过去三个月我深度使用了NotebookLM和DeepSeek。不是因为我有受虐倾向，而是因为我正在完成计算语言学博士学位，需要一个不要咖啡也不抱怨我写作日程的研究助手。我在真实任务上测试了这两个工具：总结密集的论文、生成数据分析代码、交叉引用三年田野调查的笔记，甚至起草会议演讲。以下是我的发现。
快速对比表
| 特性 | NotebookLM | DeepSeek |
|---|---|---|
| 上下文窗口 | ~10万tokens（不断增长） | 12.8万tokens（声称，实际稳定约8万） |
| 源文件绑定 | 严格——仅限你上传的文档 | 松散——可从网络和你的文件中获取 |
| 文件类型 | PDF、Google文档、网页链接、文本 | PDF、Word、Excel、图片（OCR）、代码仓库 |
| 编码支持 | 基础（Python片段） | 完整（Python、R、SQL、bash、调试） |
| 引用风格 | 内联，精确引用源文件 | 摘要，附带源文件参考 |
| 离线模式 | 无 | 有（移动应用） |
| 价格 | 免费（Google账户） | 免费版 + Pro每月20美元 |
| 速度 | 快速，每次查询2-3秒 | 快速，深度推理5-10秒 |
| 最佳适用 | 文献综述、笔记综合 | 代码密集型研究、数据分析 |
第一印象
NotebookLM感觉像一位只信任你个人图书馆的图书管理员。你上传源文件——PDF、Google文档、网页链接——模型拒绝触碰这些文件之外的任何内容。这起初让我紧张。我习惯了AI获取最新arXiv论文或查阅Wikipedia。但一周后，我意识到这种限制是特性而非缺陷。当我问“Smith等人2023年关于韵律牵引说了什么？”NotebookLM直接指向我上传的PDF中的确切段落。没有幻觉。没有“我想Smith说过……”。它把我的源文件当作真理。
DeepSeek则相反。我把一文件夹凌乱的田野笔记、转录稿和半成品Python脚本扔给它。DeepSeek立即提议“搜索网络相关研究”和“建议改进你的代码”。感觉像一位才华横溢但有时忘记你只问了自己数据的研究生。我必须明确说“仅使用我上传的文件”才能让它保持接地。这有效，但模型显然想要更有创意。
实际性能观察
文献综述：NotebookLM胜出
我给两个工具相同的任务：总结五篇关于“双语者语码转换的神经关联”的论文。每篇PDF 8-15页，充满fMRI方法。
NotebookLM生成了清晰、结构化的摘要，带有编号发现。它将每个声明链接到确切的PDF页面并引用相关句子。当我问“这些结果与Garcia 2022的研究相比如何？”它说：“你还没有上传Garcia 2022。要