NotebookLM 2026/06/10 更新能力評估與 CLI 相容性分析報告

本報告針對 2026 年 6 月 10 日 Google 最新發布的 NotebookLM 升級功能進行深度核實，評估其對我們專案（特別是王董內容情報系統與 NQio 代理）的幫助，並分析與現有 notebooklm-py (nlm CLI) 的相容性與調整建議。

一、 NotebookLM 最新更新能力核實

Google 於 2026 年 6 月 8 日宣佈並於 6 月 10 日陸續推播 NotebookLM 的重大升級，核心更新如下：

1. 全新 Gemini 3.5 與 Antigravity 推理引擎

核心升級： NotebookLM 升級為由 Gemini 3.5 驅動，並首度整合 Antigravity 推理引擎。
效能提升： 大幅提升了 RAG（檢索增強生成）的推理精確度與可解釋性。根據 Google 的內部評估，整體 Win Rate 提升了 15%，在**超大型文件分析（Large Document Analysis）中達到 69.9% 的勝率，在進階網頁搜尋（Advanced Web Research）**中達到 78.2% 的勝率。

2. 「雲端電腦」(Secure Cloud Computer) 與程式執行能力

代碼執行沙箱： 每個 Notebook 內部現在配備一個安全的雲端沙箱電腦，允許 NotebookLM 自行撰寫並執行程式（Code Execution）。
複雜數據分析： 這項能力讓 NotebookLM 不僅能對文字進行摘要，還能直接計算表格數據、分析 CSV/Excel 試算表、繪製數據圖表與進行複雜的統計推論。
軟體技能庫： 系統整合了超過 100 種預置軟體技能，大幅強化自動化研究與多步驟分析流程。

3. 多元化專業格式匯出 (Expanded Output Formats)

NotebookLM 現在支持直接生成並匯出多種常見的交付格式，打通了「研究到產出」的最後一哩路：

文件類： PDF、DOCX、Markdown (MD)、純文字 (TXT)。
試算表與數據類： Microsoft Excel (XLSX)、CSV、JSON。
簡報與視覺類： Microsoft PowerPoint (PPTX，支援可編輯的投影片)、PNG、SVG（高畫質向量圖表）、JPG、GIF。

二、對我們 NQio 專案的具體幫助

我們目前正在執行的 王董內容情報系統 核心目標是透過逆向工程預測王董發文。這次更新對我們的三個 Notebook（NB-CORPUS、NB-PLAYBOOK、NB-DAILY）與 10 個核心 Prompt 帶來了決定性的效益：

1. 大語料庫 RAG 精度提升（解決 NB-CORPUS 的瓶頸）

💡 痛點改善

舊痛點： 我們先前擔心隨著歷史語料庫擴大（~330 篇），單一 Notebook 來源過多會導致 RAG 查詢精度下降。

新效益： Gemini 3.5 搭配 Antigravity 引擎專為長文本與大檔案優化。現在，我們可以放心地在 NB-CORPUS 中存放更多的歷史數據，不用擔心檢索失效。

2. 數據分析能力突破（自動生成精確的時程與互動分析）

📌 數據計算

舊痛點： Q1 (數據日發文時程圖)、Q5 (長文觸發條件)、Q9 (高互動分析) 涉及大量的時間差計算與 likes 數據統計。過去 NotebookLM 只是憑藉文字記憶「模糊猜測」，時程落後分鐘數與 likes 區間常有誤差。

新效益： NotebookLM 可以直接啟動內建的雲端電腦，撰寫 Python 程式來讀取我們上傳的 JSON/CSV 資料，精確計算出：

重大數據公佈後，王董發文的精確平均 Lag 分鐘數。

Likes 互動數與字數、圖表數之間的真實統計相關性。

直接分析出「發文時間 vs 互動 tiers」的機率分佈。

3. 完美對接結構化輸出（自動化 Playbook 與時程表）

Q10 (空白地圖) 與 Q3 (解讀模板)： 可直接匯出為完美的 Markdown 格式，方便 NQio 直接讀取。
Q1 的 Event Timing 表格： 以前需要手動從 AI 的回覆中整理成 CSV，現在可以使用 generate data-table 直接下載成精確的 CSV 格式，由 daily_planning.py 自動解析，實現無縫自動化。

三、與 nlm cli (notebooklm-py) 升級與相容性處理

我們目前在本地使用的 CLI 工具是 notebooklm-py v0.3.4 (位於 /Users/xy2024air15/.local/pipx/venvs/notebooklm-py/bin/notebooklm，而 upstream 最新版本為 v0.7.x/v0.8.0)。

由於 Google 的功能升級多為**伺服器端（Backend）**更新，現有的 CLI 不管升級與否，其底層 RAG、Gemini 3.5 與 Code Execution 的功能在發送 query 時都會自動套用。

但是，若我們要升級本地 CLI 以獲得更好的格式支援，必須提前處理以下幾個「破壞性變更 (Breaking Changes)」：

1. `generate mind-map` 預設行為變更（影響 Q10 輸出）

變更內容： 在 notebooklm-py v0.7.0+ 中，generate mind-map 的預設 --kind 從 note-backed (筆記型 JSON Map) 改為 interactive (互動式心智圖)。
我們的代碼影響： nlm-analysis-plan.md 中心智圖導出指令需要修改。

處理方法： 如果升級 CLI，必須手動加上 --kind note-backed，否則會無法導出可用於程式讀取的 JSON 心智圖：

- notebooklm generate mind-map "Create a mind map..." -n NB-CORPUS --export json --output data/processed/topic-chain-map.json
+ notebooklm generate mind-map "Create a mind map..." -n NB-CORPUS --kind note-backed --export json --output data/processed/topic-chain-map.json

2. `auth check --json` 的鍵值對檢驗

現狀： 我們在 import_to_notebooklm.sh 和 import_to_notebooklm.py 中使用 status == "ok" 來判定登入狀態。
相容性： 經確認，新版本的 auth check --json 依舊保留了 "status": "ok" 作為外層 Key，因此不需要修改現有的登入驗證代碼。但建議改為更嚴格的 --test 檢驗（例如 notebooklm auth check --test --json），因為新版加入了 token_fetch 連線測試，能有效避免 cookie 檔案存在卻失效的偽陽性（False Positive）判定。

3. `delete` 指令返回值變更

變更內容： 所有 delete 操作（notebook delete、source delete、artifact delete）在舊版中會回傳 True，在新版中一律改為回傳 None (無輸出/Falsy)，這符合 HTTP DELETE 冪等性（Idempotent）。
我們的代碼影響： 目前我們的 bulk_fetch_notebooklm.py 主要進行 add/rename，沒有呼叫 delete 後檢查傳回值的邏輯，因此無安全隱憂。但未來若撰寫定期 cleanup 的 delete 腳本，請勿使用 if run(["source", "delete", ...]): 這種 Boolean 判斷。

4. `notebooklm source stale` 的 Exit Code 標準化

變更內容： 檢查 Source 是否過期的命令 notebooklm source stale 在 v0.6.0 後改為標準 Exit Code（成功執行檢查傳回 0，失敗傳回 1）。舊版中它使用的是反向邏輯（0 代表 stale，1 代表 fresh）。
處理方法： 我們目前沒有使用 source stale 指令，若未來加入，且希望維持舊版 shell 判定邏輯，必須手動加上 --exit-on-stale 參數。

四、總結與建議行動指南

💡 核心結論

立即受惠： 我們的 NB-CORPUS 決策分析將會自動升級至由 Gemini 3.5 驅動，回答品質與大檔案 RAG 精度會立刻提升。
免改代碼直接體驗： daily_planning.py 可立即嘗試向 NotebookLM 要求執行 code 分析，例如："請用 Python 代碼計算本月貼文中 likes 超過 3000 的文章其發文時間的平均值，並列出計算過程"。
CLI 升級時機： 目前本地運行的 v0.3.4 功能已足夠日常自動化匯入。除非需要使用新版 CLI 支援的 --append 指令自訂 Report 範本或直接下載 XLSX，否則可以暫緩 CLI 升級，以確保穩定性。

🛠️ 升級時的防禦性代碼調整建議

若決定升級 notebooklm-py CLI 至最新版本，請在升級前將相關指令進行以下修改：

心智圖： 修改 nlm-analysis-plan.md，在 generate mind-map 中加入 --kind note-backed。
登入測試： 修改 import_to_notebooklm.py 與 import_to_notebooklm.sh，將 auth check 加上 --test 參數，以確保 cookie 沒有過期：
```
# 修改前
"$NLM" auth check --json
# 修改後
"$NLM" auth check --test --json
```

本文為個人研究與專案營運評估，不構成任何投資建議。NotebookLM 更新資訊以 Google 官方公告為準。

NotebookLM 2026/06/10 重大更新能力評估與 CLI 相容性分析報告