Πίσω από τον επεξεργαστή

Γιατί το είναι τόσο καλό στην επεξεργασία εγγράφων;

Ένα γλωσσικό μοντέλο μπορεί να γράψει μια ωραία πρόταση, αλλά η επανένταξή της μαζί με τη μορφοποίηση είναι μια διαφορετική εργασία. Εξηγούμε γιατί ήταν δύσκολο να κάνουμε την τεχνητή νοημοσύνη να επεξεργαστεί ένα έγγραφο και τι κατασκευάσαμε για να το διορθώσουμε.

9 λεπτά ανάγνωσης3 Οκτωβρίου 2026

Επισκόπηση

Ζητήστε από ένα chatbot να διορθώσει μια ρήτρα σε ένα αρχείο Word και του ζητάτε να κάνει δύο δουλειές ταυτόχρονα: να αλλάξει τις λέξεις και να ξαναγράψει τη μορφή αρχείου που τις περιέχει. Τα γλωσσικά μοντέλα είναι καλά στην πρώτη δουλειά και αναξιόπιστα στη δεύτερη.

Το αφαιρεί τη δεύτερη εργασία από το μοντέλο. Αυτό το άρθρο εξηγεί γιατί έχει σημασία, πώς λειτουργεί σε μακροσκελή έγγραφα και πώς συγκρίνεται με ιστότοπους συνομιλίας και πράκτορες χρήσης υπολογιστή.

  1. 01Ένα μοντέλο γλώσσας διαβάζει ένα έγγραφο ως σήμανση και όχι ως σελίδα.
  2. 02Ένας λανθασμένος χαρακτήρας μπορεί να καταστήσει ένα αρχείο μη αναγνώσιμο, ενώ οι μεγάλες έξοδοι αυξάνουν την πιθανότητα τέτοιων λαθών.
  3. 03Το διαχωρίζει το περιεχόμενο από τη μορφοποίηση: το μοντέλο επεξεργάζεται τις λέξεις και ο κώδικάς μας γράφει το αρχείο.
  4. 04Τα μακροσκελή έγγραφα χωρίζονται σε παρτίδες, τεμαχίζονται και λαμβάνουν πλαίσιο, όπως κάνουν οι σύγχρονοι πράκτορες προγραμματισμού.
  5. 05Οι ιστότοποι συνομιλίας μπορούν να επεξεργάζονται αρχεία με Python, αλλά οι αλλαγές μπορεί να εξαφανιστούν σιωπηρά.
  6. 06Οι πράκτορες χρήσης υπολογιστή κάνουν διορθώσεις όπως ένας άνθρωπος, με πολλαπλάσιο κόστος.

01

Το LLM βλέπει μόνο κείμενο, όχι μορφοποίηση

Ανοίξτε ένα συμβόλαιο στο Word και βλέπετε μια σελίδα: μια επικεφαλίδα στο στυλ της εταιρείας, ένα ποσό με έντονη γραφή, μια υπογραμμισμένη προθεσμία. Το πρόγραμμα Word δημιουργεί αυτή τη μορφοποίηση, ώστε να μπορούμε να κάνουμε οπτική επεξεργασία. Κάτω από ένα αρχείο Word (.docx) βρίσκεται ένα σύνθετο σύστημα XML, όπου κάθε λέξη που βλέπουμε επισημαίνεται επίπονα με κρυφές λέξεις γνωστές ως σήμανση (markup).12

Αυτό που βλέπετε

Αυτό που βλέπει το μοντέλο

<w:p>  <w:pPr><w:pStyle w:val="Heading2"/></w:pPr>  <w:r><w:t>4. Ενοίκιο</w:t></w:r></w:p><w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Ο μισθωτής καταβάλλει </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>την πρώτη ημέρα κάθε μήνα</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Εικόνα 1Η ίδια ρήτρα δύο φορές. Οι λέξεις καταλαμβάνουν 67 χαρακτήρες· το XML γύρω τους καταλαμβάνει 456. Απόσπασμα του word/document.xml.

Ένα LLM δεν βοηθάται από το Microsoft Word, το LibreOffice ή το Pages και πρέπει να βασιστεί στη δική του κατανόηση των σημάνσεων. Για να επεξεργαστεί σωστά, ένα LLM πρέπει να κατανοήσει την επίδραση της αρχικής σήμανσης και να γράψει τη νέα πρόταση με τη σωστή σήμανση.

02

Η έξοδος του LLM είναι εγγενώς ασταθής

Τα μοντέλα μπορεί να έχουν βελτιωθεί σημαντικά, αλλά ακόμη και τα πιο πρόσφατα εξακολουθούν να κάνουν λάθη. Σε μια μελέτη της Microsoft Research του 2026 σε 19 μοντέλα σε 52 επαγγελματικούς τομείς, τα προηγμένα μοντέλα όπως τα Gemini 3.1 Pro, Claude 4.6 Opus και GPT 5.4 κατέστρεψαν κατά μέσο όρο το 25% του περιεχομένου των εγγράφων μέχρι το τέλος των μακροσκελών ροών εργασίας επεξεργασίας.4

Σε ένα αρχείο Word, ένα μικρό λάθος αρκεί για να καταστήσει ένα αρχείο μη χρησιμοποιήσιμο. Εδώ το μοντέλο έχει παραλείψει μία μόνο κάθετο:

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Ο μισθωτής καταβάλλει </w:t></w:r>  <w:r><w:rPr><w:b>1<w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>την πρώτη ημέρα κάθε μήνα</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Εικόνα 2Μία κάθετος που λείπει αφήνει την ετικέτα έντονης γραφής ανοιχτή. Το XML δεν είναι πλέον σωστά δομημένο (well-formed) και το Word δεν θα ανοίξει το αρχείο κανονικά.3

Το XML δεν ανέχεται λανθασμένη σήμανση. Ένα αρχείο είναι είτε σωστά δομημένο είτε όχι. Το Word μπορεί μερικές φορές να ανακτήσει ένα κατεστραμμένο αρχείο, αλλά από το ανακτημένο αντίγραφο ενδέχεται να λείπει κείμενο ή μορφοποίηση.

Μεγαλύτερη έξοδος, περισσότερα λάθη

Ο κίνδυνος αυξάνεται με το μήκος. Το LongProc, ένα benchmark του 2025 για μακροσκελείς δομημένες εξόδους, διαπίστωσε ότι τα μοντέλα ανοιχτών βαρών αποτυγχάνουν στα 2.000 tokens εξόδου και το GPT-4o υποβαθμίζεται σημαντικά στα 8.000.5 Μια άλλη μελέτη διαπίστωσε ότι η απόδοση μειώνεται κατά 13,9% έως 85% καθώς η είσοδος αυξάνεται, ακόμη και όταν το μοντέλο μπορεί να ανακτήσει κάθε σχετικό γεγονός.6 Ένα έγγραφο Word 10 σελίδων είναι περίπου 10.000 tokens· η προσπάθεια επεξεργασίας και των 10 σελίδων ταυτόχρονα χωρίς σφάλματα είναι σχεδόν αδύνατη.

<w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.1</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Η Harlow &1 Pike LLP ενεργεί για λογαριασμό του Εκμισθωτή σε όλα τα θέματα που προκύπτουν από την παρούσα Μίσθωση.</w:t></w:r></w:p><w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24/>2</w:rPr><w:t>5.2</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Ο Μισθωτής διατηρεί το Μίσθιο σε καλή και ικανοποιητική κατάσταση συντήρησης και επισκευής.</w:t></w:r></w:p><w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.3</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Οποιαδήποτε ειδοποίηση πρέπει να δίνεται γραπτώς και να παραδίδεται στη διεύθυνση που αναφέρεται στο Παράρτημα 2.</w:t></w:p>3<w:p>  <w:pPr><w:pStyle w:val="ClauseText"/></w:pPr>  <w:r><w:rPr><w:b/><w:sz w:val="24"/></w:rPr><w:t>5.4</w:t></w:r>  <w:r><w:rPr><w:sz w:val="24"/></w:rPr><w:t xml:space="preserve"> Ο Εκμισθωτής μπορεί να καταγγείλει την παρούσα Μ4
  1. 1Ένα σκέτο σύμβολο ampersand στο κείμενο. Το XML απαιτεί να διαφεύγει ως οντότητα.
  2. 2Ένα εισαγωγικό που λείπει. Τα πάντα μετά από αυτό διαβάζονται ως μέρος της τιμής.
  3. 3Ένα τμήμα κειμένου (run) που δεν κλείνει ποτέ πριν τελειώσει η παράγραφος.
  4. 4Η έξοδος απλώς σταματά. Οι μεγάλες παραγωγές κειμένου ενδέχεται να φτάσουν σε όριο μήκους ή να λήξει ο χρόνος τους στη μέση μιας ετικέτας.
Εικόνα 3Τέσσερις ρήτρες εξόδου μοντέλου, τέσσερα είδη αστοχίας. Κάθε μία από μόνη της καθιστά το αρχείο μη αναγνώσιμο.

03

Πώς το το λύνει

Γράφουμε προσαρμοσμένα προγράμματα που διαχωρίζουν τη μορφοποίηση από το περιεχόμενο. Το μοντέλο λαμβάνει τις λέξεις που πρέπει να αλλάξει, μαζί με μια αποτυπωμένη εικόνα της σελίδας, ώστε να λαμβάνει βοήθεια από ένα πρόγραμμα Word. Στη συνέχεια, ο κώδικάς μας τοποθετεί τις επεξεργασμένες λέξεις πίσω στα αρχικά τμήματα (runs) και αφήνει το υπόλοιπο αρχείο ανέπαφο.

Το αρχείο σας

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Ο μισθωτής καταβάλλει </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,400</w:t></w:r>  <w:r><w:t xml:space="preserve"> </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>την πρώτη ημέρα κάθε μήνα</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

Το διαχωρίζει το περιεχόμενο από τη μορφοποίηση

Εξαγόμενο περιεχόμενο

Ο μισθωτής καταβάλλει US$2,400 την πρώτη ημέρα κάθε μήνα.

Αποδοθείσα σελίδα

Και τα δύο πηγαίνουν στο μοντέλο

Μοντέλο γλώσσαςΕπεξεργάζεται λέξεις. Ποτέ δεν αγγίζει XML.

Το μοντέλο επιστρέφει επεξεργασμένο περιεχόμενο

Έξοδος μοντέλου

Ο μισθωτής καταβάλλει US$2,400US$2,600 την πρώτη ημέρα κάθε μήνατην πέμπτη ημέρα κάθε μήνα.

Το γράφει ξανά τις λέξεις στα αρχικά τμήματα (runs)

Το αρχείο σας, επεξεργασμένο

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Ο μισθωτής καταβάλλει </w:t></w:r>  <w:r><w:rPr><w:b/><w:color w:val="1F4E79"/></w:rPr><w:t>US$2,600</w:t></w:r>  <w:r><w:t xml:space="preserve"> </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>την πέμπτη ημέρα κάθε μήνα</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

✓ Έγκυρο .docx. Τα έντονα, το χρώμα και η υπογράμμιση παραμένουν ακριβώς όπως ήταν.

Εικόνα 4Η αλυσίδα επεξεργασίας, απλοποιημένη. Το επισημασμένο κείμενο είναι το μόνο μέρος του αρχείου που άλλαξε.

Αυτό λύνει και τα δύο προβλήματα ταυτόχρονα. Το μοντέλο βλέπει πλέον τη μορφοποίηση που δεν μπορούσε να δει πριν και δεν γράφει πλέον τη σήμανση που ήταν πιο πιθανό να χαλάσει.

Δεν θα βρείτε αυτό το επίπεδο σε ένα chatbot γενικής χρήσης. Τα προγράμματα εξαγωγής, απόδοσης και επανασυναρμολόγησης είναι κατασκευασμένα και συντηρούνται από τους μηχανικούς του .

04

Επίλυση του προβλήματος μεγάλου πλαισίου

Ορισμένες επεξεργασίες είναι μεγάλες: μια παράγραφος που εκτείνεται σε πολλές σελίδες, ή μια αλλαγή που εφαρμόζεται με συνέπεια σε εκατοντάδες. Για αυτές μάθαμε από τη μηχανική λογισμικού. Τον Μάρτιο του 2026, η Anthropic δημοσίευσε κατά λάθος τον πηγαίο κώδικα του Claude Code, του πράκτορα προγραμματισμού τεχνητής νοημοσύνης της, μέσα σε ένα δημόσιο πακέτο npm.7

Αυτό το πρόγραμμα επεξεργασίας κώδικα που διέρρευσε διδάσκει ένα απλό μάθημα: για να επεξεργαστείτε κάτι μεγάλο, αναλύστε το. Χωρίζουμε ένα έγγραφο σε ομάδες σελίδων, μια τεχνική που ονομάζεται ομαδοποίηση (batching), και χωρίζουμε τις μεγάλες παραγράφους σε προτάσεις, ώστε κάθε επεξεργασία να είναι αρκετά μικρή ώστε να γίνεται σωστά.

Ο κατακερματισμός ενός εγγράφου δημιουργεί ένα νέο πρόβλημα: το πλαίσιο. Πώς διορθώνετε μια παράγραφο στη σελίδα 60 χρησιμοποιώντας έναν ορισμό στη σελίδα 2; Εδώ, δύο χρόνια εμπειρίας σε προγράμματα επεξεργασίας κώδικα AI (Cursor, GitHub Copilot, OpenAI Codex) αποδίδουν καρπούς. Η απάντησή τους είναι η μηχανική πλαισίου, η οποία συγκεντρώνει σχετικές πληροφορίες σε μια εστιασμένη συλλογή και την παραδίδει σε υποπράκτορες με καθαρά παράθυρα πλαισίου.8 Κάνουμε το ίδιο με τα έγγραφα. Ομαδοποιούμε τις λογικά σχετικές πληροφορίες, όπως θα έκανε ένας προσεκτικός αναγνώστης, και στη συνέχεια τις στέλνουμε μαζί με τον στόχο διόρθωσης σε υπο-επιμελητές που πραγματοποιούν την πραγματική αλλαγή.

1Επεξεργασία εγγράφου σε παρτίδες

σσ. 1–40σσ. 41–80σσ. 81–120σσ. 121–160σσ. 161–200σσ. 201–240σσ. 241–280σσ. 281–300

2Διαίρεση μακροσκελών παραγράφων

Ρήτρα 18.3 · σ. 60
Πρόταση 1Πρόταση 2Πρόταση 3Πρόταση 4Πρόταση 5

3Συγκέντρωση πλαισίου και στη συνέχεια παράλληλη επεξεργασία

Ορισμοί όρωνσσ. 2–12

Μέρη και ρόλοισ. 1

Προηγούμενες τροποποιήσειςσ. 34

Βοηθός συντάκτη 1σσ. 1–40 + συλλογή

Βοηθός συντάκτη 2σσ. 41–80 + συλλογή

Βοηθός συντάκτη 3σσ. 81–120 + συλλογή

Εικόνα 5Ένα έγγραφο 300 σελίδων, αναλυμένο. Κάθε βοηθός συντάκτη λαμβάνει ένα μικρό κομμάτι του εγγράφου συν το πλαίσιο από το οποίο εξαρτάται αυτό το κομμάτι.

Παράδειγμα: απόκρυψη στοιχείων σε μια δικαστική απόφαση

Ένας δικηγόρος θέλει να αποκρυφθεί κάθε όνομα μάρτυρα σε μια απόφαση, καθώς και μια λίστα με τις υποθέσεις που παραθέτει για να ερευνήσει ένας νεότερος.

  1. Αναζήτηση. Το εντοπίζει κάθε όνομα προσώπου και κάθε παραπομπή σε υπόθεση με απλή αντιστοίχιση μοτίβων. Κανένα μοντέλο δεν απαιτείται ακόμα.
  2. Ταξινόμηση. Κάθε όνομα, μαζί με την πρόταση που το περιβάλλει, πηγαίνει σε ένα μοντέλο που αποφασίζει: μάρτυρας, δικηγόρος ή δικαστής. Οι απαντήσεις δημιουργούν μια συλλογή μαρτύρων.
  3. Συλλογή. Η ίδια μέθοδος δημιουργεί μια συλλογή παρατιθέμενων υποθέσεων.
  4. Ενέργεια. Επειδή γνωρίζουμε ακριβώς πού βρέθηκε το όνομα κάθε μάρτυρα, αποκρύπτουμε αυτά τα σημεία, και μόνο αυτά, στο αρχικό αρχείο.

ΣΤΟ ΑΝΩΤΑΤΟ ΔΙΚΑΣΤΗΡΙΟ ΔΙΚΑΙΟΣΥΝΗΣ

ΤΜΗΜΑ KING’S BENCH

Harrow v Kestrel Logistics Ltd

Πριν: Mrs Justice Holloway

ΑΠΟΦΑΣΗ

Mrs Justice Holloway: Η παρούσα αξίωση πηγάζει από την κατάρρευση μιας ράμπας φόρτωσης στην αποθήκη του Εναγομένου στις 14 Μαρτίου 2024. Ο Ενάγων εκπροσωπήθηκε από Ms Priya Raman και ο Εναγόμενος από Mr Thomas Whitby. Άκουσα προφορική μαρτυρία επί τέσσερις ημέρες.

Ο βασικός αυτόπτης μάρτυρας, ο Mr Daniel Okafor, ήταν χειριστής περονοφόρου ανυψωτικού μηχανήματος στη νυχτερινή βάρδια. Ο Mr Okafor κατέθεσε στο δικαστήριο ότι τα προειδοποιητικά φώτα στη ράμπα ήταν εκτός λειτουργίας για αρκετές εβδομάδες και ότι το είχε αναφέρει δύο φορές. Μια δεύτερη μάρτυρας, η Ms Margaret Ellison, εργολάβος που επιθεώρησε τη ράμπα τον Φεβρουάριο, επιβεβαίωσε ότι η έκθεσή της συνιστούσε άμεση επισκευή. Βρήκα και τους δύο μάρτυρες προσεκτικούς και αξιόπιστους.

Η υποχρέωση επιμέλειας ενός κατόχου προς όσους βρίσκονται νόμιμα στις εγκαταστάσεις του είναι εδραιωμένη, και λαμβάνω ως αφετηρία την αρχή του γείτονα στο Donoghue v Stevenson [1932] AC 562. Το αν είναι δίκαιο, ορθό και εύλογο να επιβληθεί καθήκον σε νέες περιστάσεις διέπεται από το Caparo Industries plc v Dickman [1990] 2 AC 605, αλλά αυτές οι περιστάσεις δεν είναι νέες. Ο Mr Whitby υποστήριξε ότι οι ζημίες που αξιώθηκαν ήταν πολύ απομακρυσμένες. Αυτός ο ισχυρισμός πρέπει να ελεγχθεί έναντι του Hadley v Baxendale (1854) 9 Exch 341.

Έχοντας εξετάσει τη μαρτυρία των Mr Okafor και Ms Ellison παράλληλα με τα έγγραφα, είμαι βέβαιη ότι ο Εναγόμενος γνώριζε για το ελάττωμα και παρέλειψε να ενεργήσει. Η αγωγή γίνεται δεκτή ως προς την ευθύνη. Η αποζημίωση θα προσδιοριστεί σε περαιτέρω ακρόαση. Ευχαριστώ την Ms Raman και τον Mr Whitby για τις σαφείς και εστιασμένες αγορεύσεις τους.

Εικόνα 6Αλλάξτε προβολή για να δείτε το αποτέλεσμα. Η απόφαση και τα ονόματα είναι φανταστικά· οι τρεις αναφερόμενες υποθέσεις είναι αληθινές.

05

Μπορούν οι ιστότοποι συνομιλίας chatgpt.com, claude.ai και άλλοι να κάνουν το ίδιο;

Μερικές φορές, ναι. Αυτοί οι ιστότοποι συχνά περιλαμβάνουν έναν διερμηνέα Python, ο οποίος επιτρέπει στο μοντέλο να ανοίξει ένα αρχείο Word ή PowerPoint και να επεξεργαστεί το XML του με κώδικα.

Αλλά ο κώδικας εξακολουθεί να γράφεται από ένα ασταθές μοντέλο και τίποτα δεν ελέγχει το αποτέλεσμα σε σχέση με το πρωτότυπο. Στις εσωτερικές μας δοκιμές, λάβαμε συχνά έγγραφα με απροσδόκητες διαγραφές και διορθώσεις. Σε μια ακραία περίπτωση, ένα έγγραφο 20 σελίδων επέστρεψε ως 10 σελίδες, χωρίς καμία προειδοποίηση.

Ιστότοπος συνομιλίας με Python

20 σελίδες
10 σελίδες

Έτοιμο! Ενημέρωσα το έγγραφό σας με τις ζητούμενες αλλαγές.

Καμία αναφορά στις 10 λείπουσες σελίδες.

Αρχείο καταγραφής αλλαγών του

  • σ. 4 · Ρήτρα 2.1

    τριάντα (30) ημέρες εξήντα (60) ημέρες

    Επαναφορά
  • σ. 9 · Ρήτρα 6.3

    ο Προμηθευτής ο Ανάδοχος

    Επαναφορά
  • σ. 17 · Παράρτημα 1

    US$2,400 US$2,600

    Επαναφορά

Δημιουργία νέου εγγράφου

Εικόνα 7Αριστερά: μια σιωπηλή περικοπή από τις εσωτερικές μας δοκιμές. Δεξιά: κάθε αλλαγή τεχνητής νοημοσύνης στο OneTurn καταγράφεται και μπορεί να αναιρεθεί.

Μια σιωπηλή παράλειψη ή τροποποίηση είναι μοιραία για κάθε σοβαρή δουλειά. Στο , κάθε αλλαγή που κάνει ο πράκτορας τεχνητής νοημοσύνης μας καταγράφεται. Μπορείτε να ελέγξετε την καθεμία, να αναιρέσετε οποιαδήποτε από αυτές και να δημιουργήσετε ένα νέο έγγραφο.

06

Μπορούν πράκτορες χρήσης υπολογιστή όπως το OpenClaw ή το Manus να το κάνουν αυτό;

Αυτοί οι πράκτορες ελέγχουν έναν υπολογιστή με τον τρόπο που το κάνει ένας άνθρωπος. Ανοίγουν το έγγραφο σε Microsoft Word ή PowerPoint και στη συνέχεια κάνουν κύλιση, κλικ και πληκτρολόγηση.11 Επειδή χρησιμοποιούν τα ίδια προγράμματα με έναν άνθρωπο, μπορούν να κάνουν διορθώσεις όπως ένας άνθρωπος, και τα αποτελέσματα είναι συχνά εντυπωσιακά.

Το τίμημα είναι το κόστος και η ταχύτητα. Ο πράκτορας διαβάζει ένα έγγραφο τραβώντας στιγμιότυπα οθόνης καθώς κάνει κύλιση, και κάθε μικρό βήμα απαιτεί μια κλήση μοντέλου για να αποφασιστεί τι πρέπει να γίνει στη συνέχεια. Ένα στιγμιότυπο οθόνης Full HD κοστίζει από μόνο του μεταξύ 1.500 και 2.700 tokens περίπου.10 Στο benchmark OSWorld, ακόμη και οι καλύτεροι πράκτορες χρειάστηκαν 2,7 έως 4,3 φορές περισσότερα βήματα από τα απαραίτητα, και τα επόμενα βήματα διήρκησαν έως και 3 φορές περισσότερο από τα αρχικά.9

Πράκτορας χρήσης υπολογιστή

  1. Λήψη στιγμιότυπου οθόνης
  2. Το μοντέλο αποφασίζει την επόμενη ενέργεια
  3. Κύλιση, κλικ ή πληκτρολόγηση
  4. Επανάληψη για κάθε βήμα

  1. Ανάγνωση του κειμένου μία φορά
  2. Επεξεργασία σε παρτίδες
  3. Εγγραφή του αρχείου
Σύμβαση 20 σελίδων, 30 αλλαγέςΠράκτορας χρήσης υπολογιστή
Κλήσεις μοντέλου≈ 180≈ 12
Token ανά κλήση≈ 10,000≈ 4,000
Συνολικά token≈ 1,800,000≈ 48,000
Διαφορά≈ 37× περισσότερο, ή ≈ 100–160× με τα επιπλέον βήματα που μετρήθηκαν στο OSWorld
Εικόνα 8Παραδοχές: περίπου 11.000 λέξεις· 60 στιγμιότυπα οθόνης για την ανάγνωση του εγγράφου· 4 ενέργειες ανά διόρθωση· κάθε κλήση μεταφέρει ένα στιγμιότυπο οθόνης συν το πρόσφατο ιστορικό. Το OneTurn διαβάζει το κείμενο μία φορά και αποστέλλει διορθώσεις σε παρτίδες.

Σύμφωνα με την εκτίμησή μας, ένας πράκτορας χρήσης υπολογιστή μπορεί να χρησιμοποιήσει έως και 100 φορές περισσότερα token LLM από το για τις ίδιες διορθώσεις, και να χρειαστεί πολύ περισσότερο χρόνο για να ολοκληρώσει τη διαδικασία.

Πηγές

  1. Δομή ενός εγγράφου WordprocessingMLMicrosoft Learn · Τεκμηρίωση Open XML SDK
  2. ECMA-376: Μορφές αρχείων Office Open XMLEcma International · πρότυπο
  3. Επικύρωση εγγράφου επεξεργασίας κειμένουMicrosoft Learn · Τεκμηρίωση Open XML SDK
  4. Τα LLM καταστρέφουν τα έγγραφά σας όταν τα αναθέτετεLaban, Schnabel και Neville · Microsoft Research · 2026
  5. LongProc: Αξιολόγηση μοντέλων γλώσσας μεγάλου πλαισίου στη μακρά διαδικαστική παραγωγήYe et al. · COLM 2025
  6. Μόνο το μήκος του πλαισίου βλάπτει την απόδοση των LLM παρά την τέλεια ανάκτησηDu et al. · Ευρήματα του EMNLP 2025
  7. Η Anthropic εκθέτει κατά λάθος τον πηγαίο κώδικα του Claude Code μέσω αρχείου χάρτη πηγής npmInfoQ · 7 Απριλίου 2026
  8. Αποτελεσματική μηχανική πλαισίου για πράκτορες τεχνητής νοημοσύνηςAnthropic Engineering · 29 Σεπτεμβρίου 2025
  9. OSWorld-Human: Αξιολόγηση της αποτελεσματικότητας των πρακτόρων χρήσης υπολογιστήAbhyankar, Qi και Zhang · MLSys 2026
  10. Όραση: ανάλυση και κόστος tokenΤεκμηρίωση πλατφόρμας Claude
  11. Η εφαρμογή Manus της Meta κυκλοφορεί για υπολογιστές, φέρνοντας τον πράκτορα AI σε προσωπικές συσκευές εν μέσω της μανίας του OpenClawCNBC · 18 Μαρτίου 2026

Οι εικόνες είναι εικονογραφήσεις που δημιουργήθηκαν για αυτό το άρθρο. Το XML είναι πραγματικό WordprocessingML· τα ονόματα αρχείων, τα πρόσωπα και η δικαστική απόφαση είναι πλασματικά.

Δοκιμάστε το σε ένα έγγραφο που δεν έχετε την πολυτέλεια να χαλάσει.

Δοκιμάστε το δωρεάν →