> 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/2025-nian/w19notebooklmdeepwiki-he-ai-chan-pin.md).

# W19-NotebookLM、DeepWiki 和 AI 产品

最近使用 NotebookLM 和 DeepWiki 这类信息整理工具，其中 NotebookLM 以工作台的概念来设计，有 IDE 的味道。迁移到 at work 场景，如果有一个工作台能自由整合dx、ones、code、km 这些内部内容源，工作效率我看可以倍增。看过 OODA 工作法，AI 实质上在加速 OODA 循环的节奏，特别是在 Observe（观察）和 Orient（判断）两个阶段。它能够帮助我们更快地提取和理解关键信息，构建认知框架，从而以更高的频率进行策略调整与决策。就像写 COE 这种工作，复盘人只需要聚焦在根因和教训等核心内容，像是时间线这些信息都会自动填好，任何人随时都可以深挖一个事故，这才是 case study。

推荐一期Lenny's Podcast，采访 OpenAI 的 CPO，极好的产品视角洞察。省时间的话可以用 NotebookLM。有三点印象深刻。

1. 产品依托构建的技术栈正在转变。从过去“确定输入—确定输出”的规则系统，转向今天基于模型的“概率性输出”。而且模型迭代极快，每两个月计算机就能做一些以前做不到的事，今天用到的模型一定是你未来用过最差的，需要不断调整产品思路和节奏。
2. Evals 正在成为产品经理的核心能力。和姚顺宇讲的“LLM 下半场”一样，不只是测试模型，更是评估整个技术系统在特定问题上表现的工具。产品需要围绕实际问题构建适配模型，而不是等模型“万事俱备”。
3. AI 并不会一键生成终极创意，而是在过程层面加速创意落地。它能快速提供多个方案，让生产者反复试验、组合、打磨。真正的生产力提升，恰恰来自这种“人与 AI 共创”的循环。