上一篇，我們說到 Abby 的問題：文件散、找資料慢、真正用來思考的時間反而最少。
她後來開始用 NotebookLM，把一堆 PM 文件丟進去，覺得問題應該解決了。結果第一週，她問了一個問題：「這個產品線目前最大的用戶痛點是什麼？」
得到的回答，通順、有條理，但她看完之後有一種說不出的感覺，讀起來像教科書，跟她真正想知道的事情有點距離。
她開始懷疑：是工具不夠好？還是自己用錯了？
答案是後者。但不是她的問題，而是沒有人告訴她，用 NotebookLM 有兩個功課要做：一是怎麼整理資料丟進去，二是怎麼問問題。
1.第一個功課：你丟進去的東西，決定它能給你什麼
NotebookLM 的運作方式，不是你問什麼它就去網路上搜什麼。它只會從你放進去的資料裡面找答案。
所以如果你丟進去的東西是一堆沒有脈絡的文件: 不同時期的、不同主題的、甚至有些已經過期的，它能給你的，自然也是模糊的。
這裡有兩個 PM 常遇到的判斷問題：
判斷一：這些文件應該放在同一個 Notebook，還是分開？
Abby 一開始的做法，是把所有跟產品相關的文件都丟進同一個 Notebook > PRD、競品分析、用戶訪談、技術 spec、OKR，通通在一起。
這樣做的問題，是當她問「用戶最常遇到什麼問題？」的時候，NotebookLM 可能同時參考用戶訪談和技術 spec，混出一個聽起來合理但其實沒有聚焦的答案。
簡單的判斷原則是：
- 如果你希望 AI 理解「這個主題的完整來龍去脈」→ 放在同一個 Notebook
- 如果你希望 AI 「比較不同資料之間的差異或關聯」→ 也放在同一個 Notebook，但要確認主題一致
- 如果兩批資料服務的是完全不同的問題 → 拆成不同 Notebook
以 PM 的工作場景來說，比較好的切法是：
用戶研究知識庫 > 訪談逐字稿、問卷結果、NPS 分析、使用者回饋
專案決策記錄 > 會議紀錄、PRD 歷史版本、重要 email 決策
競品與市場情報 > 競品分析 deck、市場報告、產業新聞整理
技術背景文件 > 架構說明、技術評估、工程師的可行性分析
這不是唯一的分法，但背後的邏輯是：每個 Notebook 只服務一個清楚的問題類型，這樣問出來的答案才不會東一塊西一塊。
判斷二：長文件直接丟，還是拆開再丟？
PM 手上常常有一份很長的文件，比如一份 30 頁的 PRD、或是一份完整的市場研究報告。
要整份丟進去，還是拆成幾個部分？
整份丟進去比較好的情況：
- 文件本身有完整的論述脈絡，前後段高度相關
- 你希望 AI 能在同一條敘事線上前後對照
- 例如：完整的競品研究報告、一份有清楚結構的 PRD
拆開比較好的情況：
- 文件涵蓋多個不相關的主題，你只需要某個部分
- 你想把這份文件的某一章，跟另一份文件對照比較
- 例如：一份大雜燴的週報，只有某幾段跟你的 Notebook 主題有關
Abby 後來的做法是：把完整的文件丟進去，但在命名的時候標清楚「PRD｜登入流程改版 v3 最終版」、「訪談整理｜2025 Q1 重度用戶」。
這樣在問問題的時候，她可以直接指定「根據登入流程 PRD」或「根據 Q1 訪談結果」，讓回答更有針對性。
2.第二個功課：問題的品質，決定答案的品質
資料整理好之後，Abby 以為接下來就是「問問題、得答案」。
但她很快發現，問題問得不同，得到的東西差很多。
同樣的資料，這兩個問題得到的答案完全不一樣：
- 「這個產品有什麼問題？」
- 「根據 Q1 的用戶訪談，用戶在完成首次設定時最常在哪個步驟放棄？原因是什麼？」
第一個問題太寬，NotebookLM 只能給出一個四平八穩的概括回答。
第二個問題有範圍、有場景、有想要找的因果關係，答案就會具體很多。
PM 在使用 NotebookLM 時，可以把提問分成三種模式，依照需求切換：
摘要型提問：快速掌握一份陌生文件
適合場景： 接手新專案、跨部門合作剛開始、對方丟了一包背景資料給你
怎麼問：
- 「這份文件的核心論點是什麼？」
- 「這份 PRD 定義了哪幾個主要用戶場景？」
- 「這份競品分析最後的結論和建議是什麼？」
這類提問不求深度，目的是先站對位置，知道文件在講什麼，再決定哪些部分需要自己深讀。
問題型提問：釐清因果、找出關鍵依據
適合場景： 準備提案、寫 PRD、需要有根據地做判斷
怎麼問：
- 「根據這些訪談，用戶對 A 功能的主要抱怨集中在哪裡？」
- 「這份技術評估裡，工程師提到的最大風險是什麼？當時有給出解法嗎？」
- 「上一次討論這個功能優先級的會議記錄，最後的決策依據是什麼？」
這類提問的關鍵，是加上「根據哪份資料」和「要找的是因果還是結論」。問得越具體，答案越有用。
比較型提問：跨來源找差異與共識
適合場景： Notebook 裡同時有多份不同時期或不同角度的文件
怎麼問：
- 「Q1 和 Q2 的用戶訪談，對於這個痛點的描述有什麼不同？」
- 「我們的 PRD 定義的用戶場景，跟競品分析裡描述的對手做法，有哪些明顯差距？」
- 「這兩個方案在技術文件裡的評估結果，最大的取捨是什麼？」
這類提問最適合在 決策前 使用，你不只是要知道資料說什麼，而是要找出資料之間的張力和落差，幫自己做判斷。
3.一個讓回答品質明顯提升的小習慣
Abby 後來養成了一個習慣：在問完第一個問題之後，不急著接受答案，而是再追一句。
比如：
- 「剛才的回答，是根據哪些資料得出的？」
- 「這個結論有沒有例外或反例？」
- 「還有哪些相關資訊在文件裡，但剛才沒有提到？」
這樣的追問，能讓 NotebookLM 把沒有完全浮現的內容再帶出來，也能幫她確認答案是有根據的，而不只是聽起來合理。
她說：「以前我以為好工具就是給好答案。後來才發現，好答案是問出來的。」
4.NotebookLM 是放大鏡，不是萬能
用了一段時間之後，Abby 對 NotebookLM 有了一個比較清楚的定位：
它不會替你判斷什麼重要、什麼不重要。它能做的，是在你已經有一些資料和方向的情況下，幫你更快找到脈絡、更快看清楚資料在說什麼。
所以它最有價值的時刻，是你已經有一些想法，但需要一個工具幫你把零散的東西整理清楚，而不是你完全空白，期待它告訴你答案。
整理好資料的結構，加上問對問題的方式，才是讓這個工具真正發揮作用的兩把鑰匙。
