用 Codex 串起 NotebookLM 與 Google 工具：一個公開 Skill 的設計與使用教學
很多人使用 AI 工具時，第一個困難其實不是「不會下指令」，而是還沒把問題說清楚。
例如：
- 我想整理問卷。
- 我想做主管簡報。
- 我想把資料丟進 NotebookLM 分析。
- 我想讓 Google 表單送出後自動寄信。
- 我想把這次做法保存成下次可重用的方法。
這些想法都合理，但如果直接要求 AI 產出成品，常常會得到一份看起來漂亮、實際上不好落地的答案，特別是我在教學、顧問的經驗之中，在沒有很有效的框架思考之下，時常需要進一步的釐清與討論。
所以我整理了一個公開 Codex Skill：
https://github.com/willismax/notebooklm-workflow-coach
它的目標不是替你按一個魔法按鈕，而是陪你把一個模糊情境，整理成可以執行、可以查證、可以重複使用的 NotebookLM + Google Workspace 工作流，而這個工作流是基於一套系統化的思考框架、落實為6周訓練課程後得到的歸納與實踐成果。
這個 Skill 解決什麼問題
notebooklm-workflow-coach 會先用三輪對話幫你釐清：
- 你的情境與痛點是什麼。
- 你有哪些資料來源，以及哪些資料不能上傳 AI。
- 你希望最後產出什麼，怎樣才算有用。
接著它會產生：
- PRD
- 資料來源清單
- NotebookLM 筆記本規劃
- NotebookLM 提示詞
- Google 表單、試算表、文件、Drive、Apps Script 的分工
- 報告、簡報、Podcast、Infographic 或 Data Table 的產出建議
- 風險檢查表
- 下次可重用的 Prompt 或 KnowHow
這讓 Codex 比較像一個工作流中樞，而 NotebookLM 則是來源分析層。
安裝方式
先下載或 clone repo：
git clone https://github.com/willismax/notebooklm-workflow-coach.git
把這個資料夾放到 Codex skills 目錄：
skills/notebooklm-workflow-coach
接著重新啟動 Codex 或開新對話。
第一句話怎麼下
你可以直接貼這句：
使用 notebooklm-workflow-coach。我想用 NotebookLM 與 Google 雲端工具完成一個工作、研究、學習或生活任務，請先用三輪對話幫我釐清需求並產生 PRD。
如果你已經有具體情境，可以這樣說：
使用 notebooklm-workflow-coach。
我每週都要整理客戶回饋與服務紀錄，想找出常見問題、產生改善建議，並做成主管簡報。
我有 Google 表單回覆、試算表、幾份服務 SOP 文件。
請先用三輪對話幫我釐清需求，產生 PRD，並規劃 NotebookLM、Google 試算表、Google 文件與 Apps Script 可以怎麼串。
三輪對話長什麼樣子
第一輪通常會釐清情境：
這件事發生在哪個工作或生活場景？
目前最麻煩、最花時間、最容易出錯的是什麼？
做完後誰會看或使用成果？
你希望最後得到什麼？
第二輪會釐清資料：
你手上有哪些資料來源？
哪些資料有個資、商業機密或不能上傳到 AI？
你目前能使用哪些工具？
你希望今天完成，還是可以分階段完成？
第三輪會釐清成功標準：
這份成果要幫你做什麼決定？
成果要用什麼格式交付？
什麼樣的結果你會覺得真的有用？
這是一次性任務，還是之後要定期重複？
範例：把課後問卷變成課程調整報告
假設你有一份 Google 表單回覆，裡面有滿意度、最有幫助的內容、還不清楚的地方、具體建議。
這個 Skill 會幫你規劃：
| 階段 | 工具 | 任務 |
|---|---|---|
| 收資料 | Google 表單 | 收集回饋 |
| 整理 | Google 試算表 | 清理欄位、統計滿意度 |
| 分析 | NotebookLM | 找出常見問題、低滿意度原因 |
| 改寫 | Codex | 產生內部報告、公開公告、簡報大綱 |
| 自動化 | Apps Script | 低滿意度提醒、每週摘要 |
| 回寫 | Codex | 整理成下次可重用 KnowHow |
NotebookLM 提示詞可能會長這樣：
請根據這份課後回饋資料，整理：
1. 本週最有幫助的三個內容。
2. 最常出現的不清楚問題。
3. 滿意度低於 3 分的可能原因。
4. 下週課程應優先補強的三件事。
5. 需要人工個別回覆的類型與原因。
請用表格輸出，並在每一項後面標註依據來自哪些回饋內容。
如果資料不足，請明確說明不能推論。
來源清單小工具
Repo 也附了一個小工具，可以把網址、檔案或筆記整理成 NotebookLM-ready source inventory：
python skills/notebooklm-workflow-coach/scripts/build_source_inventory.py \
"https://example.com/report" \
"feedback.csv" \
"team SOP document" \
--sensitivity "public-or-sample" \
--role "practice" \
--markdown source_inventory.md \
--json source_inventory.json
它會幫你標出來源類型、是否適合 NotebookLM、敏感性與用途。這一步很重要，因為 NotebookLM 的品質很大程度取決於你餵給它的來源。
我最希望使用者帶走的不是工具，而是方法
這個 Skill 真正想培養的是一套習慣：
- 先把情境說清楚。
- 把資料來源整理好。
- 用 NotebookLM 做來源分析。
- 用 Codex 把分析結果轉成可交付成果。
- 把成功做法回寫成 KnowHow。
AI 工具會一直變，但這條思考精神與實作路徑可以陪伴很久。
安全提醒
- 不要把密碼、API Key、客戶名單、身分證字號、醫療資料、薪資資料直接貼進聊天。
- 練習時優先使用假資料、公開資料或已匿名資料。
- Apps Script 的 API Key 要放在 Script Properties。
- NotebookLM 的額度與功能會變動，請以你登入後看到的介面為準。
- 漂亮的 AI 報告不代表可信，仍要檢查來源、樣本數、反方觀點與推論邊界。
現在就試試看吧！如果你有任何問題、建議或想分享的使用心得，歡迎在 GitHub Repo 開 Issue 或 Pull Request。