一条 Prompt，调动 Gemini Notebook 的 9 种 Studio 工具

如果你在使用 Gemini Notebook（前身为 NotebookLM）整理资料，可能已经习惯了这样的流程：先生成报告，再点思维导图，然后制作幻灯片、测验或音频概述。每种格式都要单独选择、逐项等待，还得自己规划它们分别应该解决什么问题。

一位 Medium 作者分享了一个更省事的做法：不再逐个点击 Studio 工具，而是在 Chat 面板里用一条 Prompt，让 Gemini Notebook 先规划整套输出，再批量生成多种内容。

原始指令非常简单：

Run all 9 tools from the Studio panel so I get a comprehensive analysis of the source.

中文可以理解为：

运行 Studio 面板中的全部 9 种工具，对当前资料进行一次全面分析。

真正值得关注的，并不只是“少点几次鼠标”，而是 Gemini Notebook 在执行前增加了一个规划与确认环节。

它没有立即生成，而是先给出方案

作者把自己的 Deep Drill（深度钻探）协议作为测试材料。收到指令后，Gemini Notebook 没有立刻机械地启动全部工具，而是先列出一份 9 步规划，说明每种输出格式将从什么角度重构原始内容。

作者确认“Yes”之后，系统才开始依次生成整套产物。

这个过程把工作流从“用户逐项设计和操作”，变成了：

  1. 用户给出总体目标；
  2. AI 规划不同格式与内容角度；
  3. 用户检查并确认方案；
  4. AI 批量执行。

批量生成因此不只是自动化操作，也多了一个人为审批点。用户仍然可以在耗时任务开始前检查方向，而不是等全部内容生成后再返工。

一条指令生成了哪些内容？

针对 Deep Drill 协议，Gemini Notebook 规划并生成了以下 9 项产物：

  1. Slides（幻灯片）：《Deep Drill: Beyond the Surface》，围绕准备、侦察、目标锁定和深度打击四个阶段展开。
  2. Video Overview（视频概述）：《The Single-Question Trap》，用“向地下钻探 50 米，而不是停在表层 1 米”的隐喻解释深度研究。
  3. Audio Overview（音频讨论）：《The Rigor of 50+ Examples》，通过双人讨论分析为什么收集 50 个以上样例有助于分类和发现模式。
  4. Tailored Report（定制报告）：《The Master Prompt Library and Playbook》，整理适用于学术、商业、法律、医疗和出版等领域的 Prompt 模板。
  5. Mind Map（思维导图）：《Deep Drill Architecture Map》，呈现从宏观背景到跨类别定位目标的完整逻辑。
  6. Infographic（信息图表）：《The Quick Reference Card》，以可打印速查表的形式汇总阶段、动作、产出和核心 Prompt。
  7. Quiz（测验）：《Deep Drill Certification Quiz》，用 10—15 道题检验团队对协议核心概念的理解。
  8. Flashcards（记忆卡片）：《Troubleshooting and Advanced Tactics》，用于复习递归、对抗性分析、时间维度和常见故障处理。
  9. Custom PDF Case Study（定制 PDF 案例研究）：《The ClawHub Blueprint》，用一个分析 5,700 多个插件及恶意技能的案例，展示如何把简短素材扩展成结构化研究。

这里有一个容易被忽略的细节：Studio 面板原本的九宫格工具包含 Data Table（数据表），但 Gemini Notebook 在这次任务中没有机械照搬，而是用更符合素材特点的定制 PDF 案例研究替代了数据表。

这说明“运行全部工具”更像是让系统完成一次多格式内容策划，而不一定是严格逐项复制界面上的九个按钮。实际生成结果可能随素材和产品行为变化。

这个方法真正节省的是什么？

表面上，它节省的是逐项点击和等待的时间；更重要的是，它把“每种格式应该讲什么”的规划工作交给了 AI。

面对结构复杂的资料，人往往知道自己需要一套学习或分享材料，却不一定能立即决定：

让 Gemini Notebook 先给出映射方案，可以降低这类决策成本。对于团队培训、课程材料、研究成果拆解或内容再利用，这种方式尤其有价值。

但它并不适合所有任务

这篇经验分享也暴露了几个明确边界。

1. 全套生成需要时间

视频和音频等产物通常比文本报告慢。一次启动全部工具，更适合提交任务后离开一段时间，而不是期待即时完成。

2. 输出上限由原始素材决定

多格式生成不会凭空增加信息密度。原文如果结构清晰、观点充分，同一内容可以被有效重构为报告、图表、测验和视频；原文如果很浅，九种输出也可能只是九种形式的重复。

3. 只需要一种结果时，不必批量运行

如果目标只是做一份思维导图或一组幻灯片，直接使用对应工具更省时间。批量方式适合需要完整学习包、培训包或多渠道内容资产的场景，而不是每次都应默认开启的标准动作。

4. “多模态”不等于“学习有效”

阅读、听讨论、看图示和做测验，理论上可以从不同路径帮助理解与记忆；但真正的效果仍取决于使用者是否阅读、判断和练习。文件数量不是学习成果。

更值得复用的思路：先规划，再批准，最后批量执行

这次实验最有价值的部分，不是那句 Prompt 本身，而是它体现出的工作流：

先让 AI 为不同输出格式设计用途，再由人确认方向，最后批量执行。

这个模式也可以迁移到其他 AI 工具。面对一份高密度资料时，可以先要求 AI 提交“内容重构计划”，说明每种产物的目标、受众和侧重点；确认没有重复、遗漏或偏离主题后，再开始生成。

这种做法既减少手动操作，也保留了人的控制权。它比毫无规划地一次生成大量内容更可靠，也比完全手工设计每一种格式更省力。

结语

一条 Prompt 调动九种 Studio 工具，听起来像一个效率技巧，但它背后的启发更重要：AI 不只可以生成内容，也可以先帮助我们规划内容应该如何被重新表达。

如果你手上有一份结构扎实、信息密度较高的研究资料，不妨试试先让 Gemini Notebook 给出一套多格式方案，再决定是否批量生成。反过来，如果素材本身还没有整理清楚，先打磨内容，通常比急着生产九份文件更有价值。

来源说明：本文根据 Medium 文章 Run All Nine Gemini Notebook Studio Tools From One Prompt 整理。文中流程与产物来自作者的个人实验，Gemini Notebook 的界面、工具数量和批量执行行为可能随产品更新而变化。