一般 Gemini、Gemini Gems，以及 NotebookLM，沒想到原來三種有差別！
Google AI 生態系現在有三種不同的 Deep Research 入口
2026 Jan 07 AI 應用系列
如果用「一家公司的人力配置」來比喻，這三者分別扮演了截然不同的角色，我們用「錨點」、「目的」和「產出形式」來區分這三位員工：
一般 Gemini 的 Deep Research
隨叫隨到的「萬能特助」，是大家最熟悉常用的管道
•錨點： 「當下的 Prompt（指令）」
它沒有記憶包袱，你當下叫它查什麼，它就查什麼
•核心目的： 「即時解惑」
適合解決隨機發生、一次性的問題
•優點與缺點： 反應最快，但缺乏累積性
每次都要重新交代背景，查完就結束了，資料流動性高（用完即丟）
【使用情境】
• 突然想知道：「去金澤哪裡買交通卡最方便？」
• 寫程式卡關，查一個：「最新的 Python 語法錯誤怎麼解？」
Gemini Gems 的 Deep Research
自帶視角的「部門資深專員」，Gems 允許你預先設定好角色和指令，讓 AI 戴著特定的「濾鏡」去看世界
•錨點： 「角色設定+ 預設指令」
它不再是空白的，而是帶著「我是行銷總監」或「我是教案設計師」的身份去搜尋
•核心目的： 「任務執行」
適合解決重複性高、需要特定風格或專業視角的問題
•特點： 它是「工作流（Workflow）」的一部分，為了幫你省下重複設定的時間
【實戰案例：教案設計師Gems的視角】
我們來看一個真實的差異，同樣是做「AI 課程調研」，如果你透過一個設定好「教案設計專家」的 Gems 去執行 Deep Research，你會發現它的搜集邏輯完全不同
我下了提示詞做測試：「幫我搜尋 2025 年 12 月到 2026 年 1 月最受歡迎的 AI 課程，並且幫我分析受歡迎的原因」
結果在沒有特殊設定下，一般 Gemini (特助)看的是「好不好賣」：搜集排名、學員評價、證書含金量（CP值思維）
教案設計師 Gems (資深專員) 看的是「好不好教」：
1. 它會去分析課程是否包含「實作專案」或「社群共學」（分析留存率秘密）
2. 它會調查「技術突破事件」與課程熱度的關聯（分析開課時機點）
3. 它不只看優點，還會挖掘「學員痛點」與課程設計的解法
Gems能像個資深員工，過濾掉對你專業無用的雜訊（如單純的銷售數字），直接給你賦予它的視角報告
NotebookLM 的 Deep Research
專注積累的「專案研究員 / 圖書館員」，它的核心不是對話，而是「筆記本」
•錨點： 「資料庫 / 專案」
它的搜尋是為了「補全」或「延伸」你現有的資料
•核心目的： 「知識建構」
它不是為了跟你聊天，而是為了「產出一份完整的報告」或「整理出一套知識體系」
•特點： 「文件導向」
它的產出通常是為了變成一個音檔、一份簡報，或者是為了讓你的筆記本內容更豐富。它的資料是「留存」下來的
【使用情境】
•知識策展
你丟了 5 本關於「數位遊牧」的 PDF 進去，然後用 Deep Research 說：「幫我搜尋網路上最新的泰國簽證規定，補充到這份筆記裡。」
•書籍撰寫
你想寫一本書，你用 Deep Research 幫你針對某個章節找資料，然後固定在這個筆記本裡，成為寫作素材的一部分。
總結：工具好用，選對情境更好用
•一般 Gemini： 幫我查個答案（一次性、隨機性）
•Gems： 用我的專業視角，幫我執行這個任務（重複性、風格化、專業化）
•NotebookLM： 幫我做一份報告，並存在我的資料庫裡（專案性、知識管理）
這三個工具並不衝突，反而是可以串接成一條強大的工作流：
1. 你可以先用 NotebookLM 整理大量文獻做基礎研究
2. 然後將整理好的精華做成知識庫餵給 Gems 訓練它的視角
3. 最後在執行日常瑣事時，用 一般 Gemini 快速解決突發問題
善用這個「AI 人力配置」，你就不再是一個人在戰鬥，而是擁有了一個完整的編輯與研究團隊囉！
一般 Gemini 的 Deep Research
隨叫隨到的「萬能特助」，是大家最熟悉常用的管道
•錨點： 「當下的 Prompt（指令）」
它沒有記憶包袱，你當下叫它查什麼，它就查什麼
•核心目的： 「即時解惑」
適合解決隨機發生、一次性的問題
•優點與缺點： 反應最快，但缺乏累積性
每次都要重新交代背景，查完就結束了，資料流動性高（用完即丟）
【使用情境】
• 突然想知道：「去金澤哪裡買交通卡最方便？」
• 寫程式卡關，查一個：「最新的 Python 語法錯誤怎麼解？」
Gemini Gems 的 Deep Research
自帶視角的「部門資深專員」，Gems 允許你預先設定好角色和指令，讓 AI 戴著特定的「濾鏡」去看世界
•錨點： 「角色設定+ 預設指令」
它不再是空白的，而是帶著「我是行銷總監」或「我是教案設計師」的身份去搜尋
•核心目的： 「任務執行」
適合解決重複性高、需要特定風格或專業視角的問題
•特點： 它是「工作流（Workflow）」的一部分，為了幫你省下重複設定的時間
【實戰案例：教案設計師Gems的視角】
我們來看一個真實的差異，同樣是做「AI 課程調研」，如果你透過一個設定好「教案設計專家」的 Gems 去執行 Deep Research，你會發現它的搜集邏輯完全不同
我下了提示詞做測試：「幫我搜尋 2025 年 12 月到 2026 年 1 月最受歡迎的 AI 課程，並且幫我分析受歡迎的原因」
結果在沒有特殊設定下，一般 Gemini (特助)看的是「好不好賣」：搜集排名、學員評價、證書含金量（CP值思維）
教案設計師 Gems (資深專員) 看的是「好不好教」：
1. 它會去分析課程是否包含「實作專案」或「社群共學」（分析留存率秘密）
2. 它會調查「技術突破事件」與課程熱度的關聯（分析開課時機點）
3. 它不只看優點，還會挖掘「學員痛點」與課程設計的解法
Gems能像個資深員工，過濾掉對你專業無用的雜訊（如單純的銷售數字），直接給你賦予它的視角報告
NotebookLM 的 Deep Research
專注積累的「專案研究員 / 圖書館員」，它的核心不是對話，而是「筆記本」
•錨點： 「資料庫 / 專案」
它的搜尋是為了「補全」或「延伸」你現有的資料
•核心目的： 「知識建構」
它不是為了跟你聊天，而是為了「產出一份完整的報告」或「整理出一套知識體系」
•特點： 「文件導向」
它的產出通常是為了變成一個音檔、一份簡報，或者是為了讓你的筆記本內容更豐富。它的資料是「留存」下來的
【使用情境】
•知識策展
你丟了 5 本關於「數位遊牧」的 PDF 進去，然後用 Deep Research 說：「幫我搜尋網路上最新的泰國簽證規定，補充到這份筆記裡。」
•書籍撰寫
你想寫一本書，你用 Deep Research 幫你針對某個章節找資料，然後固定在這個筆記本裡，成為寫作素材的一部分。
總結：工具好用，選對情境更好用
•一般 Gemini： 幫我查個答案（一次性、隨機性）
•Gems： 用我的專業視角，幫我執行這個任務（重複性、風格化、專業化）
•NotebookLM： 幫我做一份報告，並存在我的資料庫裡（專案性、知識管理）
這三個工具並不衝突，反而是可以串接成一條強大的工作流：
1. 你可以先用 NotebookLM 整理大量文獻做基礎研究
2. 然後將整理好的精華做成知識庫餵給 Gems 訓練它的視角
3. 最後在執行日常瑣事時，用 一般 Gemini 快速解決突發問題
善用這個「AI 人力配置」，你就不再是一個人在戰鬥，而是擁有了一個完整的編輯與研究團隊囉！
如想留言評分，請先 登入會員！