NotebookLM 整理完，再交給 Claude 改寫：完整的研究到輸出流程

你用 NotebookLM 整理了一批資料，問了幾個問題，得到了一些有用的摘要。然後你把這些摘要貼到一份空白文件，開始寫報告。

寫到一半卡住了。你回去翻 NotebookLM，再問幾個問題，再複製貼上，再繼續寫。

這個來回很正常，但可以更有效率。NotebookLM 負責整理，Claude 負責生成——兩個工具接力，中間少一段你自己硬撐的過程。

---

為什麼需要兩個工具

單用 NotebookLM 的問題：它擅長整理和查詢，但生成長篇結構化內容不是它的強項。你叫它寫一份完整的競品分析報告，它給你的通常是條列式的摘要，不是一份可以直接拿去用的文件。

單用 Claude 的問題：它沒有辦法記住你的資料。你今天把二十份文件貼給它，明天開新對話，它什麼都不記得。如果你的研究素材需要反覆調用，每次都要重新貼，效率很低。

兩個工具各有一塊做不好的地方，剛好可以互補。

→ NotebookLM 讀內部文件 vs Claude 讀內部文件，差在哪

---

完整流程

第一段：NotebookLM 負責「找」

把你的研究素材上傳進 NotebookLM。這個階段不要急著整理，先讓資料進去，之後再問問題。

上傳完之後，針對你要輸出的內容，問幾個具體的問題：

「這幾份資料裡，哪些觀點是多份文件都有提到的？」 「這個主題有沒有出現過互相矛盾的說法？分別是什麼？」 「如果要寫一份給主管看的摘要，最重要的三個結論是什麼？」

把這些答案存下來。這是你的研究骨架，不是最終輸出。

→ NotebookLM 的提問方式決定答案品質：五種問法比較

第二段：整理你自己的判斷

這一步很多人跳過，但它決定最後輸出的品質。

NotebookLM 給你的是「資料裡有什麼」，但你還需要決定「這些東西對你的目的來說意味著什麼」。

把 NotebookLM 整理出來的重點看一遍，在旁邊加上你自己的判斷：

這個結論我認同，而且還可以補充⋯⋯ 這個數字要特別強調，因為主管最在乎的是⋯⋯ 這個矛盾點我的立場是⋯⋯

不需要寫完整的句子，幾個字就好。這些判斷是你的，不是 AI 的。

第三段：Claude 負責「寫」

把 NotebookLM 整理出來的重點，加上你剛才補充的判斷，一起貼給 Claude。

告訴它三件事：這份東西要給誰看、要用什麼格式、大概多長。

「這是我整理出來的競品研究重點，請幫我寫成一份給行銷主管看的報告，格式是先說結論再說依據，大概八百字。」

這個時候 Claude 的任務很清楚：把你已經想好的東西，寫成你要的形式。它不需要替你做研究，也不需要替你做判斷，它只需要把你給它的素材組裝好。

這樣輸出的品質會比你直接叫它「幫我寫一份競品分析」高很多，因為它的起點不一樣。

→ Claude vs ChatGPT：行銷人寫提案，哪個比較不會讓你改到崩潰

第四段：你來把關

Claude 輸出之後，你要做的不是改文字，是確認內容。

檢查兩件事：

第一，有沒有偏離你的研究結論。有時候 Claude 在組織內容的過程中會稍微修改重點的比重，你要確認它強調的東西跟你想強調的一致。

第二，邏輯有沒有跳躍。你知道資料的全貌，它只知道你貼給它的那些，有時候它會在你沒有補充說明的地方自己填東西。這種地方要抓出來。

確認完之後，才是調整文字的語氣和格式。把關的順序不要反過來，先確認對不對，再確認好不好看。

---

這個流程省的不是時間，是腦力

你一個人從研究素材硬寫到最終輸出，中間要做的事情很多：整理資料、找重點、決定架構、動筆、修改。這些事情混在一起做，很容易在某個環節卡住，然後整個流程停下來。

把流程拆開，每個工具只做它最擅長的那一段，你自己只在最需要判斷的地方出手——決定重點的輕重、確認方向有沒有偏。

腦力用在對的地方，輸出的速度才真的會快。