好的,這是一篇根據你的口述內容和風格要求,改寫而成的繁體中文長文,適合發布在 Facebook 或 Blog。 --- 我如何用 Google NotebookLM,將1小時的混亂發言,變成1張秒懂的資訊圖表


【我如何用 Google NotebookLM,將1小時的混亂發言,變成1張秒懂的資訊圖表】

老實說,我一直在找一個能完美解決「輸入、整理、輸出」的 AI 工具。市面上的工具很多,輸入不成問題,整理摘要也做得不錯,但到了「輸出」這一步,總覺得少了點什麼。大多工具給你的,就是一堆文字、一串重點,乾巴巴的,很難讓人一眼就抓住精髓。

直到我最近用到了 Google 的 NotebookLM,才真的有種「就是這個了!」的感覺。它在輸出的環節,特別是視覺呈現上,是我目前看過最驚豔的,沒有之一。

你有沒有過這種感覺?開了一場長達一小時的會議,或是跟客戶、朋友聊了半天,腦袋裡的東西像一團打結的毛線,跳躍又發散。你想把這些內容整理給別人看,卻發現光是條列式重點,根本無法傳達當下的思緒脈絡。對方看了半天,還是抓不到你真正想講的主線是什麼。

我就是這樣。我的思緒常常很跳 Tone,一下講 A,一下跳到 C,中間的 B 可能藏在某個潛意識裡。這種發散的溝通方式,常常讓我自己事後回想都覺得頭痛,更別說要讓別人快速理解了。

一張圖,拯救了我雜亂無章的腦袋

NotebookLM 最讓我著迷的,是它能把一長段文字、一篇逐字稿,直接變成一張專業的「資訊圖表」(Infographic)。

這不是那種簡單的文字雲或心智圖,而是一張真正有主線、有支線、有視覺重點的圖。它會自動抓出核心主標題,用最大的字體放在最顯眼的位置;然後是次要標題、關鍵字,用不同大小和配置,清晰地呈現出彼此的關聯性。

整個畫面的佈局,是有設計感的。大標題不會壓到小字,支線的內容會圍繞著主線,一眼看過去,整個資訊架構就完整地呈現在眼前。就像有個專業的設計師,聽完你一小時的長篇大論後,幫你畫出了一張重點筆記。

那種感覺真的很神奇。我把我那些跳來跳去的想法丟進去,幾秒鐘後,一張結構分明、邏輯清晰的圖就跳了出來。它不僅讓別人秒懂,甚至連我自己都豁然開朗:「啊,原來我剛剛那堆混亂的發言,核心架構是長這樣啊!」

拆解背後的魔法:兩個AI的完美協作

我實在太好奇了,這東西到底是怎麼做到的?為什麼它生成的圖,文字不會重疊,排版還那麼好看?於是我試著去問了 Gemini,想挖出它背後的運作邏輯。

原來,這背後可能是一個由多個 AI Agent 協同工作的流程,至少可以拆成兩個關鍵步驟:

第一步,有個像「視覺化設計總監」的 AI。它會先深度理解你給的全部文字內容,然後規劃出整張圖的藍圖。它會決定:主標題是什麼?次標題有幾個?哪些是輔助說明的關鍵字?接著,它會規劃一個視覺風格和佈局策略,決定哪個東西要放哪裡、字要多大、區塊之間要怎麼配置,才能在視覺上達到平衡與強調的效果。

這一步至關重要。如果所有字的權重都一樣,那畫面就會失焦。這位「設計總監」的工作,就是建立起整個資訊的層次感。

第二步,當藍圖設計好後,再交給一個專門負責生成圖片的 AI,像是原文中提到的 Nirvana Pro 或是 Google 自己的 Imagen 模型。這個「繪圖師」AI 會根據「設計總監」給的指令——包含文字內容、位置、大小、顏色風格——把最終的圖像給畫出來。

這套組合拳,完美解決了過去 AI 生成圖片時,很難精準控制文字和排版的問題。

從體驗到實踐,這工具還能怎麼玩?

這個發現讓我非常興奮,因為這代表我們可以客製化自己的視覺風格。你可以在指令中加入你喜歡的元素,例如「請用手繪風格」、「我偏好藍色系的科技感配色」等等,讓每一次產出的圖表,都帶有你獨特的個人 Style。

說了這麼多,這到底能用來幹嘛?

對我來說,它最直接的幫助,就是讓我的溝通變得更高效。一場會議、一次訪談,結束後直接生成一張圖,所有與會者都能快速回顧。甚至,對於我們這些需要每天產出內容的人來說,這簡直是個神器。你可以把腦中的想法快速講出來,轉成逐字稿,然後生成一張視覺化的貼文圖片,大大降低了內容創作的門檻。

如果你也想試試看,可以直接去用 NotebookLM。目前免費版生成的圖片右下角會有一個小小的浮水印,如果需要更進階的功能或無浮水印,可以考慮他們的付費方案。

而對於喜歡玩得更深的朋友,甚至可以嘗試透過 API 來實現自動化。例如,我正在研究透過 KIE.AI 串接 Nirvana Pro 的 API 節點,直接把語音轉成資訊圖表。之後我也會考慮把這些研究的心得,做成免費的教學或工作流節點分享出來,讓大家都能輕鬆地把自己的想法,變成一張張有影響力的圖片。

如果你也跟我一樣,常常覺得腦袋裡的想法很多、很亂,卻苦於無法清晰地表達出來,或許可以試試看,把這一切,交給一張圖來替你說話。

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin