notebooklm-rag-line#

將 NotebookLM 知識自動同步到 LINE AI 助教的 RAG 知識庫。

功能#

• ✅ 向 NotebookLM 提問取得答案
• ✅ 自動產生 embedding（bge-m3）
• ✅ 存入本地 SQLite RAG 知識庫
• ✅ 支援 LINE 聊天機器人回覆
• ✅ LLM 生成延續問題建議

系統架構#

text

NotebookLM 來源
    ↓（老闆新增網站）
patchright 自動提問
    ↓（取得答案）
bge-m3 embedding（Ollama）
    ↓（1024維向量）
rag_embeddings.db（SQLite）
    ↓
RAG Server (port 3002)
    ↓
line_webhook.aspx（LINE 回覆）
    ↓
學員收到回答 + 延續問題建議

核心檔案#

檔案用途rag_enhance.py主腳本：向 NotebookLM 提問並存入 RAGrag_server.pyPython HTTP Server，處理學員問答rag_embeddings.dbSQLite 向量知識庫line_webhook.aspxLINE Webhook 接收器

必要環境#

元件版本備註Python3.8+建議 3.10+Ollama最新版安裝 ollama servebge-m3:latestEmbedding 模型ollama pull bge-m3:latestgemma3:4b-cloudLLM 模型ollama pull gemma3:4b-cloudpatchright最新版pip install patchright

快速開始#

Step 1：安裝依賴#

bash

pip install patchright
ollama pull bge-m3:latest
ollama pull gemma3:4b-cloud

Step 2：修改設定#

編輯 rag_enhance.py 開頭的設定區塊：

python

CHROME_PROFILE = "你的 Chrome profile 路徑"
NOTEBOOK_ID = "你的 NotebookLM 筆記本 ID"
OLLAMA_HOST = "127.0.0.1"
OLLAMA_PORT = 11434
EMBEDDING_MODEL = "bge-m3:latest"
DB_PATH = r"你的\RAG\資料庫\路徑\rag_embeddings.db"

Step 3：準備問題清單#

在 QUESTIONS 陣列中加入你想問的問題：

python

QUESTIONS = [
    "Cloudflare Pages 是什麼？",
    "如何部署網站到 Cloudflare Pages？",
    # ... 更多問題
]

Step 4：執行#

bash

python rag_enhance.py

腳本會自動：

1. 啟動 Chrome 並登入 NotebookLM
2. 逐一問問題（約 40 秒/題）
3. 取得答案後自動存入 RAG
4. 完成後發送 LINE 通知

RAG Server（可選）#

啟動本地 RAG Server 處理即時查詢：

bash

python rag_server.py

Server 會監聽 http://127.0.0.1:3002/query

Request 格式：

json

{
  "question": "Cloudflare Pages 是什麼？",
  "history": "[]",
  "user_id": "anonymous"
}

Response 格式：

json

{
  "answer": "Cloudflare Pages 是...",
  "suggestions": ["問題1", "問題2", "問題3"]
}

自動化（凌晨執行）#

使用 Windows Task Scheduler 每天凌晨自動更新：

powershell

# 建立排程工作
$action = New-ScheduledTaskAction -Execute "python" -Argument "D:\node_app\cron\rag_enhance.py"
$trigger = New-ScheduledTaskTrigger -Daily -At "01:00"
Register-ScheduledTask -TaskName "RAG_NotebookLM_Update" -Action $action -Trigger $trigger -Description "NotebookLM RAG 自動更新"

資料庫結構#

sql

CREATE TABLE rag_embeddings (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    question TEXT NOT NULL,
    answer TEXT NOT NULL,
    embedding BLOB NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

注意事項#

• 金鑰安全：LINE_TOKEN、RAG_URL 等敏感資訊應放在 .env 檔案，絕對不要 commit 到公開 repo
• NotebookLM 配額：免費版每天可問 50 次，注意不要超標
• Embedding 超時：建議加入 warmup 設定避免 timeout
• Chrome Profile：建議使用專用 profile，避免影響一般瀏覽器使用

授權#

MIT License - 可自由使用、修改與發布

---

🦞 爪子鋒利，什麼都能搞定！