Google завершила трансформацию исследовательского сервиса NotebookLM, которым пользуются более 30 миллионов человек и 600 тысяч организаций, в автономного агента Gemini Notebook. Поводом присмотреться к платформе заново стал свежий пакет из десяти функций, которые практик автоматизации Джулиан Голди разобрал на реальных рабочих задачах. За сменой вывески и новыми кнопками экспорта легко пройти мимо главной инженерной детали обновления: каждый блокнот теперь получает собственный изолированный облачный компьютер, умеющий писать и запускать код.
До сих пор такие блокноты работали как аккуратный референт: ты загружал пачку файлов, задавал вопрос и получал пересказ со сносками на нужные страницы. Но что меняется в повседневной работе с отчётами и таблицами, когда база знаний перестаёт просто искать цитаты и начинает сама считать данные скриптами и собирать готовые документы?
Изолированная Python-песочница: расчёт кодом вместо угадывания цифр
Классическая поисковая генерация по источникам (Retrieval-Augmented Generation) отлично справляется со смыслами, но пасует перед обычной бухгалтерией. Текстовая модель устроена как начитанный гуманитарий с цепкой памятью: она мгновенно находит нужный пункт в договоре, однако при попытке сложить сотни строк из таблицы предсказывает цифры по вероятности — словно перемножает большие числа в уме на слух. Отсюда растут галлюцинации, когда текст звучит убедительно, а итоговая сумма расходится с реальностью.
Меня в архитектуре обновлённого Gemini Notebook зацепило то, как прямолинейно инженеры Google закрыли эту уязвимость. Блокнот вмещает до 50 источников объёмом до 500 000 слов каждый в контекстном окне на 1 миллион токенов. Но как только твой вопрос касается расчётов, динамики показателей или грязной выгрузки, нейросеть перестаёт гадать словами и запускает в защищённом контейнере вычислительный цикл:
- Сквозная индексация. Агент связывает текстовые выдержки из документов с числовыми сетками из прикреплённых таблиц CSV и Excel.
- Генерация скрипта. Система сама пишет код на Python с аналитическими библиотеками Pandas и Matplotlib.
- Цикл самопроверки. Если скрипт спотыкается о битую ячейку, кривой формат даты или съехавший столбец, агент считывает ошибку, переписывает очистку данных и перезапускает расчёт до математически точного ответа.
Возьмём живую задачу финансового аналитика: на столе лежат три неструктурированных квартальных PDF-отчёта компании и сырая выгрузка транзакций transactions.csv. Нужно свести операционные расходы и найти причину скачка затрат на логистику. В живых корпоративных таблицах названия колонок в CSV редко совпадают с формулировками в PDF, а даты записаны вразнобой. Вместо ручной возни с формулами ты ставишь задачу обычным текстом в чате, а в облачной песочнице агент собирает и выполняет такой расчёт:
import pandas as pd
import matplotlib.pyplot as plt
# Чтение транзакций и приведение смешанных форматов дат к единому виду
df = pd.read_csv("transactions.csv")
df["date"] = pd.to_datetime(df["raw_date"], format="mixed", dayfirst=True)
df["quarter"] = df["date"].dt.to_period("Q")
# Сопоставление кодов статей с категориями из PDF-отчётов
category_map = {"ship_cost": "Логистика", "delivery_fee": "Логистика", "ops_misc": "Операционные"}
df["category_clean"] = df["dept_col"].replace(category_map)
# Точный расчёт квартальной динамики расходов и сохранение диаграммы
summary = df.groupby(["quarter", "category_clean"])["amount"].sum().unstack(fill_value=0)
summary.plot(kind="bar", figsize=(8, 4), title="Динамика операционных и логистических затрат")
plt.tight_layout()
plt.savefig("expenses_trend.png")
Для аналитика это меняет весь темп пятничной рутины: вместо многочасовой чистки ячеек и ловли сломанных ссылок он за 3 минуты получает выверенный отчёт. Интерпретатор Python без фантазий приводит даты к общему виду, склеивает статьи доставки и точно показывает квартал, где логистика пробила бюджет.
На этом шаге снимается главное недоверие к ИИ в аналитике. Языковая модель отвечает за понимание твоей задачи и чтение документов, а всю арифметику берёт на себя детерминированный код, который физически не умеет выдумывать числа от себя.
Панель Artifact Studio: сборка слайдов и рабочих конвейеров из сырых файлов
Получить точные суммы — лишь половина дела, ведь консольный вывод скрипта не отправишь руководителю или клиенту. Вторым опорным узлом обновления стала правая панель Artifact Studio, превращающая расчёты в законченные рабочие файлы.
В нашем примере с расходами агент не оставляет цифры в ленте переписки: он выносит на боковую панель кликабельную сводную таблицу, прикладывает диаграмму тренда и собирает слайд, где выделены три главных операционных риска со ссылками на исходные PDF. Готовый артефакт легко закрепить, подправить и выгрузить в файлы Word, Excel, PowerPoint, PDF или CSV, а также напрямую перенести в Google Docs, Google Sheets и Google Slides. Чтобы не переделывать готовую вёрстку, удобно сочетать этот экспорт с двухэтапным режимом утверждения структуры в Gemini Notebook, позволяющим согласовать структурный план до финальной сборки слайдов.
Та же сцепка работает далеко за пределами финансов: когда база знаний получает исполняемый код и файловый выход, папка с документами превращается в воспроизводимый конвейер. Из сопутствующих новинок релиза Джулиан Голди собрал шесть прикладных систем — от контент-планов, таблиц разбора конкурентов и SEO-брифов до сценарных видеостудий и обучения команды. Агент сам планирует глубокий веб-поиск Deep Research по десяткам сайтов и держит кастомные роли в настройках чата, а ведущие подкаста Audio Overview обсуждают выводы Python-песочницы наряду с новыми стилизованными видеообзорами и иллюстрациями Nano Banana. Обновились и учебные карточки, знакомые по связке блокнота с Google Docs и интерактивными форматами: теперь они поддерживают картинки на лицевой стороне, секундомер для тренировки ответов по FAQ быстрее 5 секунд и утренние напоминания на Android и iPhone.
Сетевая изоляция, закрытые библиотеки и границы контейнера
Дать нейросети право запускать код над внутренними документами — шаг чувствительный, поэтому в Google окружили песочницу жёстким контуром безопасности. Эти рамки сразу показывают, где инструмент сработает безупречно, а где упрётся в потолок.
Прежде всего, бессерверный контейнер наглухо отрезан от интернета. Запущенный внутри Python-скрипт не сможет подтянуть живые биржевые котировки по внешнему API, но и физически не способен отправить строки из твоей таблицы на чужой узел. Для сохранности данных это огромный плюс, хотя все нужные справочники придётся загружать в блокнот заранее.
Кроме того, исполнение скрипта ограничено защитным таймаутом в несколько десятков секунд и закрытым списком стандартных аналитических пакетов Python — установка сторонних библиотек заблокирована. Сам код в текущей версии крутится преимущественно «за кулисами» агента: ты видишь готовый график и таблицу в студии, но не получаешь интерактивного терминала для ручной построчной отладки. Поэтому для обучения собственных моделей, разбора многогигабайтных логов или нестандартных библиотек привычные Google Colab и локальный Jupyter по-прежнему незаменимы.
Агентские функции раскатываются волнами, начиная с подписок Google AI Ultra и бизнес-тарифов Workspace. Перед загрузкой реальных финансовых сводок, договоров или клиентских баз обязательно проверь политики хранения данных в консоли своего рабочего Google Workspace — личный аккаунт для закрытой коммерческой тайны использовать нельзя.
Связка изолированной Python-песочницы и панели Artifact Studio переводит Gemini Notebook в совершенно другую роль: вместо пассивного пересказчика цитат у тебя под рукой появляется исполнительный цифровой аналитик. Он берёт на себя самую вязкую рутину — без галлюцинаций вычистить разнокалиберные таблицы кодом, сопоставить их с текстовыми PDF и за считанные минуты собрать чистовую сводку или презентацию, пока ты учитываешь границы контейнера и правила приватности. А если заглянуть в твою рабочую папку прямо сейчас — какой регулярный отчёт или вечно расползающуюся таблицу ты всё ещё сводишь вручную каждую неделю?



