來源導向知識庫與 RAG 特性
核心問題：為什麼 NotebookLM「知識庫不足就不回答」？這個特性怎麼變成教學優勢？
NotebookLM 的核心設計是 RAG（檢索增強生成）：它只依據你匯入的來源回答，答案附出處，來源沒講的它傾向說不知道——這大幅降低幻覺，正是教學素材最需要的特性。本章涵蓋建庫三原則（一個 Notebook 對應一個課程主題、原文＋整理稿一起放、素材越清楚產出越準）、支援的來源類型（Docs/PDF/網址/YouTube/圖片/音訊/EPUB），以及「先追問、再生成」的對話策略。
學習成果：能建立以課程主題為單位的教材 Notebook，理解來源治理原則，用追問策略提取教學重點。
核心概念
RAG：檢索增強生成
提問時系統先從你的來源中檢索相關片段，再依據片段生成回答並標注出處。模型不是「記得」你的教材，而是「每次都翻閱」你的教材。
說人話：像一位只肯照食譜做菜的廚師：你給什麼食材，它做什麼菜，還會告訴你每道菜用了哪些食材。
來源治理
一個 Notebook 對應一個課程主題或任務群；同類材料集中，追問才不混亂。命名建議帶課程與主題，例如「華語中級閱讀｜新聞教材」「八年級國文｜世說新語選」。
原文＋整理稿並存
只放 AI 整理稿會失去文本脈絡，只放原文會增加再整理成本。兩者一起匯入，NotebookLM 才能同時看見內容與教學脈絡。
先追問，再生成
建庫後不要急著按產出按鈕。先問幾個定位問題——「這篇適合哪個程度」「哪些概念學生容易誤解」——確認知識庫理解正確，再生成教材。
教師的五個定位追問
華語文教學講座驗證的追問順序，換掉學科詞彙即可通用：
- 這份材料最適合哪個程度／年級？
- 哪些詞彙／概念可能造成學習困難？
- 哪些點值得設計練習？
- 哪些段落適合做理解檢核？
- 哪些內容需要背景補充？
Bloom 認知層次提問法
以〈一桿稱仔〉的實踐為例：讓學生（或教師自己）依認知層次分層提問，把 NotebookLM 變成文本自主學習工具：
- 知識層次：文本結構、人物、事件順序（答案直接在來源裡）
- 分析層次：意象分析、對比手法（需要跨段落整合）
- 評定層次：思想價值討論（NotebookLM 提供依據，判斷留給人）
- 最後一步永遠是：回到原文驗證 AI 的說法，用紅筆標注修改——培養對 AI 產出負責的習慣
四象限任務定位
以「課程準備度 × 任務複雜度」決定使用策略：
- 高準備×高複雜（跨科整合）：多份來源比對、生成課程架構
- 高準備×低複雜（重點摘要）：快速提取核心、生成複習素材
- 低準備×高複雜（陌生領域）：快速建立背景知識庫輔助備課
- 低準備×低複雜（日常公告）：散落文件整理為可用格式
操作步驟
- 1
確認帳號
個人 Google 帳號即可使用，免費、不需要 Workspace 帳號；學校帳號則依管理員設定，功能可能與個人版略有差異。
- 2
建立 Notebook
notebooklm.google.com → 新增筆記本，以課程主題命名。
- 3
匯入來源
上傳 PDF/Docs/簡報，或貼網址、YouTube 連結；原文與整理稿一起放。
- 4
定位追問
用五個定位問題確認知識庫的理解。
- 5
提取與標注
要求輸出時附來源引用，點擊引用可回到原文對照。
- 6
維護
課程推進時持續補來源；主題偏了就開新 Notebook，不要混庫。
常見誤解
誤解：NotebookLM 是另一個聊天機器人。
實際：它是知識庫工具。價值不在對話流暢，在「答案可回溯到你的來源」。評估它的標準是引用準確度，不是文筆。