NotebookLM + Claude 分工術——研究調研省下 17 倍 Token
🧪 AI 工具實測NotebookLM + Claude 分工術——研究調研省下 17 倍 Token
導讀：Claude Max $200/月，第五天額度就用完。罪魁禍首是一次調研 47 篇論文的下午。把論文原文塞進對話，每問一次就要被「看」一次。真正省 Token 的辦法？讓論文從一開始就不進 Claude。Cache 只是止痛藥。
問題：你把 Claude 當全文檢索引擎用了
50,000 字的論文塞進 Claude 對話，每問一次就是一次 input token 計費。就算命中 prompt cache（單價只剩 1/10），cache 有 1 小時 TTL。思考幾分鐘、切個視窗、開新 session，下次就要按全價重寫。
研究性會話的節奏偏偏是「問一下、想一會、再問一下」，cache 命中率慘不忍睹。這就像每次問律師問題，都要他先把你 50 頁的合約從頭唸一遍。
解法：NotebookLM 當老師、Claude 當助手
NotebookLM 存語料和檢索。47 篇論文灌進去，用 Google 的算力做向量檢索，完全免費。它的答案被約束在你的源內，每句話帶引用，不會外推。Claude 做推理和編排，寫程式、跑腳本、整理結果、串接工具。遇到領域知識問題，自動去問 NotebookLM 拿帶引用的答案，再繼續幹活。你是課題負責人，只在關鍵決策點介入。
說穿了，論文原文走 NotebookLM 的 RAG（Google 免費），Claude 只看到幾百字的蒸馏答案。成本從「隨語料大小線性增長」變成「近乎常數」。
實測數字
47 篇影像 + LiDAR SLAM 論文，Claude Opus 4.7，5 輪深度問答。
本文做法：5 輪合計貴檔 token 費用 $0.55，平均每輪 $0.11。Cache creation 只有 17,379 token，因為只有每輪老師答案（3-6k token）會進 cache，47 篇論文的原文一個字都沒進 Claude。
傳統做法（論文塞 prompt）：同一 session 多輪對話，cache 命中的最佳情況下，5 輪要 $9.59。如果跨 session（cache 失效），要 $47.50。
差距：最佳情況 17 倍，最差情況 86 倍。語料翻倍差距繼續線性拉開。
代價：慢 3 倍
NotebookLM 單次查詢中位耗時約 45 秒，加上 Claude 本身的回應時間，整體體感約慢 3 倍。如果你追求的是每秒回應速度而非每月帳單，這套不適合。
但對研究型任務來說，45 秒等老師回答 vs. 一週額度第五天就用完，取捨很明顯。
三個適用場景
學者一學期幾十篇論文的 reading list，同一批 PDF 反覆查數十次。把論文灌進 NotebookLM，Claude 推進課題，問老師拿概念和公式、寫程式復現、跑實驗、整理筆記。做招股書分析的人更痛：一本 500 頁招股書是 15-25 萬 token，一週 5-8 家新股，傳統做法光語料就燒 $50+，這套做法 $2 以內。你也可以把 Obsidian 全量導出灌進 NotebookLM，讓 Claude 跑跨文件的主題演進分析。
只要你的場景碰上「反覆查」或「跨文件」，建庫成本一週內攤平。
為什麼這對你有影響
你每月花在 AI 的錢，月費只是零頭，燒掉的全是架構不對、同一坨 token 重複餵進去的冤枉錢。搜尋和推理拆開，便宜的做搜尋、貴的做推理。道理很簡單，做到的人很少。
$20 帳號幹出 $200 的活，不是魔法，是分工。
常見問題
Q：NotebookLM 的檢索不是也會有幻覺嗎？ A：NotebookLM 的答案被約束在你上傳的源內，每句話帶 [1][2] 引用可點回原文。它不會編造源外的資訊。Claude 拿這種帶引用的答案做決策，比拿它自己的記憶可靠得多。
Q：語料很少（不到 5000 token），還需要這套架構嗎？ A：不需要。語料少、只查一兩次時，直接問 Claude 最簡單。這套分工架構是為「重複查、大量語料、跨文件」的場景設計的：論文調研、招股書分析、個人知識庫查詢。
References
- MinLi (2026). 用好 NotebookLM 立省 80% Token. X thread.
- Anthropic (2026). Prompt Caching documentation.