NotebookLM是教師和學生愛好的AI工具之一。現在，NotebookLM 已經可以在 Gemini 中被整合使用了！
本例使用的筆記本是將近幾年來資訊電子類的統測專業科目一和專業科目二所形成的歷屆試題筆記。
提示詞：整理這些專業科目二的試題中，關於程式設計部分，有那些主題是時常重複出現的？將相關內容製成互動式網頁供學生學習。（記得要選：Canvas）
因為在 NotebookLM 中無法建立互動網頁，而且可以上傳的檔案數量也有限制，所以透過 Gemini 連結 NotebookLM，可以將筆記中的內容製作為互動式網頁。將連結分享給學生練習，對學生會有一定的助益。
如此達成由筆記變網頁，實在很方便喔！
你也可以取用筆記中的旅遊相關內容：
提示詞：將旅遊規劃內容，製作成詳細的資訊圖表，文字使用繁體中文。使用符合文意的視覺化設計，3:2版面。（要選取：生成圖像、思考型）
在 Gemini 中直接將筆記內容繪製成資訊圖表：
當然，在 NotebookLM 中也可以製作資訊圖表喔！
如此，在 NotebookLM 中可以善用RAG(Retrieval-Augmented Generation, 檢索增強生成)的特性與優點，而且除了原本可以製作：語音摘要、影片摘要、心智圖、報告、學習卡、測驗、資訊圖表、簡報等，現在，又可以在 Gemini 介面中玩出更多的花樣了。
RAG補充說明：
RAG 是 Retrieval-Augmented Generation（檢索增強生成）的縮寫。簡單來說，這是一種讓 AI 模型（LLM）變得更聰明、更準確的技術架構。
1. 它是什麼？（核心概念）
想像你在考試：
- 一般的 LLM（如 ChatGPT）：像是在進行「閉卷考試」。它只能憑藉訓練時記住的知識來回答，如果它沒學過（例如公司內部的資料）或是記錯了，它可能會胡說八道（產生幻覺）。
- RAG：像是在進行「開卷考試」。當你問問題時，AI 會先去翻閱參考書（你的資料庫、文件），找到相關答案後，再綜合這些資訊回答你。
2. RAG 的運作流程
RAG 的過程分為三個步驟：
- 檢索 (Retrieval)： 當你提出問題時，系統會先去外部資料庫（例如公司的 PDF、維基百科、即時新聞）搜尋與問題最相關的片段。
- 增強 (Augmented)： 系統將搜尋到的這些「參考資料」和你的「原始問題」結合在一起，變成一個更豐富的提示詞（Prompt）。
- 生成 (Generation)： 將這個豐富的提示詞丟給大型語言模型（LLM），模型根據這些參考資料生成最終的回答。
3. 為什麼我們需要 RAG？
RAG 解決了大型語言模型（LLM）的三大痛點：
- 解決「幻覺」問題：強迫模型根據提供的事實回答，減少模型胡亂編造的機會。
- 獲取「最新」資訊：LLM 的訓練資料通常有截止日期（例如只到 2023 年），但 RAG 可以隨時檢索最新的新聞或數據。
- 保護「私有」數據：你可以讓 AI 讀取你個人的筆記或公司的機密文件，而不需要將這些資料拿去訓練模型，既安全又能客製化。
4. 簡單範例
- 沒有 RAG：
- 使用者：「本公司的請假規定是什麼？」
- AI：「我不知道你是指哪家公司，一般的請假規定通常是...（泛泛而談）」
- 使用 RAG：
- 使用者：「本公司的請假規定是什麼？」
- 系統：（先去搜尋公司員工手冊 -> 找到「病假需附證明」條款） -> 餵給 AI。
- AI：「根據貴公司的員工手冊，請病假需要提供醫生證明，且需在當天上午 9 點前通知主管。」
