מאחורי הקלעים של העורך

מדוע כל כך טוב בעריכת מסמכים?

מודל שפה יכול לכתוב משפט מצוין, אבל החזרתו למקומו עם העיצוב היא עבודה אחרת לגמרי. אנו מסבירים מדוע היה קשה לגרום לבינה מלאכותית לערוך מסמך, ומה בנינו כדי לתקן זאת.

קריאה של 9 דקות3 באוקטובר 2026

סקירה כללית

בקשו מצ'אט-בוט לתקן סעיף בקובץ Word ואתם מבקשים ממנו לבצע שתי עבודות בבת אחת: לשנות את המילים ולכתוב מחדש את פורמט הקובץ המכיל אותן. מודלי שפה טובים בעבודה הראשונה ואינם אמינים בשנייה.

לוקחת את המשימה השנייה מהמודל. מאמר זה מסביר מדוע זה משנה, כיצד זה פועל במסמכים ארוכים, וכיצד זה משתווה לאתרי צ'אט ולסוכני שימוש במחשב.

  1. 01מודל שפה קורא מסמך כתגית (markup), ולא כעמוד.
  2. 02תו שגוי אחד יכול להפוך קובץ לבלתי קריא, ופלט ארוך מגדיל את הסבירות לתווים שגויים.
  3. 03 מפרידה בין תוכן לעיצוב: המודל עורך מילים, הקוד שלנו כותב את הקובץ.
  4. 04מסמכים ארוכים מחולקים לקבוצות, מפוצלים ומקבלים הקשר, כפי שעושים סוכני קידוד מודרניים.
  5. 05אתרי צ'אט יכולים לערוך קבצים באמצעות Python, אך שינויים עלולים להיעלם בשקט.
  6. 06סוכני שימוש במחשב עורכים כמו בן אדם, בעלות הגבוהה פי כמה.

01

LLM רואה רק טקסט, לא עיצוב

כשפותחים חוזה ב-Word רואים עמוד: כותרת בסגנון הארגוני, סכום מודגש ומועד אחרון עם קו תחתון. תוכנת Word יוצרת את העיצוב הזה כדי שנוכל לערוך באופן חזותי. מאחורי קובץ Word ‏(.docx) נמצאת מערכת XML מורכבת, שבה כל מילה שאנו רואים מסומנת בקפדנות באמצעות קוד נסתר המכונה markup.12

מה שרואים

מה שהמודל רואה

<w:p>  <w:pPr><w:pStyle w:val="Heading2"/></w:pPr>  <w:r><w:t>4. דמי שכירות</w:t></w:r></w:p><w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">השוכר ישלם </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>ביום הראשון בכל חודש</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
איור 1אותו סעיף פעמיים. המילים תופסות 54 תווים; ה-XML סביבן תופס 443. קטע מתוך word/document.xml.

מודל שפה גדול אינו נעזר ב-Microsoft Word, ב-LibreOffice או ב-Pages, ועליו להסתמך על הבנתו את הסימונים. כדי לערוך נכון, המודל צריך להבין את השפעת הסימון המקורי ולכתוב את המשפט החדש בסימון המתאים.

02

פלט של LLM אינו יציב מיסודו

המודלים אולי השתפרו משמעותית, אך אפילו המתקדמים ביותר עדיין עושים טעויות. במחקר של Microsoft Research משנת 2026 שכלל 19 מודלים ב-52 תחומים מקצועיים, מודלים מובילים כמו Gemini 3.1 Pro, Claude 4.6 Opus ו-GPT 5.4 שיבשו בממוצע 25% מתוכן המסמכים עד לסופם של תהליכי עבודה ארוכים של עריכה.4

בקובץ Word, די בטעות קטנה אחת כדי להפוך את הקובץ לבלתי שמיש. כאן המודל השמיט לוכסן יחיד:

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">השוכר ישלם </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>ביום הראשון בכל חודש</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
איור 2לוכסן אחד חסר משאיר את תגית ההדגשה פתוחה. קובץ ה-XML אינו תקני עוד, ו-Word לא יפתח את הקובץ כרגיל.3

XML אינו סובל סימון פגום. קובץ הוא תקין מבחינה מבנית או שאינו תקין. Word יכול לפעמים לשחזר קובץ פגום, אך בעותק המשוחזר עלולים להיות חסרים טקסט או עיצוב.

פלט ארוך יותר, יותר טעויות

הסיכון גדל ככל שהאורך גדל. LongProc, מדד ביצועים משנת 2025 לפלט מובנה ארוך, מצא שמודלים בעלי משקלים פתוחים מקרטעים ב-2,000 טוקנים של פלט וש-GPT-4o יורד משמעותית באיכותו ב-8,000.5 מחקר אחר מצא שהביצועים יורדים בשיעור של 13.9% עד 85% ככל שהקלט גדל, גם כאשר המודל מסוגל לאחזר כל עובדה רלוונטית.6 מסמך Word בן 10 עמודים מכיל כ-10,000 טוקנים; הניסיון לערוך את כל עשרת העמודים בבת אחת ללא שגיאות הוא כמעט בלתי אפשרי.

<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"> Harlow &1 Pike LLP מייצגת את המשכיר בכל העניינים הנובעים מהסכם שכירות זה.</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"> השוכר ישמור על המושכר במצב תקין וטוב.</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"> כל הודעה חייבת להינתן בכתב ולהימסר לכתובת המצוינת בנספח 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"> המשכיר רשאי לסיים חוזה שכירות זה4
  1. 1תו אפרסנד (ampersand) יתום בטקסט. XML דורש להמיר אותו ליישות.
  2. 2מרכאות סוגרות חסרות. כל מה שמופיע אחריהן נקרא כחלק מהערך.
  3. 3קטע טקסט (run) שלא נסגר לפני סיום הפסקה.
  4. 4הפלט פשוט נעצר. יצירות ארוכות עלולות להגיע למגבלת אורך או להיקטע בשל פסק זמן (timeout) באמצע תגית.
איור 3ארבעה סעיפים של פלט מודל, ארבעה סוגים של כשל. כל אחד מהם לבדו הופך את הקובץ לבלתי קריא.

03

כיצד פותר זאת

אנו כותבים תוכניות מותאמות אישית המפרידות בין עיצוב לתוכן. המודל מקבל את המילים שעליו לשנות, יחד עם תמונה מרונדרת של העמוד, כך שהוא מקבל סיוע מתוכנת Word. הקוד שלנו ממקם לאחר מכן את המילים הערוכות בחזרה במקטעים המקוריים ומשאיר את שאר הקובץ ללא שינוי.

הקובץ שלך

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">השוכר ישלם </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>ביום הראשון בכל חודש</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

מפרידה בין תוכן לעיצוב

תוכן שחולץ

השוכר ישלם US$2,400 ביום הראשון בכל חודש.

עמוד מעובד

שניהם עוברים למודל

מודל שפהעורך מילים. לעולם אינו נוגע ב-XML.

המודל מחזיר תוכן ערוך

פלט המודל

השוכר ישלם US$2,400US$2,600 ביום הראשון בכל חודשביום החמישי בכל חודש.

כותבת את המילים בחזרה למקטעים המקוריים

הקובץ שלך, נערך

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">השוכר ישלם </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>ביום החמישי בכל חודש</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

✓ קובץ .docx תקף. הדגשה, צבע וקו תחת בדיוק כמו שהיו.

איור 4צינור העריכה, בגרסה מפושטת. הטקסט המודגש הוא החלק היחיד בקובץ שהשתנה.

זה פותר את שתי הבעיות בבת אחת. המודל רואה כעת את העיצוב שלא יכול היה לראות קודם לכן, והוא אינו כותב עוד את הסימון שהיה סביר ביותר שיישבר.

לא תמצאו שכבה זו בצ'אטבוט כללי. תוכניות החילוץ, הרינדור וההרכבה מנוהלות ומתוחזקות על ידי המהנדסים של .

04

פתרון בעיית ההקשר הארוך

חלק מהעריכות ארוכות: פסקאות המשתרעות על פני מספר עמודים, או שינוי יחיד המיושם בעקביות על פני מאות עמודים. עבור אלה למדנו מהנדסת תוכנה. במרץ 2026, Anthropic פרסמה בטעות את קוד המקור של Claude Code, סוכן הקידוד המבוסס על בינה מלאכותית שלה, בתוך חבילת npm ציבורית.7

עורך הקוד שדלף מלמד לקח פשוט: כדי לערוך משהו ארוך, יש לפרק אותו. אנו מחלקים מסמך לקבוצות של עמודים, טכניקה הנקראת עיבוד באצווה (batching), ומחלקים פסקאות ארוכות למשפטים, כך שכל עריכה קטנה מספיק כדי להתבצע נכון.

פירוק מסמך לגורמים יוצר בעיה חדשה: הקשר. איך עורכים פסקה בעמוד 60 תוך שימוש בהגדרה בעמוד 2? כאן, שנתיים של ניסיון בעורכי קוד מבוססי בינה מלאכותית (Cursor, GitHub Copilot, OpenAI Codex) משתלמות. התשובה שלהם היא הנדסת הקשר, המרכזת מידע קשור לאוסף ממוקד ומספקת אותו לסוכני-משנה עם חלונות הקשר נקיים.8 אנו עושים את אותו הדבר עם מסמכים. אנו מקבצים מידע הקשור מבחינה לוגית, כפי שקורא קפדני היה עושה, ואז שולחים אותו עם יעד העריכה לעורכי משנה שמבצעים את השינוי בפועל.

1עבד על המסמך באצווה

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

2פיצול פסקאות ארוכות

סעיף 18.3 · עמ' 60
משפט 1משפט 2משפט 3משפט 4משפט 5

3אסוף הקשר, ואז ערוך במקביל

מונחים מוגדריםעמ' 2–12

צדדים ותפקידיםעמ' 1

תיקונים קודמיםעמ' 34

עורך משנה 1עמ' 1–40 + אוסף

עורך משנה 2עמ' 41–80 + אוסף

עורך משנה 3עמ' 81–120 + אוסף

איור 5מסמך בן 300 עמודים, מפורק לגורמים. כל עורך משנה מקבל פיסת טקסט קטנה מן המסמך בתוספת ההקשר שעליו אותה פיסה מתבססת.

דוגמה: השחרת פסק דין

עורך דין מעוניין שהשם של כל עד בפסק דין יושחר, ושיופק עבור עורך דין מתחיל רשימה של הפסיקות המצוטטות בו לצורך מחקר.

  1. חפש. מאתרת כל שם של אדם וכל אזכור של תיק משפטי באמצעות התאמת תבניות רגילה. אין צורך במודל בשלב זה.
  2. סווג. כל שם, יחד עם המשפט שסביבו, עובר למודל שמחליט: עד, עורך דין או שופט. התשובות בונות אוסף של עדים.
  3. אסוף. אותה שיטה בונה אוסף של תיקים מצוטטים.
  4. בצע. מכיוון שאנו יודעים בדיוק היכן נמצא כל שם של עד, אנו משחירים מקומות אלה, ואותם בלבד, בקובץ המקורי.

בבית המשפט הגבוה לצדק

מחלקת קינגס בנץ'

Harrow v Kestrel Logistics Ltd

בפני: Mrs Justice Holloway

פסק דין

Mrs Justice Holloway: תביעה זו נובעת מהתמוטטות רציף טעינה במחסן הנתבע ב-14 במרץ 2024. התובע יוצג על ידי Ms Priya Raman והנתבע על ידי Mr Thomas Whitby. שמעתי עדויות בעל פה במשך ארבעה ימים.

עד הראייה המרכזי, Mr Daniel Okafor, היה מפעיל מלגזה במשמרת הלילה. Mr Okafor אמר לבית המשפט שפנסי האזהרה ברציף לא פעלו במשך מספר שבועות, ושדיווח על כך פעמיים. עדה שנייה, Ms Margaret Ellison, קבלנית שבדקה את הרציף בפברואר, אישרה שהדו"ח שלה המליץ על תיקון מיידי. מצאתי ששני העדים זהירים ומהימנים.

חובת הזהירות של מחזיק נכס כלפי מי שנמצא כדין במקום מגובה היטב בפסיקה, ואני לוקח כנקודת מוצא את עקרון השכן ב-Donoghue v Stevenson [1932] AC 562. השאלה האם זה הוגן, צודק וסביר להטיל חובה בנסיבות חדשות מוסדרת על ידי Caparo Industries plc v Dickman [1990] 2 AC 605, אך נסיבות אלו אינן חדשות. Mr Whitby טען שההפסדים הנתבעים היו רחוקים מדי. יש לבחון טענה זו אל מול Hadley v Baxendale (1854) 9 Exch 341.

לאחר ששקלתי את עדותם של Mr Okafor ושל Ms Ellison לצד המסמכים, שוכנעתי שהנתבע ידע על הפגם ונמנע מלפעול. התביעה מתקבלת לעניין האחריות. הפיצויים ייקבעו בדיון עתידי. אני מודה ל-Ms Raman ול-Mr Whitby על טענותיהם הברורות והממוקדות.

איור 6החלף תצוגות כדי לראות את התוצאה. פסק הדין והשמות בדויים; שלושת התיקים המצוטטים אמיתיים.

05

האם chatgpt.com, claude.ai ואתרי צ'אט אחרים יכולים לעשות זאת?

לפעמים, כן. אתרי אינטרנט אלה כוללים לרוב מפרש Python, המאפשר למודל לפתוח קובץ Word או PowerPoint ולערוך את ה-XML שלו באמצעות קוד.

אך הקוד עדיין נכתב על ידי מודל לא יציב, ודבר אינו בודק את התוצאה מול המקור. בבדיקות הפנימיות שלנו, קיבלנו לעיתים קרובות מסמכים עם מחיקות ועריכות בלתי צפויות. במקרה קיצוני אחד, מסמך בן 20 עמודים חזר כשהוא כולל 10 עמודים בלבד, ללא כל אזהרה.

אתר צ'אט עם Python

20 עמודים
10 עמודים

בוצע! עדכנתי את המסמך שלך עם השינויים המבוקשים.

אין איזכור ל-10 העמודים החסרים.

יומן השינויים של

  • עמ' 4 · סעיף 2.1

    שלושים (30) ימים שישים (60) ימים

    החזר למצב קודם
  • עמ' 9 · סעיף 6.3

    הספק הקבלן

    החזר למצב קודם
  • עמ' 17 · נספח 1

    US$2,400 US$2,600

    החזר למצב קודם

צור מסמך חדש

איור 7שמאל: קיטום שקט מהבדיקות הפנימיות שלנו. ימין: כל שינוי של הבינה המלאכותית ב-OneTurn מוצג וניתן לביטול.

השמטה או שינוי שקטים הם קריטיים לכל עבודה רצינית. ב-, כל שינוי שמבצע סוכן הבינה המלאכותית שלנו מתועד. באפשרותך לעיין בכל שינוי, לבטל כל אחד מהם ולהפיק מסמך חדש.

06

האם סוכני שימוש במחשב כמו OpenClaw או Manus יכולים לעשות זאת?

סוכנים אלו שולטים במחשב בדיוק כפי שאדם עושה. הם פותחים את המסמך ב-Microsoft Word או PowerPoint, ולאחר מכן גוללים, לוחצים ומקלידים.11 מכיוון שהם משתמשים באותן תוכניות כמו אדם, הם יכולים לערוך כמו אדם, והתוצאות מרשימות לעיתים קרובות.

המחיר מתבטא בעלות ובמהירות. הסוכן קורא מסמך על ידי צילומי מסך תוך כדי גלילה, וכל צעד קטן דורש קריאה למודל כדי להחליט מה לעשות הלאה. צילום מסך באיכות Full-HD עולה לבדו בין כ-1,500 ל-2,700 טוקנים.10 בבדיקת הביצועים של OSWorld, אפילו הסוכנים הטובים ביותר דרשו פי 2.7 עד 4.3 יותר צעדים מהנדרש, וצעדים מאוחרים יותר ארכו עד פי 3 יותר זמן מהצעדים הראשונים.9

סוכן שימוש במחשב

  1. צלם מסך
  2. המודל מחליט על הפעולה הבאה
  3. גלול, לחץ או הקלד
  4. חזור על הפעולה עבור כל שלב

  1. קרא את הטקסט פעם אחת
  2. ערוך בקבוצות
  3. כתוב את הקובץ
חוזה בן 20 עמודים, 30 עריכותסוכן שימוש במחשב
קריאות למודל≈ 180≈ 12
טוקנים לקריאה≈ 10,000≈ 4,000
סך כל הטוקנים≈ 1,800,000≈ 48,000
הבדלבערך פי 37 יותר, או בערך פי 100–160 עם הצעדים הנוספים שנמדדו ב-OSWorld
איור 8הנחות: כ-11,000 מילים; 60 צילומי מסך לקריאת המסמך; 4 פעולות לכל עריכה; כל קריאה כוללת צילום מסך והיסטוריה עדכנית. OneTurn קורא את הטקסט פעם אחת ושולח את העריכות בקבוצות.

לפי ההערכה שלנו, סוכן המשתמש במחשב יכול לצרוך עד פי 100 יותר טוקנים של LLM מאשר עבור אותן עריכות, ולקחת הרבה יותר זמן לסיים.

מקורות

  1. מבנה של מסמך WordprocessingMLMicrosoft Learn · תיעוד Open XML SDK
  2. ECMA-376: פורמטים של קבצי Office Open XMLEcma International · תקן
  3. אימות מסמך עיבוד תמליליםMicrosoft Learn · תיעוד Open XML SDK
  4. מודלי שפה משחיתים את המסמכים שלך כשאתה מאציל סמכויותלבן, שנאבל ונוויל · Microsoft Research · 2026
  5. LongProc: בנצ'מרקינג למודלי שפה ארוכי-הקשר על יצירה פרוצדורלית ארוכהYe ואחרים · COLM 2025
  6. אורך ההקשר לבדו פוגע בביצועי מודלי שפה גדולים למרות שליפה מושלמתדו ואחרים · ממצאי EMNLP 2025
  7. Anthropic חושפת בשוגג את קוד המקור של Claude Code באמצעות קובץ מיפוי מקור של npmInfoQ · 7 באפריל 2026
  8. הנדסת הקשר יעילה עבור סוכני בינה מלאכותיתAnthropic Engineering · 29 בספטמבר 2025
  9. OSWorld-Human: השוואת יעילות של סוכני שימוש במחשבאבהיאנקאר, צ'י וג'אנג · MLSys 2026
  10. ראייה: רזולוציה ועלות טוקניםתיעוד פלטפורמת Claude
  11. Manus של מטא משיקה אפליקציית שולחן עבודה כדי להביא את סוכן הבינה המלאכותית שלה למכשירים אישיים על רקע טירוף OpenClawCNBC · 18 במרץ 2026

האיורים נוצרו עבור מאמר זה. קובץ ה-XML הוא WordprocessingML אמיתי; שמות הקבצים, האנשים ופסק הדין בדויים.

נסה את זה על מסמך שאינך יכול להרשות לעצמך שיישבר.

התנסו ב- בחינם →