ประหยัดค่า Claude Tokens ได้ถึง 80% ด้วยการใช้งาน NotebookLM อย่างมืออาชีพ

เมื่อเดือนที่แล้ว ผมอัปเกรด Claude จาก Pro เป็น Max ในราคา $200 ต่อเดือน คิดว่าน่าจะเพียงพอแล้ว

วันที่ 5: ถึงขีดจำกัดรายสัปดาห์

เมื่อดูบันทึกการใช้งาน ก็เห็นชัดว่าเงินไปอยู่ไหน เซสชั่นบ่ายวันเดียวที่ค้นคว้า 47 งานวิจัย กินไป 10% ของขีดจำกัดรายสัปดาห์ ถ้าใช้แบบนี้สัปดาห์ละ 2-3 ครั้ง ขีดจำกัดก็ต้องพังอยู่แล้ว

ปัญหาคือผมให้ Claude ทำสิ่งที่มันไม่ถนัด—การทำหน้าที่เป็นเสิร์ชเอ็นจิ้น全文แบบเต็มรูปแบบ

การยัด log ขนาด 50k อักขระเข้าไปในบทสนทนาแล้วถามคำถาม หมายความว่า log ทั้งหมดจะถูกนับเป็น input tokens ทุกครั้ง ถึงแม้จะใช้ prompt cache (ซึ่งราคาถูก 10 เท่า) ก็ตาม เซสชั่นหลักก็ยังสะสมค่าใช้จ่ายไปเรื่อยๆ ตามจำนวนรอบ แถม cache ยังมี TTL แค่ 1 ชั่วโมง ถ้ารอนานเกินไป ก็ต้องเขียน cache ใหม่ในราคาเต็ม เหมือนกับการถามทนายความ แต่ต้องให้เขาอ่านสัญญา 50 หน้าของคุณออกเสียงทุกครั้งก่อนที่เขาจะตอบ

Claude Code ถนัดในการใช้เหตุผล การจัดระเบียบ และการเขียนโค้ด ส่วนการอ่านข้อมูลดิบควรให้เครื่องมืออื่นจัดการ โดยให้ Claude เห็นเฉพาะข้อสรุปเท่านั้น เมื่อคิดแบบนี้ ผมก็นึกถึง NotebookLM

ทำตามคู่มือการตั้งค่านี้ แล้ว บัญชี $20 ของคุณจะทำงานได้เทียบเท่าบัญชี $200

คู่มือ

บทความนี้ค่อนข้างยาว เลือกอ่านเฉพาะส่วนที่สนใจได้:

• I: NotebookLM คืออะไร + ทำอะไรได้บ้าง?
• II: ทำไมต้องเพิ่ม Claude เป็นชั้นเสริม?
• III: การติดตั้งสกิล (ใช้เวลา 10 นาที)
• IV: ค่า token จริง + หลักการเบื้องหลัง
• V: เวิร์กโฟลว์สำหรับนักวิจัย/นักศึกษา
• VI: เวิร์กโฟลว์สำหรับ IPO/การอ่านหนังสือชี้ชวน
• VII: เวิร์กโฟลว์สำหรับฐานความรู้ส่วนตัว
• สรุป

ถ้าอยากดูกระบวนการทำงานก่อน ข้ามไปที่ส่วน V ได้เลย

สรุปในหนึ่งประโยค:

วิธีประหยัด Token ของ Claude ที่แท้จริงไม่ใช่แค่เปิด cache แต่คือการ确保ข้อมูลหนักๆ ไม่เข้าไปใน Claude ตั้งแต่แรก

โดยเฉพาะ: ให้ NotebookLM จัดการจัดเก็บและค้นคืน ส่วน Claude จัดการเหตุผลและการประสานงาน การแบ่งหน้าที่ชัดเจน สรุปได้ด้วยการเปรียบเทียบนี้:

NotebookLM คือครู

: เอกสารงานวิจัย รายงานการเงิน และบันทึกที่คุณรวบรวมไว้เป็นฐานความรู้ของมัน คุณถาม และมันตอบตามประสบการณ์พร้อมการอ้างอิง อยู่ภายในขอบเขตของแหล่งข้อมูลโดยไม่สร้างเรื่องขึ้นมา

Claude คือผู้ช่วย

: รับผิดชอบในการเขียนโค้ด รันสคริปต์ จัดระเบียบผลลัพธ์ และประสานงานเครื่องมือ ถ้าไม่รู้ ก็ถามครู ได้คำตอบ แล้วทำงานต่อ

คุณคือหัวหน้าโครงการ

: คุณจะเข้ามาแทรกแซงเฉพาะจุดตัดสินใจสำคัญเท่านั้น

หลักการสำคัญ: ทำไมการแบ่งหน้าที่นี้ถึงประหยัดเงิน

1. RAG กับ Context Stuffing เป็นโมเดลค่าใช้จ่ายที่แตกต่างกัน

การยัด 50k อักขระเข้าไปในแชท Claude จะถูกนับเป็น input tokens ทุกครั้งที่ถามคำถาม ต้อง "ดู" ข้อมูลนั้นอีกครั้ง และ ค่าใช้จ่ายจะเพิ่มขึ้นเป็นเส้นตรงตามขนาดของเนื้อหา ในทางกลับกัน RAG จะใช้ NotebookLM ค้นหาแบบเวกเตอร์เพื่อหาส่วนที่เกี่ยวข้องภายใน แล้ว Claude จะเห็นเฉพาะคำตอบที่กลั่นแล้วเพียงไม่กี่ร้อยคำ ทำให้ ค่าใช้จ่ายแทบจะคงที่

2. Prompt cache มี TTL 1 ชั่วโมง และอัตราการ Hit ต่ำในสถานการณ์การวิจัย

หลายคนคิดว่าแค่เปิด cache ก็จบ แต่จริงๆ แล้ว cache ของ Anthropic มีอายุ 1 ชั่วโมง ถ้าคุณคิดสักครู่ สลับงาน หรือเปิดเซสชั่นใหม่ การเรียกครั้งถัดไปต้องเขียน cache ใหม่ในราคา cache_creation เต็ม เซสชั่นการวิจัยมีจังหวะ "ถาม คิด แล้วถามอีก" ซึ่งอัตราการ Hit มักจะต่ำมาก นี่คือสาเหตุที่แท้จริงที่ทำให้ค่าใช้จ่ายพุ่งสูง

3. ผลลัพธ์ที่อิงข้อเท็จจริงมีประสิทธิภาพมากกว่า

คำตอบของ NotebookLM ถูกจำกัดอยู่ภายในแหล่งข้อมูลที่คุณอัปโหลด โดยทุกประโยคมีการอ้างอิง [1][2] เชื่อมโยงกลับไปยังข้อความ มันจะไม่สร้างเรื่องขึ้นมา เมื่อ Claude ใช้คำตอบเหล่านี้ในการตัดสินใจ คุณไม่ต้องคอยบอกให้มัน "ตรวจสอบอีกครั้ง" ซึ่งช่วยประหยัดเวลาได้มหาศาล

ใครควรข้ามบทความนี้ไป:

• เนื้อหา < 5k tokens หรือแค่ตรวจสอบครั้งสองครั้ง — ถาม Claude โดยตรงเลย
• ความต้องการแค่ถามตอบอย่างเดียว ไม่ต้องรวม workflow — ใช้อินเทอร์เฟซเว็บของ NotebookLM เลย
• คนที่ให้ความสำคัญกับความเร็วในการตอบสนองมากกว่าค่าใช้จ่าย — วิธีนี้ช้ากว่าประมาณ 3 เท่า
• คนที่ต้องทำความเข้าใจโครงสร้างโค้ด/คำจำกัดความ — NotebookLM เหมาะกับ RAG ข้อความมากกว่า

ใครควรอ่านต่อ:

• คนที่ต้องการขั้นตอนการติดตั้งเฉพาะและข้อควรระวัง
• คนที่ต้องการเห็นว่าสถานการณ์ต่างๆ แปลงเป็นคำสั่งใน command line ได้อย่างไร
• ผู้ใช้ Claude Code ที่ต้องการเปลี่ยน NotebookLM ให้เป็นสกิล

Part I: ทำความรู้จักกับ NotebookLM

ผมเปิด NotebookLM ครั้งแรกเพราะเพื่อนแนะนำ รายชื่อเอกสารที่เธอต้องอ่านสำหรับวิทยานิพนธ์มีมากกว่า 60 ฉบับ เดิมเธอใช้ Ctrl-F ไล่หาใน PDF แต่ตอนนี้เธอใส่ทั้งหมดลงใน notebook เดียว แล้วถามว่า "ใครสนับสนุนมุมมอง X ใครคัดค้าน และมีจุดไหนที่เห็นไม่ตรงกัน" — คำตอบจะกลับมาพร้อมการอ้างอิง [1][2][3] ที่คลิกแล้วกระโดดไปย่อหน้าที่เกี่ยวข้องได้ทันที

เธอบอกว่าวิธีนี้ช่วยประหยัดเวลาได้มากกว่าสิบชั่วโมงต่อสัปดาห์

ผมลองใช้แบบกังขาเป็นเวลาหนึ่งสัปดาห์แล้วก็ติดใจ นี่คือข้อดีของ NotebookLM:

1. รองรับ 50 แหล่งข้อมูลฟรี / 300 แหล่งในรุ่น Pro
2. พลังการประมวลผลฟรี — การอัปโหลด การทำดัชนี การสร้างเนื้อหา และการแชท ล้วนใช้ทรัพยากรของ Google
3. นอกจากถามตอบแล้ว ยังสามารถสร้าง พอดแคสต์เสียง (ดีสำหรับตอนเดินทาง), ผังความคิด, สไลด์, flashcards ฯลฯ จาก notebook ได้โดยอัตโนมัติ
4. พอดแคสต์น่าทึ่งมาก — การได้ยิน AI "คนแปลกหน้า" สองคนพูดคุยเกี่ยวกับเนื้อหาของคุณในมุมที่คุณไม่เคยคิดมาก่อน มักจะเผยให้เห็นข้อมูลเชิงลึกใหม่ๆ

รูปแบบไฟล์ไม่ใช่ปัญหา: PDF, URL, บทบรรยาย YouTube, Google Docs, ข้อความธรรมดา, OCR จากรูปภาพ และบทบรรยายเสียง ล้วนเป็นแหล่งข้อมูลได้

สำหรับหลายๆ คน NotebookLM ก็เป็นเครื่องมือเดี่ยวที่ทรงพลังอยู่แล้ว ถ้าความต้องการของคุณคือแค่ "นั่งลงแล้วถามคำตอบ" ก็หยุดอ่านได้แค่นี้

แต่ผมพบว่ามันติดอยู่สองจุด:

1. การสลับบริบททำให้เสียจังหวะ

การค้นคว้าหัวข้อหนึ่ง: ถามคำถาม → ได้คำตอบ → คลิกการอ้างอิงเพื่อไปยังแหล่งที่มา → อ่านบางส่วน → กลับไปที่ notebook เพื่อคัดลอกคำตอบ → สลับไป Claude Code เพื่อใช้งาน → รันการทดลอง → พบว่าแหล่งข้อมูลไม่ครบ → สลับไป Google Search → ดาวน์โหลด → สลับกลับไป notebook เพื่อเพิ่มแหล่งข้อมูล → ถามต่อ... สลับแท็บ 200 ครั้งในบ่ายเดียว

2. มันแยกจากเครื่องมือท้องถิ่น

เมื่อแก้ไขปัญหาออนไลน์ ผมสามารถค้นหา log ใน notebook ได้ แต่ก็ต้อง grep คอนฟิกท้องถิ่นใน terminal ตรวจสอบ k8s events และเปิด pod ขึ้นมา — เว็บแอปไม่สามารถรันคำสั่งท้องถิ่นได้ มันเป็น "อ่านบนเว็บ → พิมพ์ด้วยตนเอง → สลับกลับ" ตลอดเวลา

เว็บแอป NotebookLM วางตำแหน่งตัวเองเป็นปลายทาง คุณถาม มันตอบ จบ แต่ผมอยากให้มันเป็น จุดเชื่อมต่อในสายการผลิต — กำหนดเวลา ประมวลผลเป็นชุด และส่งผลลัพธ์ไปยังขั้นตอนต่อไป

นี่คือจุดที่ Claude เข้ามา

Part II: เพิ่ม Claude เป็นชั้นเสริม

เปลี่ยน NotebookLM ให้เป็นเครื่องมือสำหรับ Claude แค่สิ่งเดียวก็พอ: เมื่อ Claude ต้องการความรู้เฉพาะด้าน มันจะถามครู

กระบวนการทำงาน

ครู (NotebookLM) คือ ฝ่ายช่วยเหลือแบบอ่านอย่างเดียว: คุณใส่เอกสาร 47 ฉบับครั้งเดียวแล้วปล่อยไว้ เอกสารเหล่านั้นรอคำถามอยู่ ไม่ต้องป้อนบันทึกหรือโค้ดกลับเข้าไป ความเห็นในเอกสารก็เพียงพอสำหรับทุกคำถาม

ข้อความแจ้งเตือนด้านล่างนี้จะเข้ารหัสหกขั้นตอน ระเบียบ และ ID notebook เฉพาะ ให้อยู่ในรูปแบบที่ Claude Code สามารถรันได้ (อย่าลืมเปลี่ยน ID):

1# บทบาท
2คุณคือผู้ช่วยวิจัยของฉัน ครูประจำวิชาของฉันคือ NotebookLM notebook คงที่ 
3(id: 6634ad4d-0594-4700-bddf-4a400ad46fa2) ซึ่งมีเอกสารที่เกี่ยวข้อง 47 ฉบับ
4คุณคุยกับครูผ่านสกิล notebooklm ที่ติดตั้งไว้ (คำสั่ง `/notecraft chat`)
5
6# กฎเหล็ก
71. สำหรับคำถามใดๆ ที่เกี่ยวข้องกับมุมมอง สูตร วิธีการ หรือข้อผิดพลาดที่ทราบจากเอกสาร **ให้ถามครูผ่าน /notecraft chat ก่อน** 
8   อย่าตอบจากความจำ และอย่าขอให้ฉันวางข้อความจากเอกสารลงในแชท
92. ครูคือ **ฝ่ายช่วยเหลือแบบอ่านอย่างเดียว**: อย่าป้อนบันทึก โค้ด หรือผลการทดลองกลับเข้าไปใน notebook 
10   ฐานความรู้จะคงที่ด้วยเอกสาร 47 ฉบับนั้น
113. คำตอบของครูจะรวมการอ้างอิง [1][2] ไว้ รักษาการอ้างอิงเหล่านี้ไว้ในผลลัพธ์ที่ให้ฉัน
124. คุณตัดสินใจเองว่าจะถามครูอีกครั้งหรือไม่ในระหว่างกระบวนการ — ไม่ต้องขออนุมัติทุกขั้นตอนกับฉัน
135. ถ้าครูตอบไม่ได้หรือการอ้างอิงอ่อน ให้พูดชัดเจนว่า "Teacher has no answer"; อย่าแต่งขึ้นมา
14
15# กระบวนการทำงาน
16① ฉันให้หัวข้อ/ปัญหาย่อยแก่คุณ
17② ระบุจุดที่ต้องการความรู้เฉพาะด้าน (มุมมองจากเอกสาร วิธีการก่อนหน้านี้ สูตร โหมดความล้มเหลว)
18③ สอบถามครูเกี่ยวกับจุดเหล่านี้ผ่าน /notecraft chat เพื่อรับคำตอบพร้อมการอ้างอิง
19④ ดำเนินการตามคำตอบ: เขียนโค้ด รันสคริปต์ grep ไฟล์ท้องถิ่น จัดระเบียบผลลัพธ์
20⑤ ถ้ามีคำถามใหม่เกิดขึ้นระหว่างดำเนินการ ให้กลับไปที่ ③ และถามครูจนกว่าจะได้ข้อยุติ
21⑥ ผลลัพธ์สุดท้ายให้ฉัน:
22   - ข้อสรุป (พร้อม [การอ้างอิง] จากครู)
23   - โค้ด / ผลการทดลองของคุณ
24   - ส่วนแยกต่างหากสำหรับคำถามที่ครูไม่ได้ตอบ
25
26# รูปแบบผลลัพธ์
27ใช้โครงสร้างนี้สำหรับทุกการส่งมอบ:
28
29## Teacher Says
30(ประเด็นสำคัญจาก /notecraft chat พร้อมรักษา [การอ้างอิง])
31
32## What I Did
33(โค้ดที่คุณเขียน / คำสั่งที่รัน / ผลลัพธ์ที่สังเกตได้)
34
35## Conclusion
36(คำตอบสำหรับหัวข้อเริ่มต้นของฉัน)
37
38## Not Covered by Teacher
39(ประเด็นที่ครูตอบไม่ได้หรือมีการอ้างอิงอ่อน เพื่อให้ฉันติดตามด้วยตนเอง)
40
41# เริ่มต้น
42หัวข้อแรกของฉันคือ: <เขียนคำถามของคุณที่นี่>

ประเด็นสำคัญ:

• เอกสาร 47 ฉบับไม่เคยเข้าไปในแชท Claude — Token ในเซสชั่นหลักใช้ไปกับการใช้เหตุผลและโค้ดเท่านั้น
• ครูถูกใช้แค่ปรึกษา ไม่ได้เกี่ยวข้องกับการดำเนินการ — จุดแข็งของครูคือการค้นคืนข้อมูลเฉพาะด้านพร้อมอ้างอิง
• คุณเข้ามาแทรกแซงแค่ในขั้นตอน ① — Claude เป็นผู้ตัดสินใจว่าจะปรึกษาเมื่อใด
• ฐานความรู้คงที่ — เอกสาร 47 ฉบับก็เพียงพอ

นี่คือเหตุผลที่ "การเชื่อมโยงมันเข้าด้วยกัน" มีพลังมากกว่า "การใช้แยกกัน": การประหยัดการสลับแท็บและ Token เป็นประโยชน์เพิ่มเติม มาดูกันว่าประโยชน์เหล่านั้นมากขนาดไหน

Part III: การติดตั้ง NotebookLM Client และ Skill

Google ไม่ได้มี official NotebookLM client แต่ @icebear0828 ได้เขียน third-party client ไว้ เมื่อติดตั้งแล้ว agent สามารถเข้าถึง NotebookLM ผ่าน command line หรือ natural language

https://github.com/icebear0828/notebooklm-client

การติดตั้งพื้นฐาน:

1# ติดตั้ง client
2npm i notebooklm-client
3
4# Export session การเข้าสู่ระบบ (เปิดเบราว์เซอร์เพื่อล็อกอิน Google)
5npx notebooklm export-session
6
7# แชทกับ notebook
8# npx notebooklm chat <notebook-id> --transport auto --question "Summarize this for me"
9
10# ใช้ `/notecraft` ใน agent เพื่อให้ NotebookLM ทำงานอัตโนมัติหลังจากติดตั้ง
11npx notebooklm skill install

หลังติดตั้ง แค่พูดว่า "Check the X part in that notebook" ในแชท Claude ก็จะเรียกใช้โดยอัตโนมัติ — ไม่ต้องอธิบาย syntax ทุกครั้ง

Part IV: ทดสอบจริง — ประหยัดเงินได้เท่าไหร่? (Opus 4.7)

ตัวเลขเหล่านี้ไม่ได้จำลองขึ้น แต่มาจาก เซสชั่นวิจัยจริง ที่ดึงมาจากบันทึกเซสชั่นของ Claude Code

ในส่วนของ NotebookLM การอัปโหลด การค้นคืน และการสร้างเนื้อหา ฟรีทั้งหมดโดย Google และไม่กระทบค่าใช้จ่ายของคุณ ตัวเลขทั้งหมดด้านล่างนับเฉพาะฝั่ง Claude Opus เท่านั้น

การตั้งค่าทดสอบ:

• เนื้อหา: เอกสาร 47 ฉบับที่เกี่ยวข้องกับ Image + LiDAR SLAM ทั้งหมดอยู่ใน NotebookLM notebook เดียวกัน
• โมเดล: Claude Opus 4.7
• รอบ: การถามตอบเชิงลึก 5 รอบ (จาก "best SLAM reconstruction methods" ถึง "pitfalls of 3DGS vs NeRF backends")
• วิธีการ: บทสนทนาปกติใน Claude Code โดยผู้ช่วยเรียก /notecraft chat ในแต่ละรอบ

ผลลัพธ์ (วิธีนี้):

ค่าใช้จ่ายถูกกำหนดโดย input token + cache_creation และ output token อัตราที่ถูกกว่า (cache_read + input) มีราคาน้อยกว่า 1/10 เท่า ดังนั้นจะเน้นที่ส่วนที่มีราคาแพง:

รวม 5 รอบ: $0.55 หรือเฉลี่ยประมาณ $0.11 ต่อรอบ

ตัวเลขสำคัญ: cache_creation มีเพียง 17,379 เท่านั้น

cache_creation คือจำนวน token สำหรับการเขียนเนื้อหาใหม่ลง cache ใน 5 รอบนี้ มีเพียงคำตอบของครู (~3-6k tokens) + การเพิ่มระบบเล็กน้อยเท่านั้นที่ถูก cache — รวม 17,000

ไม่มีแม้แต่คำเดียวจากเอกสาร 47 ฉบับที่เข้าไปใน `cache_creation` ของ Claude — นี่คือเคล็ดลับของการประหยัด

การเปรียบเทียบ: การยัดเอกสาร 47 ฉบับเข้าไปใน prompt โดยตรง

เอกสาร 47 ฉบับรวม 384,000 คำ ≈ 500,000 tokens การยัด prompt แบบดั้งเดิมจะเป็นดังนี้:

การเปรียบเทียบที่ยุติธรรมที่สุดคือแถวที่สอง (Single session, multiple turns) — สถานการณ์ที่ดีที่สุดสำหรับวิธีดั้งเดิม ถึงอย่างนั้น ความแตกต่างของค่าใช้จ่าย 5 รอบก็คือ 17 เท่า ($9.59 vs $0.55) สถานการณ์ข้ามเซสชั่นยิ่งแย่ลงไปอีก (86 เท่า)

ทำไม cache ถึงไม่ช่วยวิธีดั้งเดิม? cache ของ Anthropic มีค่าเริ่มต้น 1 ชั่วโมงสำหรับผู้ใช้ที่เสียเงิน ระหว่างการคิด การสลับหน้าต่าง หรือการเริ่มเซสชั่นใหม่ cache ก่อนหน้านี้มักจะถูกลบ

ในวิธีนี้ เอกสารไม่เคยเข้าไปใน Claude ดังนั้น cache hit จึงไม่เกี่ยวข้อง

เมื่อเนื้อหาเพิ่มขึ้นเป็นสองเท่า (100, 200 ฉบับ) ช่องว่างก็จะกว้างขึ้นเป็นเส้นตรง cache_creation แบบดั้งเดิมจะเพิ่มขึ้นตามจำนวนเอกสาร ในขณะที่วิธีนี้ยังคงเกือบคงที่

สำหรับคนที่ใช้งานวิจัยบน Opus: การวิจัยตลอดทั้งปีอาจทำให้ค่าใช้จ่ายแตกต่างกันถึง $2,000 — แค่เก็บเอกสารให้ห่างจาก Claude ก็ประหยัดพอที่จะอัปเกรดเป็น Max ได้อีกครั้ง

ข้อเสีย: ช้าลง 3 เท่า

ถ้าคุณกังวลเรื่องวินาทีในการตอบสนองมากกว่าค่าใช้จ่ายรายเดือน การตั้งค่านี้ไม่เหมาะกับคุณ

ส่วนต่อไปนี้จะสรุปเวิร์กโฟลว์สามแบบที่เหมาะกับ NotebookLM

Part V: เวิร์กโฟลว์สำหรับนักวิจัย/นักศึกษา

รายการเอกสารที่ต้องอ่านคือขอบเขตความรู้ตามธรรมชาติ

ปัญหาที่เจอ: เอกสารหลายสิบฉบับต่อเทอม ต้องเปิด PDF เดิมซ้ำๆ Ctrl-F เหนื่อย และ ChatGPT อาจหลอนได้โดยไม่มีการอ้างอิง

สูตรเนื้อหา (อัปโหลดครั้งเดียว ใช้ทั้งเทอม):

• ไฟล์ PDF งานวิจัยที่เกี่ยวข้อง 20-50 ฉบับ
• หลักสูตรรายวิชา บันทึกการบรรยาย
• อีเมลอาจารย์ที่ปรึกษา ต้นฉบับบท หรือบันทึกการอ่าน

คำถามเด็ดสำหรับครู:

• "เอกสารสองฉบับไหนมีข้อสรุปขัดแย้งกัน และขึ้นอยู่กับสมมติฐานใด?"
• "วิธี X ปรากฏในคลังข้อมูลนี้กี่ครั้ง และใช้อย่างไร?"
• "สูตรที่ 3 ในเอกสาร A กับสูตรที่ 7 ในเอกสาร B เทียบเท่ากันหรือไม่?"

บทบาทของ Claude: ดำเนินโครงการ — รับแนวคิด/สูตรจากครู → เขียนโค้ดเพื่อจำลอง → รันการทดลอง → จัดระเบียบโน้ต เอกสารดิบไม่เคยเข้าไปในเซสชั่น Claude

Part VI: เวิร์กโฟลว์ IPO/การอ่านหนังสือชี้ชวน

หนังสือชี้ชวนมีความยาว 300-600 หน้า และกรอบเวลาการลงทุนมีเพียงสามวัน มนุษย์ไม่สามารถอ่านทัน

ปัญหาที่เจอ: IPO ดำเนินไปอย่างรวดเร็ว เอกสาร 500+ หน้าครอบคลุมประวัติบริษัท โมเดลธุรกิจ การเงิน ความเสี่ยง และผู้ถือหุ้นรายใหญ่ การอ่านหนึ่งฉบับใช้เวลาอย่างน้อย 4 ชั่วโมง ถ้ามี 5-8 IPO ต่อสัปดาห์ ก็เป็นไปไม่ได้

ข้อมูลที่มีค่าที่สุดไม่ใช่คำชมตัวเอง แต่คือ "ธงแดง" ที่ซ่อนอยู่ในปัจจัยเสี่ยงและธุรกรรมกับบุคคลที่เกี่ยวข้อง มนุษย์มักมองข้ามสิ่งเหล่านี้

สูตรเนื้อหา (หนึ่ง notebook ต่อหนึ่งบริษัท):

• หนังสือชี้ชวนเต็ม — หลัก
• การเปิดเผยข้อมูลผู้ลงทุนสถาบัน (Cornerstone Investors) — ใครสนับสนุนและนานแค่ไหน?
• รายงานการเงินของคู่แข่ง — เกณฑ์มาตรฐานสำหรับการประเมินมูลค่า
• งานวิจัยของผู้สนับสนุน/ผู้จัดการการจัดจำหน่าย — เหตุผลเชิงราคาอย่างเป็นทางการ
• สัมภาษณ์ผู้บริหารและการระดมทุนรอบก่อนหน้า — การเพิ่มขึ้นของมูลค่า

คำถามเด็ดสำหรับครู:

ในการตัดสินใจว่าจะลงทุนหรือไม่ ให้ถาม 8 คำถามนี้ ซึ่งปกติใช้เวลาหลายชั่วโมงในการค้นหา:

1. "ผลิตภัณฑ์หลักคืออะไร? โครงสร้างรายได้เปลี่ยนแปลงไปอย่างไรใน 3 ปี? การกระจุกตัวของลูกค้า?"
2. "บริษัทนี้เทียบกับคู่แข่ง (A, B, C) ในด้านอัตรากำไร การเติบโต และ R&D อย่างไร?"
3. "ใครคือผู้ลงทุนสถาบัน จำนวนเงิน และระยะเวลาถือหุ้น?"
4. "แจกแจงการใช้เงินที่ได้ การใช้ที่ใหญ่ที่สุดคืออะไร? การเจือจางหลัง IPO?"
5. "ปัจจัยเสี่ยงใดเป็นของอุตสาหกรรมโดยรวมและปัจจัยใดเป็นของบริษัทโดยเฉพาะ?"
6. "การประเมินมูลค่าในอดีต: ตัวคูณการเพิ่มขึ้นจากรอบล่าสุดถึง IPO? ข้อจำกัดการขายหุ้นรอบล่าสุด?"
7. "มีสัญญาณของกำไรที่ถูกปั่นด้วยรายการครั้งเดียวหรือไม่? กระแสเงินสดสอดคล้องกับกำไรสุทธิใน 3 ปีหรือไม่?"
8. "ธุรกรรมกับบุคคลที่เกี่ยวข้องคิดเป็นกี่เปอร์เซ็นต์ของรายได้? มีบุคคลที่เกี่ยวข้องอยู่ในลูกค้ารายใหญ่ 5 อันดับแรกหรือไม่?"

ทุกคำตอบมีอ้างอิง [หมายเลขหน้า]

บทบาทของ Claude:

การประมวลผลเป็นชุดคือหัวใจของเวิร์กโฟลว์นี้:

กลุ่ม IPO รายสัปดาห์ = [หุ้น A, หุ้น B, หุ้น C, ...]

Claude สรุป 8 บริษัทเป็นตารางตัดสินใจในรูปแบบ markdown → คุณสแกนและสั่งซื้อภายใน 15 นาที

5-8 IPO = 40-64 คำถาม เนื้อหารวมประมาณ 1 ล้าน tokens วิธีดั้งเดิมจะเผาผลาญ $50+ ต่อสัปดาห์ วิธีนี้มีค่าใช้จ่ายต่ำกว่า $2

Part VII: เวิร์กโฟลว์สำหรับฐานความรู้ส่วนตัว

สร้าง "สมองที่สอง" ของคุณ

ปัญหาที่เจอ: การค้นหาใน Obsidian รู้จักเฉพาะคีย์เวิร์ด ไม่สามารถตอบได้ว่า "มุมมองของฉันเกี่ยวกับ X เปลี่ยนไปอย่างไรในสามปี?" โน้ตกระจัดกระจายและรูปแบบหลากหลาย

สูตรเนื้อหา:

• การส่งออก Obsidian / Notion ทั้งหมด
• ไฮไลท์จาก Kindle, คลิปจาก Readwise
• บันทึกการทำงาน รายงานการประชุม เอกสารทบทวน

คำถามเด็ดสำหรับครู:

• "ฉันเขียนอะไรเกี่ยวกับ 'สมาธิ' ในสามปีที่ผ่านมา? มุมมองของฉันเปลี่ยนไปหรือไม่?"
• "'Principles' และ 'Thinking, Fast and Slow' ทับซ้อนหรือขัดแย้งกันตรงไหนในเรื่องอคติทางความคิด?"
• "ในรายงานการประชุมทั้งหมดเมื่อเดือนที่แล้ว แต่ละคนมีทัศนคติต่อโครงการ X อย่างไร?"

บทบาทของ Claude: คำถามเกี่ยวกับวิวัฒนาการของความคิดจำเป็นต้องใช้ AI เชิงสนทนาร่วมกับเนื้อหาทั้งหมด Claude สังเคราะห์คำตอบหลายรอบจากครูเป็นสรุปที่มีโครงสร้าง (ไทม์ไลน์ การเปรียบเทียบมุมมอง รายการติดตาม)

สิ่งที่เหมือนกันของสามเวิร์กโฟลว์: การสอบถามซ้ำ ข้ามเอกสาร และขอบเขตส่วนตัว ถ้าคุณเจอสิ่งเหล่านี้ ต้นทุนการตั้งค่า 15 วินาทีจะคืนทุนภายในหนึ่งสัปดาห์

สรุป

สิ่งที่ควรทราบ:

1. storage_state.json มีเซสชั่น Google ที่ใช้งานอยู่ของคุณ เก็บไว้ให้ปลอดภัย
2. notebooklm-client ถูก reverse-engineered Google ไม่ได้รองรับอย่างเป็นทางการ ฝั่ง backends อาจเปลี่ยนแปลงได้

แก่นของทั้งหมดนี้คือ การแบ่งหน้าที่:

• NotebookLM เป็นครู: ตอบคำถามเฉพาะด้านพร้อมการอ้างอิง ไม่หลอน
• Claude เป็นผู้ช่วย: ประสานงานเครื่องมือ เขียนโค้ด จัดระเบียบผลลัพธ์ ถามครูเมื่อติดขัด
• คุณเป็นหัวหน้าโครงการ: เข้ามาแทรกแซงเฉพาะจุดตัดสินใจสำคัญ

ผมใช้วิธีนี้มาหนึ่งเดือนแล้ว ประหยัดได้พอๆ กับค่าอาหารเย็นดีๆ หลายมื้อ ที่สำคัญกว่านั้น การวิจัยเอกสารหลายสิบฉบับไม่ทำให้ผมกังวลเรื่องขีดจำกัดอีกต่อไป — อิสระจาก "การไม่ต้องนับ Token" นั้นเสพติดยิ่งกว่าการประหยัดเสียอีก

ถ้าคุณชอบบทความนี้ ติดตามผมได้ที่ @MinLiBuilds

สุดท้ายนี้ ผมแนะนำส่วนแรกของซีรี่ส์เรื่อง cache ซึ่งอธิบายกลไก caching อย่างง่ายเพื่อช่วยให้คุณประหยัด Token:

https://x.com/MinLiBuilds/status/2041178722230030384