Za edytorem

Dlaczego radzi sobie tak dobrze z edycją dokumentów?

Model językowy potrafi napisać dobre zdanie, ale umieszczenie go z powrotem wraz z formatowaniem to zupełnie inne zadanie. Wyjaśniamy, dlaczego edycja dokumentów przez sztuczną inteligencję była trudna i co stworzyliśmy, aby to naprawić.

Czas czytania: 9 min3 października 2026

Przegląd

Poproś chatbota o poprawienie klauzuli w pliku programu Word, a prosisz go o wykonanie dwóch zadań jednocześnie: zmianę słów oraz przepisanie formatu pliku, w którym się znajdują. Modele językowe radzą sobie dobrze z pierwszym zadaniem, a nieskutecznie z drugim.

zdejmuje z modelu drugie zadanie. W tym artykule wyjaśniono, dlaczego ma to znaczenie, jak to działa w przypadku długich dokumentów oraz jak wypada w porównaniu z witrynami czatu i agentami korzystającymi z komputera.

  1. 01Model językowy czyta dokument jako znaczniki, a nie jako stronę.
  2. 02Jeden błędny znak może uczynić plik nieczytelnym, a długie dane wyjściowe sprawiają, że błędne znaki są bardziej prawdopodobne.
  3. 03 oddziela treść od formatowania: model edytuje słowa, nasz kod zapisuje plik.
  4. 04Długie dokumenty są dzielone na partie, rozdzielane i opatrywane kontekstem, tak jak robią to nowocześni agenci programistyczni.
  5. 05Witryny czatu mogą edytować pliki za pomocą języka Python, ale zmiany mogą znikać niezauważenie.
  6. 06Agenci korzystający z komputera edytują jak człowiek, za wielokrotnie wyższą cenę.

01

LLM widzi tylko tekst, a nie formatowanie

Otwórz umowę w programie Word, a zobaczysz stronę: nagłówek w stylu firmy, pogrubioną kwotę, podkreślony termin. Program Word tworzy to formatowanie, abyśmy mogli edytować wizualnie. Pod spodem plik programu Word (.docx) jest złożonym systemem XML, w którym każde widoczne słowo jest żmudnie opatrzone ukrytymi słowami zwanymi znacznikami (markup).12

To, co widzisz

Co widzi model

<w:p>  <w:pPr><w:pStyle w:val="Heading2"/></w:pPr>  <w:r><w:t>4. Czynsz</w:t></w:r></w:p><w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Najemca zapłaci kwotę </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 terminie do </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>pierwszego dnia każdego miesiąca</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Rysunek 1Ta sama klauzula dwukrotnie. Słowa zajmują 87 znaków; otaczający je XML zajmuje 476. Fragment pliku word/document.xml.

Duży model językowy (LLM) nie otrzymuje pomocy od programów Microsoft Word, LibreOffice czy Pages i musi polegać na własnym zrozumieniu znaczników. Aby edytować poprawnie, model LLM musi zrozumieć efekt oryginalnego znacznika i napisać nowe zdanie w poprawnym znaczniku.

02

Dane wyjściowe LLM są z natury niestabilne

Modele mogły się znacznie poprawić, ale nawet te najnowsze nadal popełniają błędy. W badaniu Microsoft Research z 2026 roku obejmującym 19 modeli w 52 dziedzinach zawodowych, wiodące modele, takie jak Gemini 3.1 Pro, Claude 4.6 Opus i GPT 5.4, uszkodziły średnio 25% treści dokumentów pod koniec długich procesów edycyjnych.4

W pliku programu Word jeden mały błąd wystarczy, aby plik przestał nadawać się do użytku. Tutaj model pominął pojedynczy ukośnik:

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Najemca zapłaci kwotę </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 terminie do </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>pierwszego dnia każdego miesiąca</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Rysunek 2Jeden brakujący ukośnik pozostawia znacznik pogrubienia otwarty. Kod XML przestaje być poprawny strukturalnie, a program Word nie otworzy pliku normalnie.3

XML nie toleruje błędnych znaczników. Plik jest albo poprawnie sformułowany, albo nie. Program Word może czasami odzyskać uszkodzony plik, ale w odzyskanej kopii może brakować tekstu lub formatowania.

Dłuższy tekst wyjściowy, więcej błędów

Ryzyko rośnie wraz z długością. LongProc, benchmark długich ustrukturyzowanych danych wyjściowych z 2025 roku, wykazał, że modele o otwartych wagach zawodzą przy 2000 tokenów wyjściowych, a GPT-4o ulega znacznej degradacji przy 8000.5 Inne badanie wykazało, że wydajność spada od 13,9% do 85% wraz ze wzrostem danych wejściowych, nawet gdy model jest w stanie odzyskać każdy istotny fakt.6 10-stronicowy dokument programu Word liczy około 10 000 tokenów, a próba edycji wszystkich 10 stron naraz bez błędów to zadanie niemal niemożliwe do wykonania.

<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 reprezentuje Wynajmującego we wszystkich sprawach wynikających z niniejszej Umowy najmu.</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"> Najemca utrzymuje Lokal w dobrym i należytym stanie technicznym.</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"> Wszelkie powiadomienia muszą zostać sporządzone na piśmie i doręczone na adres wskazany w Załączniku 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"> Wynajmujący może rozwiązać niniejszą umowę 4
  1. 1Samodzielny znak ampersand w tekście. Język XML wymaga jego escapowania w postaci encji.
  2. 2Brakujący cudzysłów zamykający. Wszystko, co znajduje się po nim, jest traktowane jako część wartości.
  3. 3Przebieg, który nigdy nie zostaje zamknięty przed zakończeniem akapitu.
  4. 4Dane wyjściowe po prostu się zatrzymują. Długie generacje mogą osiągnąć limit długości lub przekroczyć limit czasu w środku tagu.
Rysunek 3Cztery klauzule wygenerowane przez model, cztery rodzaje błędów. Każda z nich osobno sprawia, że plik staje się nieczytelny.

03

Jak to rozwiązuje

Piszemy niestandardowe programy, które oddzielają formatowanie od treści. Model otrzymuje słowa, które musi zmienić, wraz z wyrenderowanym obrazem strony, dzięki czemu uzyskuje pomoc z programu Word. Nasz kod umieszcza następnie edytowane słowa z powrotem w oryginalnych ciągach i pozostawia resztę pliku nienaruszoną.

Twój plik

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Najemca zapłaci kwotę </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 terminie do </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>pierwszego dnia każdego miesiąca</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

oddziela treść od formatowania

Wyodrębniona treść

Najemca zapłaci kwotę US$2,400 w terminie do pierwszego dnia każdego miesiąca.

Wyrenderowana strona

Oba trafiają do modelu

Model językowyEdytuje słowa. Nigdy nie dotyka XML.

Model zwraca edytowaną treść

Wynik działania modelu

Najemca zapłaci kwotę US$2,400US$2,600 w terminie do pierwszego dnia każdego miesiącapiątego dnia każdego miesiąca.

zapisuje słowa z powrotem w oryginalnych ciągach

Twój plik po edycji

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Najemca zapłaci kwotę </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 terminie do </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>piątego dnia każdego miesiąca</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

✓ Prawidłowy plik .docx. Pogrubienie, kolor i podkreślenie pozostały bez zmian.

Rysunek 4Uproszczony potok edycji. Wyróżniony tekst to jedyna część pliku, która uległa zmianie.

To rozwiązuje oba problemy naraz. Model widzi teraz formatowanie, którego wcześniej nie widział, i nie pisze już znaczników, które najprawdopodobniej by zepsuł.

Nie znajdziesz tej warstwy w ogólnodostępnym chatbotie. Programy do ekstrakcji, renderowania i ponownego składania są tworzone i utrzymywane przez własnych inżynierów .

04

Rozwiązywanie problemu długiego kontekstu

Niektóre edycje są długie: akapit rozciągający się na kilka stron lub jedna zmiana wprowadzana konsekwentnie w setkach miejsc. W tych przypadkach czerpaliśmy nauki z inżynierii oprogramowania. W marcu 2026 roku Anthropic przypadkowo opublikował kod źródłowy Claude Code, swojego agenta kodującego AI, w publicznym pakiecie npm.7

Ten wyciekły edytor kodu uczy prostej lekcji: aby edytować coś długiego, należy to podzielić na mniejsze części. Dzielimy dokument na grupy stron (technika zwana wsadowaniem) oraz dzielimy długie akapity na zdania, dzięki czemu każda edycja jest na tyle mała, że można ją wykonać poprawnie.

Podział dokumentu na części tworzy nowy problem: kontekst. Jak edytować akapit na stronie 60, korzystając z definicji ze strony 2? W tym miejscu dwa lata doświadczenia z edytorami kodu AI (Cursor, GitHub Copilot, OpenAI Codex) przynoszą efekt. Ich odpowiedzią jest inżynieria kontekstu, która gromadzi powiązane informacje w skupiony zestaw i przekazuje go podagentom z czystymi oknami kontekstu.8 Robimy to samo z dokumentami. Grupujemy logicznie powiązane informacje, jak zrobiłby to uważny czytelnik, a następnie przesyłamy je wraz z celem edycji do młodszych redaktorów, którzy wprowadzają rzeczywiste zmiany.

1Przetwórz dokument wsadowo

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

2Podziel długie akapity

Klauzula 18.3 · str. 60
Zdanie 1Zdanie 2Zdanie 3Zdanie 4Zdanie 5

3Zgromadź kontekst, a następnie edytuj równolegle

Definiowane pojęciass. 2–12

Strony i roles. 1

Wcześniejsze zmianys. 34

Młodszy redaktor 1ss. 1–40 + zestaw

Młodszy redaktor 2ss. 41–80 + zestaw

Młodszy redaktor 3ss. 81–120 + zestaw

Rysunek 5300-stronicowy dokument w rozbiciu. Każdy młodszy redaktor dostaje mały fragment dokumentu wraz z kontekstem, od którego ten fragment zależy.

Przykład: zaczernienie danych w wyroku

Prawnik chce, aby każde nazwisko świadka w wyroku zostało zaczernione, oraz pragnie otrzymać listę cytowanych w nim spraw do zbadania przez młodszego prawnika.

  1. Szukaj. znajduje każde imię i nazwisko oraz każde powołanie na orzeczenie za pomocą zwykłego dopasowywania wzorców. Żaden model nie jest jeszcze potrzebny.
  2. Sklasyfikuj. Każde imię i nazwisko wraz z otaczającym je zdaniem trafia do modelu, który decyduje: świadek, prawnik czy sędzia. Odpowiedzi tworzą zbiór świadków.
  3. Zbierz. Ta sama metoda buduje zbiór przytoczonych spraw.
  4. Działaj. Ponieważ wiemy dokładnie, gdzie znaleziono nazwisko każdego świadka, zaczerniamy te miejsca, i tylko te, w oryginalnym pliku.

WYSOKI SĄD SPRAWIEDLIWOŚCI

WYDZIAŁ ŁAWY KRÓLEWSKIEJ

Harrow v Kestrel Logistics Ltd

Przed: Mrs Justice Holloway

WYROK

Mrs Justice Holloway: Roszczenie to wynika z zawalenia się rampy przeładunkowej w magazynie Pozwanego w dniu 14 marca 2024 r. Powód był reprezentowany przez Ms Priya Raman, a Pozwany przez Mr Thomas Whitby. Dowody z zeznań świadków przeprowadziłem w ciągu czterech dni.

Główny naoczny świadek, Mr Daniel Okafor, był operatorem wózków widłowych na nocnej zmianie. Mr Okafor zeznał przed sądem, że światła ostrzegawcze na rampie były niesprawne od kilku tygodni i że zgłaszał to dwukrotnie. Drugi świadek, Ms Margaret Ellison, wykonawca, który przeprowadził inspekcję rampy w lutym, potwierdził, że w jej raporcie zalecono natychmiastową naprawę. Obu świadków uznałem za sumiennych i wiarygodnych.

Obowiązek ostrożności ciążący na posiadaczu względem osób przebywających na jego terenie legalnie jest dobrze ugruntowany, a za punkt wyjścia przyjmuję zasadę sąsiedztwa w Donoghue v Stevenson [1932] AC 562. Kwestia tego, czy w nowych okolicznościach sprawiedliwe, słuszne i uzasadnione jest nałożenie takiego obowiązku, regulowana jest przez Caparo Industries plc v Dickman [1990] 2 AC 605, jednak okoliczności te nie są nowe. Mr Whitby argumentował, że dochodzone straty były zbyt odległe. Argument ten należy zweryfikować w oparciu o Hadley v Baxendale (1854) 9 Exch 341.

Po rozpatrzeniu zeznań Mr Okafor i Ms Ellison wraz z dokumentami stwierdzam z przekonaniem, że Pozwany wiedział o wadzie i nie podjął działań. Powództwo jest zasadne co do zasady. Wysokość odszkodowania zostanie ustalona na kolejnym posiedzeniu. Dziękuję Ms Raman i Mr Whitby za ich jasne i ukierunkowane wystąpienia.

Rysunek 6Przełącz widoki, aby zobaczyć wynik. Wyrok i nazwiska są fikcyjne; trzy przytoczone sprawy są prawdziwe.

05

Czy chatgpt.com, claude.ai i inne witryny czatu mogą zrobić to samo?

Czasami tak. Te strony internetowe często zawierają interpreter języka Python, który pozwala modelowi otworzyć plik Worda lub PowerPointa i edytować jego kod XML za pomocą kodu.

Kod jest jednak nadal pisany przez niestabilny model, a wynik nie jest w żaden sposób weryfikowany z oryginałem. W naszych testach wewnętrznych często otrzymywaliśmy dokumenty z nieoczekiwanymi usunięciami i edycjami. W jednym skrajnym przypadku 20-stronicowy dokument wrócił jako 10-stronicowy, bez żadnego ostrzeżenia.

Witryna czatu z językiem Python

strony: 20
strony: 10

Gotowe! Zaktualizowałem Twój dokument zgodnie z prośbą.

Brak wzmianki o 10 brakujących stronach.

Rejestr zmian

  • s. 4 · Klauzula 2.1

    trzydzieści (30) dni sześćdziesiąt (60) dni

    Cofnij
  • s. 9 · Klauzula 6.3

    Dostawca Wykonawca

    Cofnij
  • s. 17 · Załącznik 1

    US$2,400 US$2,600

    Cofnij

Wygeneruj nowy dokument

Rysunek 7Po lewej: ciche ucięcie z naszych wewnętrznych testów. Po prawej: każda zmiana wprowadzona przez sztuczną inteligencję w serwisie OneTurn jest wymieniona i można ją cofnąć.

Milczące pominięcie lub modyfikacja są niedopuszczalne przy jakiejkolwiek poważnej pracy. W serwisie każda zmiana wprowadzana przez naszego agenta AI jest rejestrowana. Możesz przejrzeć każdą z nich, cofnąć dowolną zmianę i wygenerować nowy dokument.

06

Czy agenci korzystający z komputera, tacy jak OpenClaw lub Manus, potrafią to zrobić?

Ci agenci sterują komputerem w taki sam sposób, jak robi to człowiek. Otwierają dokument w programie Microsoft Word lub PowerPoint, a następnie przewijają, klikają i piszą.11 Ponieważ używają tych samych programów co człowiek, potrafią edytować jak człowiek, a rezultaty są często imponujące.

Cena to koszt i szybkość. Agent czyta dokument, robiąc zrzuty ekranu podczas przewijania, a każdy mały krok wymaga wywołania modelu, aby zdecydować, co zrobić dalej. Sam zrzut ekranu w rozdzielczości Full HD kosztuje od około 1500 do 2700 tokenów.10 W benchmarku OSWorld nawet najlepsi agenci wykonywali od 2,7 do 4,3 raza więcej kroków, niż było to konieczne, a późniejsze kroki trwały do 3 razy dłużej niż początkowe.9

Agent korzystający z komputera

  1. Zrób zrzut ekranu
  2. Model decyduje o kolejnej akcji
  3. Przewiń, kliknij lub wpisz
  4. Powtórz dla każdego kroku

  1. Przeczytaj tekst raz
  2. Edytuj w partiach
  3. Zapisz plik
20-stronicowa umowa, 30 edycjiAgent korzystający z komputera
Wywołania modelu≈ 180≈ 12
Tokeny na wywołanie≈ 10,000≈ 4,000
Łączna liczba tokenów≈ 1,800,000≈ 48,000
Różnicaok. 37× więcej lub ok. 100–160× z dodatkowymi krokami mierzonymi w OSWorld
Rysunek 8Założenia: około 11 000 słów; 60 zrzutów ekranu do przeczytania dokumentu; 4 działania na edycję; każde wywołanie zawiera zrzut ekranu oraz niedawną historię. OneTurn czyta tekst raz i wysyła edycje partiami.

Według naszych szacunków agent korzystający z komputera może zużyć do 100 razy więcej tokenów LLM niż przy tych samych edycjach i zająć znacznie więcej czasu na ukończenie zadania.

Źródła

  1. Struktura dokumentu WordprocessingMLMicrosoft Learn · Dokumentacja zestawu Open XML SDK
  2. ECMA-376: formaty plików Office Open XMLEcma International · norma
  3. Zweryfikuj dokument edytora tekstuMicrosoft Learn · Dokumentacja zestawu Open XML SDK
  4. Modele LLM niszczą Twoje dokumenty, gdy zlecasz im zadaniaLaban, Schnabel i Neville · Microsoft Research · 2026
  5. LongProc: Testowanie modeli językowych o dużym kontekście w zadaniach długiej generacji proceduralnejYe i in. · COLM 2025
  6. Sama długość kontekstu pogarsza wydajność modeli LLM pomimo idealnego wyszukiwaniaDu i in. · Findings of EMNLP 2025
  7. Anthropic przypadkowo ujawnia kod źródłowy Claude Code poprzez plik mapy źródłowej npmInfoQ · 7 kwietnia 2026
  8. Efektywna inżynieria kontekstu dla agentów AIInżynieria Anthropic · 29 września 2025
  9. OSWorld-Human: Testowanie wydajności agentów korzystających z komputeraAbhyankar, Qi i Zhang · MLSys 2026
  10. Rozpoznawanie obrazów: rozdzielczość i koszt tokenówDokumentacja platformy Claude
  11. Meta uruchamia aplikację komputerową Manus, aby przenieść swojego agenta AI na urządzenia osobiste w środku szaleństwa wokół OpenClawCNBC · 18 marca 2026

Rysunki to ilustracje wykonane na potrzeby tego artykułu. Kod XML pochodzi z rzeczywistego pliku WordprocessingML; nazwy plików, osoby i wyrok są fikcyjne.

Wypróbuj to na dokumencie, którego nie możesz sobie pozwolić zepsuć.

Wypróbuj za darmo →