明這些洞察和連結，在實際上會如何改變一個人看待 [主題] 的方式。
十、最終報告生成：把研究成果轉成可用文件
當你充分進行了前九大步驟，可以說是在一定程度，你已經很完整的精煉出內容了。
最後一步就是把上述這些結果，統統打包成一個完整的報告，可能就不太會有什麼缺漏了。當然最重要的還是，這份文件會掛上你自己的署名，千萬別忘記自己親自閱讀、修改，畢竟 AI 沒有辦法為你的錯誤負責。
使用我所有上傳的素材和我們的完整對話紀錄作為背景，生成一份關於 [主題] 的完整研究報告。包含：
1）清晰的標題和執行摘要
2）有章節和小標題的清楚架構；
3）主要論點或發現，附上支持證據及引用來源；
4）關於研究限制、開放問題和後續研究方向的專節；
5）針對 [目標受眾] 的實用『So what / Now what』行動建議。
這套框架的真正限制
值得說清楚的是：上述 10 個提示詞不能修補素材本身的缺陷。如果你上傳的文件樣本有偏差、來源單一、或者資料已過時，再好的提示詞也只能整理出「品質受限的洞察」。
這套方法的邏輯前提是：研究者已具備判斷力，能選擇相對均衡且可信的素材。AI 在這裡扮演的角色是加速結構化處理，而非替代判斷。
更深一層的問題是，當多數研究者都開始使用相同的提示詞框架，這套系統的競爭優勢將快速收縮。真正持久的差異化，仍然是你選擇研究什麼問題、從哪個角度切入，而在你打開 NotebookLM 之前，那個判斷就已經決定了。
延伸閱讀：
Claude變身「史丹佛博士生」助理：研究生如何用9個提示，把40多篇論文變成研究報告？
9個Nano Banana Pro高效學習用法：視覺化複雜數學、生物概念，提示詞一次看
資料來源：Jainam Parmar on X
本文初稿為AI編撰，整理．編輯/ 李先泰
