> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/zh-hant/2025/w19-notebooklm-deepwiki-and-ai-products.md).

# W19-NotebookLM、DeepWiki 和 AI 產品

最近使用 NotebookLM 和 DeepWiki 這類信息整理工具，其中 NotebookLM 以工作臺的概念來設計，有 IDE 的味道。遷移到 at work 場景，如果有一個工作臺能自由整合dx、ones、code、km 這些內部內容源，工作效率我看可以倍增。看過 OODA 工作法，AI 實質上在加速 OODA 循環的節奏，特別是在 Observe（觀察）和 Orient（判斷）兩個階段。它能夠幫助我們更快地提取和理解關鍵信息，構建認知框架，從而以更高的頻率進行策略調整與決策。就像寫 COE 這種工作，復盤人只需要聚焦在根因和教訓等核心內容，像是時間線這些信息都會自動填好，任何人隨時都可以深挖一個事故，這才是 case study。

推薦一期Lenny's Podcast，採訪 OpenAI 的 CPO，極好的產品視角洞察。省時間的話可以用 NotebookLM。有三點印象深刻。

1. 產品依託構建的技術棧正在轉變。從過去“確定輸入—確定輸出”的規則系統，轉向今天基於模型的“概率性輸出”。而且模型迭代極快，每兩個月計算機就能做一些以前做不到的事，今天用到的模型一定是你未來用過最差的，需要不斷調整產品思路和節奏。
2. Evals 正在成為產品經理的核心能力。和姚順宇講的“LLM 下半場”一樣，不只是測試模型，更是評估整個技術系統在特定問題上表現的工具。產品需要圍繞實際問題構建適配模型，而不是等模型“萬事俱備”。
3. AI 並不會一鍵生成終極創意，而是在過程層面加速創意落地。它能快速提供多個方案，讓生產者反覆試驗、組合、打磨。真正的生產力提升，恰恰來自這種“人與 AI 共創”的循環。