NotebookLM 的核心定位一直是以文件為中心的 AI 筆記本，讓使用者在自己的資料庫中進行對話與分析。然而，最新的更新將其從單純的問答工具，推向了 Agentic AI（代理式 AI）的範疇。對於工程師或研究者來說，這次升級最關鍵的改變在於 AI 不再只是「閱讀並總結」，而是具備了「執行」與「主動探索」的能力。
從單純的 LLM 到具備執行力的研究助手
過去的 AI 筆記工具大多依賴 RAG（檢索增強生成），即從你提供的文件中找出答案。但面對複雜的數據分析或需要外部資訊的專案，單靠 RAG 往往會遇到瓶頸。這次 NotebookLM 引入了 Gemini 3.5 與 Antigravity 模型，並為每個筆記本配置了一個安全的雲端電腦。
這意味著 AI 現在擁有 Code Execution（程式碼執行）能力。當你要求它分析數據時，它不再是用文字去猜測結果，而是直接撰寫並執行程式碼來計算。這種從文字生成到程式碼執行的轉變，極大地提升了處理數據的精確度，解決了 LLM 常見的數學計算錯誤問題。
主動式研究與來源擴展
以往使用 NotebookLM 的前提是你必須先準備好所有來源文件，這對處於專案初期的使用者來說門檻較高。現在，NotebookLM 增加了主動研究的能力，允許使用者以模糊的想法或問題開始。
AI 現在可以透過 Google Search 主動在網路上搜尋高品質的來源，並引導使用者將這些資訊納入自己的知識庫中。這種工作流將 AI 的角色從一個被動的圖書館管理員，變成了能主動幫你找資料的研究助理。值得注意的是，系統依然保留了來源追溯機制，確保所有生成內容都有據可查，避免 AI 幻覺導致的錯誤資訊。
多模態輸出與實務應用場景
除了分析能力的提升，輸出形式也從單純的對話文字擴展到了多種專業格式。NotebookLM 現在能直接生成 PDF 報告、Excel 試算表、PowerPoint 簡報以及各種視覺化圖表（如 SVG 或 PNG）。
這種能力的實務影響在於它縮短了從研究到交付的路徑。舉例來說，一名技術專案經理可以將複雜的客戶集成規格書丟入系統，要求 AI 分析後直接產出一份簡化版的技術指南與實施路線圖（Roadmap）簡報，而不需要在多個工具之間切換。
對於數據分析師而言，面對格式不統一的跨國數據，可以利用其雲端執行環境進行數據清洗，並直接輸出成可下載的 CSV 或 JSON 結構化資料。
總結與技術洞察
這次更新展示了 AI 工具演進的一個重要趨勢：從 Chatbot（聊天機器人）轉向 Agent（代理人）。一個合格的 AI 代理人需要具備推理、工具使用（Tool Use）以及自我修正的能力。NotebookLM 透過整合搜尋引擎、程式碼執行環境與多格式輸出，完成了一個閉環的研究工作流。
對於開發者而言，這提醒我們在設計 AI 應用時，單純的對話界面已不足夠，將 LLM 與可執行環境（Sandbox）結合，才是解決複雜分析問題的正確方向。
來源：blog.google
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。