Google AI 生態系現在有三種不同的 Deep Research 入口

一般 Gemini、Gemini Gems，以及 NotebookLM，沒想到原來三種有差別！

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！