用 NotebookLM 做 KOL 情報分析 — 跨來源觀點比較的自動化方案

我們追蹤 12 位台灣 FB 的 AI 意見領袖已經超過半年。每週 Apify 自動抓取他們的貼文，存進 Cloud UB，分類，然後……大多數內容就停在那裡了。

問題不是缺少資料，是缺少一個能把「12 個人、幾百篇貼文」轉化成「可以閱讀和分享的觀點地圖」的流程。

NotebookLM 恰好解決了這個問題。它不是搜尋引擎，不是摘要工具，而是一個「語意場」：你把多個來源丟進去，它能跨來源找到共鳴、矛盾、和盲點，然後用各種格式呈現出來。

這篇文章說明我們如何把 NotebookLM 整合進 SuperPortia 的 KOL Pipeline，以及這個方案的具體架構。

為什麼 KOL 分析需要 NotebookLM

先說傳統方法的問題。

方法一：人工閱讀

12 個人 × 每人每週 5-10 篇 × 每篇平均 300-500 字 = 每週需要閱讀約 18,000-60,000 字的內容。這是一份全職工作的閱讀量。就算是研究員，也很難系統性地記住「KOL A 上週說了什麼，這週說了什麼，和 KOL B 的觀點有什麼差異」。

方法二：用 LLM 逐篇摘要

Claude 把每篇貼文摘要成 3 句話，然後再把摘要匯總。這個方法的問題是：摘要丟失了跨文章的語意連結。「張志強說 MCP 是未來方向」和「黃智弘說 Agent 框架過度炒作」——這兩個觀點之間的張力，逐篇摘要看不到，你需要把兩者放在一個語意空間裡才能感受到。

NotebookLM 的差異：

NotebookLM 把所有來源建成一個向量化的語意場。當你請它生成 Mind Map，它不是在「列出來源 A 說了什麼、來源 B 說了什麼」，而是在「找出所有來源裡反覆出現的概念節點，以及它們之間的關係」。這個跨來源的語意整合，是目前任何逐篇摘要方案做不到的。

SuperPortia 的 12 位 FB AI KOL 名單

我們在 2026 年 3 月整理的追蹤清單（由小西整理，fb-ai-experts-watchlist.md），涵蓋台灣 FB 上主要討論 AI 工具、Agent、LLM 應用的意見領袖。這份名單分為幾個類型：

• 技術派：深度分析 LLM 架構、Agent 框架、模型比較
• 應用派：分享 Claude/GPT/Gemini 的實用案例
• 商業派：從商業角度看 AI 工具的投資回報
• 懷疑派：對 AI 炒作保持批判距離的聲音

刻意包含「懷疑派」是因為：如果你只追蹤對 AI 正向的 KOL，你會建立出一個回聲室。最有價值的洞察往往在正面與批判聲音的對比中。

四個 Notebook 的 KOL 情報架構

我們把 KOL 分析拆成兩個 Notebook，職責分離：

Notebook 1：KOL-STT（原始資料層）

來源： Apify 抓取的 FB 貼文（文字，去掉連結和圖片描述）

功能： 這是原始資料庫，不做過度的主觀整理

主要輸出：

• Mind Map — 跨所有 KOL 的觀點地圖
• Data Table — 哪些議題被多少人提到
• FAQ — 自動識別「大家最常討論的問題」

更新頻率： 每週一，把上週的貼文加進來

Notebook 2：KOL-Digest（分析層）

來源： KOL-STT 的精華摘要 + 我們的評論和問題

功能： 加入我們的觀點視角，不只是資料

主要輸出：

• Audio Overview（對話式）— 每週 KOL 觀點 Podcast
• Report（部落格文案格式）— 週報素材

更新頻率： 每週五，在 KOL-STT 更新後生成

技術實作：從 Apify 到 NotebookLM

Step 1：Apify 抓取 FB 貼文

# superportia-ub-pipeline/scripts/kol_scrape.py
from apify_client import ApifyClient
import os

client = ApifyClient(os.environ["APIFY_TOKEN"])

# 12 位 KOL 的 FB 頁面 URL（範例）
kol_pages = [
    "https://www.facebook.com/kol-page-1",
    "https://www.facebook.com/kol-page-2",
    # ... 其他 10 位
]

run = client.actor("apify/facebook-posts-scraper").call(
    run_input={
        "startUrls": [{"url": url} for url in kol_pages],
        "resultsLimit": 20,  # 每個頁面最近 20 篇
        "extendOutputFunction": None,
    }
)

items = list(client.dataset(run["defaultDatasetId"]).iterate_items())
print(f"抓取完成：{len(items)} 篇貼文")

Step 2：格式化成 NLM 可讀的文字

Apify 返回的 JSON 需要轉成 NLM 能讀的格式：

# scripts/format_kol_for_nlm.py
import json
from datetime import datetime

def format_posts_for_nlm(posts: list[dict]) -> str:
    """
    把 Apify 返回的 FB 貼文格式化成 NotebookLM 文字來源
    格式：KOL 名稱 + 日期 + 內容
    """
    output_lines = []

    for post in posts:
        author = post.get("pageName", "Unknown")
        date = post.get("time", "")
        text = post.get("text", "").strip()

        if not text or len(text) < 50:
            continue  # 跳過太短的貼文（通常是純圖片貼文的描述）

        output_lines.append(f"=== {author} ({date}) ===")
        output_lines.append(text)
        output_lines.append("")  # 空行分隔

    return "\n".join(output_lines)

# 使用範例
with open("/tmp/kol_posts.json") as f:
    posts = json.load(f)

formatted = format_posts_for_nlm(posts)
with open("/tmp/kol_for_nlm.txt", "w") as f:
    f.write(formatted)

print(f"格式化完成：{len(formatted)} 字元，可貼入 NotebookLM")

輸出格式範例：

= 張志強 AI 研究室 (2026-03-15) =
今天試了 Claude 3.7 的 extended thinking，對於複雜推理任務的提升幅度確實明顯。
特別是在需要多步驟規劃的場景……（原文 400 字）

= AI 工具評測站 (2026-03-15) =
很多人說 MCP 是未來，但我覺得大家低估了它的學習成本……（原文 350 字）

Step 3：加入 NotebookLM

把 /tmp/kol_for_nlm.txt 以「Paste text」方式加入 KOL-STT Notebook。

Step 4：生成跨 KOL 分析

在 KOL-STT Notebook 裡，可以問：

# 觀點地圖
「這週所有 KOL 對 AI Agent 架構的觀點，有哪些共識和矛盾？用 Mind Map 格式呈現」

# 議題熱度
「這週哪三個 AI 話題被最多 KOL 討論？每個話題各方的主要立場是什麼？」

# 異見識別
「哪位 KOL 的觀點和其他人最不一樣？具體在哪個議題上？」

Mind Map 生成：KOL 觀點地圖的實作

Mind Map 是 KOL-STT Notebook 最有價值的輸出。

在 NLM 界面點「Mind Map」後，它會自動生成一個以核心概念為中心、分支到各個觀點的視覺圖。可以下載為 PNG 或 PDF。

典型的 AI KOL Mind Map 結構：

AI 工具生態（本週）
├── LLM 模型評測
│   ├── Claude 3.7 extended thinking（3 人正面）
│   ├── GPT-5 API 穩定性（1 人批評）
│   └── Gemini 2.5 Pro 編程能力（2 人評測）
├── Agent 框架
│   ├── MCP 普及趨勢（4 人提到）
│   ├── LangGraph vs CrewAI（2 人比較）
│   └── 本地 vs 雲端 Agent（持續爭議）
└── 商業應用
    ├── 企業導入障礙（2 人分析）
    └── 成本效益疑慮（1 人懷疑）

使用這個 Mind Map 的方式：

1. 直接貼在每週的 KOL 分析報告裡（視覺效果好）
2. 作為下週要追蹤議題的參考清單
3. 發現「沒有任何人討論的話題」——這往往是盲點，也是我們寫原創觀點的機會

月報生成：FB AI KOL Intel Notebook

除了每週的即時追蹤，我們還維護一個「FB AI KOL Intel」Notebook 做月度分析。

來源： 過去 30 天的 KOL 貼文精華（從 KOL-STT 手動整理，或用 Claude 先做一次壓縮）

主要輸出：

generate report --format blog-post

NLM 的 Report 功能（Blog Post 格式）會輸出一篇結構完整的文章，包括：

• 本月 AI 工具生態觀察（5-8 個要點）
• 各 KOL 的代表性觀點引用
• 我們的解讀和評論（NLM 會嘗試從 Notebook Guide 裡的說明推斷立場）
• 延伸閱讀（自動從來源生成）

這份 Report 不是直接發布的文章，而是「初稿輸入」：我們用它作為每月 KOL 觀察報告的骨架，加入自己的觀點後發布。

與 SuperPortia KOL Pipeline 的整合點

SuperPortia 的 KOL Pipeline（KOL Pipeline V3）是一個從抓取到分類到入庫的自動化流程。NotebookLM 插在哪個環節？

flowchart TD
    A[Apify 抓取\nFB 貼文] --> B[Cloud UB 入庫\n+ MTAAA 分類]
    B --> C{分析路徑}
    C -->|批次分析| D[NotebookLM\nKOL-STT Notebook]
    C -->|即時問答| E[RAG 查詢\nCloud UB Search]
    D --> F[Mind Map\n本週觀點地圖]
    D --> G[Data Table\n議題熱度]
    D --> H[Audio Overview\n週報 Podcast]
    F --> I[每週 FB 貼文]
    G --> I
    H --> I
    E --> J[按需查詢\n特定 KOL 的觀點]

    style D fill:#4285f4,color:#fff
    style E fill:#34a853,color:#fff

關鍵設計決策：UB 和 NLM 不互相取代

• Cloud UB = 長期知識庫，支援精確查詢（「張志強上個月說過什麼關於 MCP 的內容」）
• NotebookLM = 即時分析工具，支援跨來源語意整合（「這個月所有 KOL 對 MCP 的立場有什麼分歧」）

兩者的查詢需求不同，不是競爭關係。我們的選擇：原始貼文入 UB，分析結果和洞察入 NLM + 寫進 Vault。

實際效益：SuperPortia 的評估

在 2026 年 3 月做了第一次概念驗證後，我們對這個方案的評估：

高價值的部分：

• Mind Map 生成的跨 KOL 觀點地圖，確實能看到人工閱讀看不到的模式
• 「哪個 KOL 最不同意其他人」的問題，NLM 給出了出乎意料準確的答案
• Audio Overview 週報，讓 KOL 分析有了一個「可以分享給非研究人員」的格式

限制和問題：

• NLM 對繁體中文 FB 貼文的理解（非正式用語、縮寫、表情符號）偶爾出錯
• 圖片貼文（沒有文字的純圖）完全看不到，而很多 KOL 的高價值內容是截圖
• Mind Map 無法客製化樣式（顏色、節點大小），美觀度有限

未解決的問題：
圖片貼文是最大的缺口。12 位 KOL 裡至少有 4 位習慣用截圖分享觀點，這些內容目前完全無法進入 NLM 分析。解法需要 OCR + 圖片轉文字的前處理步驟，這是 Agentic Blog Image Pipeline 的延伸問題。

下一步

三個優先執行項目：

1. 建立 KOL-STT Notebook：把目前 Cloud UB 裡存的 KOL 貼文（過去 30 天）匯出，格式化，放入 NLM，生成第一份 Mind Map。目標：一週內完成。

2. 圖片 OCR 前處理：為 FB 截圖貼文加入 OCR 步驟，把文字提取後加進 KOL-STT 來源。使用 Apple Vision Framework（本地，免費）。預計二週內完成。

3. 週報 Podcast 試播：KOL-Digest Notebook 生成第一集週報 Audio Overview，內部評估品質後決定是否公開發布。