✨ Skill Shot 本次亮點

工作上真正花時間的，往往不是「沒有 AI 可以用」，而是資料太散、資訊太亂，做完之後你還是不確定成果能不能直接拿去用。這堂課，Bill 老師會帶你用 Gemini × NotebookLM 建立一套能實際套進工作的 AI 資訊整理流程，並直接用履歷、會議、知識庫三個常見職場情境進行實作。

整堂課使用同一套工作邏輯：

• 準備資料負責把零散的背景、逐字稿與來源文件整理成 AI 能讀懂的輸入
• Gemini 搭配 PTCF 結構化 Prompt 負責生成與整理成果，把模糊需求變成可穩定執行的任務
• AI 品質檢核負責確認 AI 有沒有遺漏資訊、錯誤推論，或加入原始資料沒有的內容
• NotebookLM 負責來源追溯、查詢與知識累積，讓一次性的對話變成可再次引用的專案資料

三個情境都附上對應的實作工具、Prompt、範例資料與可下載模板，你不用從空白對話框開始研究，跟著課程填入自己的資料就能把整套方法套進真實工作。

Gemini、Gemini Notebook 與 Google Antigravity 皆有免費使用方案。依目前課程實作內容，一般免費帳號即可完成，不需另外訂閱 Pro 或 Ultra。

☝️ 你會學到

• Gemini × NotebookLM 工作分工：理解 Gemini 負責生成與整理成果，NotebookLM 負責來源追溯、查詢與知識累積，兩者如何搭配成一條工作流
• PTCF 結構化 Prompt：從 Persona、Task、Context 到 Format，把模糊需求變成 AI 能穩定執行的任務
• AI 履歷整理實戰：整理個人背景、工作經歷與成果，產出適合不同求職情境的一頁式中英文履歷，並設定 AI 的責任邊界，避免它自行補上不存在的成果數字與經歷
• AI 會議整理實戰：把逐字稿與會議筆記轉換成重點結論、待辦事項、待確認事項與可追蹤的會後文件，而不只是一份摘要
• NotebookLM 知識庫實戰：把文章、研究報告與零散資料整理成可查詢、可回查來源的知識單元，建立跨資料連結
• AI 成果品質檢核：建立檢核標準，確認 AI 是否遺漏資訊、錯誤推論或加入原始資料沒有提供的內容

學完後，你不只是會「叫 Gemini 幫你整理資料」，而是能真正走完「原始資料 → 結構化整理 → AI 產出 → 品質檢核 → 知識保存與再次使用」，把零散資訊變成能交付的工作成果。

👥 適合對象

Gemini／NotebookLM 初學者

已經知道 Gemini 或 NotebookLM，但還不知道兩個工具該怎麼搭配進真實工作的人

需要大量整理會議與文件的工作者

經常處理逐字稿、會議記錄與研究資料，希望產出不只是摘要，而是真正可以交付與追蹤的工作文件的人

正在求職或整理個人經歷的人

想把散落的工作成果與經歷整理成更完整的中英文履歷，又不希望 AI 自己捏造成果的人

⏱️ 課程內容

Gemini × NotebookLM：建立 AI 工作資訊整理流程

先理解 Gemini、Gemini Notebook 與 NotebookLM 各自負責什麼，並用 PDSA 工作流程與 PTCF 結構化 Prompt，建立一套從資料準備、生成、檢核到保存的基本方法。

實戰一｜把零散工作經歷變成中英文履歷

用課程工具整理基本資訊、個人背景、工作經歷與成果，搭配 Gemini 與結構化 Prompt 產出一頁式英文與中文履歷，同時學習設定 AI 的責任邊界，避免它補上不存在的成果數字、工具或經歷。

實戰二｜把會議逐字稿變成可追蹤的會後文件

將會議資訊、逐字稿與筆記放入課程工具，透過 Gemini 整理成包含重點結論、待辦事項、待確認事項、資料狀態與知識標籤的結構化成果，讓會議內容變成團隊下一步可以直接執行的文件。

實戰三｜把零散資料建立成可引用的 NotebookLM 知識庫

從文章、研究報告等來源開始，整理來源資訊、關鍵段落與個人筆記，用 Gemini 建立知識單元並進行品質檢核，最後放入 NotebookLM，讓資料能查重點、找來源、比較資料、追蹤後續並建立跨資料連結。

三套可直接帶走的實作工具

三個應用場景皆附對應的實作教材與 Prompt 工具。你可以載入 Bill 老師準備的示範資料跟著操作，也可以下載空白模板換成自己的履歷、逐字稿或研究文件，把課堂方法直接延伸到日常工作。