เบื้องหลังโปรแกรมแก้ไข

เหตุใด จึงเก่งในการแก้ไขเอกสาร

โมเดลภาษาอาจเขียนประโยคออกมาได้ดี แต่การนำมันกลับเข้าไปพร้อมกับการจัดรูปแบบนั้นเป็นอีกงานหนึ่ง เราจะอธิบายว่าเหตุใดจึงเป็นเรื่องยากที่จะทำให้ AI แก้ไขเอกสาร และสิ่งที่เราสร้างขึ้นมาเพื่อแก้ไขปัญหานี้

อ่าน 9 นาที3 ตุลาคม 2569

ภาพรวม

ขอให้แชทบอทช่วยแก้ข้อความในไฟล์ Word เท่ากับคุณกำลังสั่งให้มันทำงานสองอย่างพร้อมกัน นั่นคือ เปลี่ยนคำ และเขียนรูปแบบไฟล์ที่จัดเก็บคำเหล่านั้นใหม่ โมเดลภาษาเก่งงานแรกแต่ไม่ค่อยน่าไว้วางใจในงานที่สอง

รับงานอย่างที่สองไปจากโมเดล บทความนี้อธิบายว่าเหตุใดจึงสำคัญ ทำงานอย่างไรกับเอกสารขนาดยาว และเปรียบเทียบอย่างไรกับเว็บไซต์แชทและเอเจนต์ที่ใช้งานคอมพิวเตอร์

  1. 01โมเดลภาษาอ่านเอกสารเป็นมาร์กอัป ไม่ใช่ในฐานะหน้ากระดาษ
  2. 02ตัวอักษรที่ผิดพลาดเพียงตัวเดียวอาจทำให้ไฟล์อ่านไม่ออก และผลลัพธ์ที่ยาวทำให้มีโอกาสเกิดตัวอักษรที่ผิดพลาดได้สูง
  3. 03 แยกเนื้อหาออกจากรูปแบบ: โมเดลทำหน้าที่แก้ไขคำ ส่วนโค้ดของเราทำหน้าที่เขียนไฟล์
  4. 04เอกสารขนาดยาวจะถูกแบ่งเป็นชุด แยกส่วน และใส่บริบทให้ เช่นเดียวกับที่เอเจนต์การเขียนโค้ดสมัยใหม่ทำ
  5. 05เว็บไซต์แชทสามารถแก้ไขไฟล์ด้วย Python ได้ แต่การเปลี่ยนแปลงอาจหายไปโดยไม่มีการแจ้งเตือน
  6. 06เอเจนต์สำหรับใช้งานคอมพิวเตอร์แก้ไขงานเหมือนมนุษย์ แต่มีต้นทุนสูงกว่าหลายเท่า

01

LLM มองเห็นเฉพาะข้อความ ไม่ใช่การจัดรูปแบบ

เปิดสัญญาใน Word แล้วคุณจะเห็นหน้าตา: หัวข้อที่เป็นสไตล์ขององค์กร จำนวนเงินที่เป็นตัวหนา วันครบกำหนดขีดเส้นใต้ โปรแกรม Word สร้างการจัดรูปแบบเหล่านี้ขึ้น เพื่อให้เราสามารถแก้ไขได้ด้วยตา ภายใต้ไฟล์ Word (.docx) คือระบบ XML ที่ซับซ้อน ซึ่งทุกคำที่เราเห็นได้รับการกำกับไว้อย่างน่าปวดหัวด้วยคำที่ซ่อนอยู่ซึ่งรู้จักกันในชื่อมาร์กอัป12

สิ่งที่คุณเห็น

สิ่งที่โมเดลมองเห็น

<w:p>  <w:pPr><w:pStyle w:val="Heading2"/></w:pPr>  <w:r><w:t>4. ค่าเช่า</w:t></w:r></w:p><w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">ผู้เช่าจะต้องชำระเงินจำนวน </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"> ใน</w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>วันที่ 1 ของแต่ละเดือน</w:t></w:r></w:p>
รูปที่ 1ข้อสัญญาเดียวกันสองครั้ง คำเหล่านี้ใช้ 70 อักขระ ส่วน XML รอบๆ ใช้ 434 ส่วนตัดตอนจาก word/document.xml

LLM ไม่ได้รับความช่วยเหลือจาก Microsoft Word, LibreOffice หรือ Pages และต้องพึ่งพาความเข้าใจในมาร์กอัปของตนเอง เพื่อทำการแก้ไขได้อย่างถูกต้อง LLM จำเป็นต้องเข้าใจผลลัพธ์ของมาร์กอัปต้นฉบับและเขียนประโยคใหม่ด้วยมาร์กอัปที่ถูกต้อง

02

ผลลัพธ์จาก LLM มีความไม่เสถียรโดยธรรมชาติ

โมเดลอาจได้รับการพัฒนาขึ้นอย่างมาก แต่แม้แต่รุ่นล่าสุดก็ยังคงทำผิดพลาด ในการศึกษาโดย Microsoft Research ปี 2026 ซึ่งครอบคลุมโมเดล 19 ตัวใน 52 โดเมนวิชาชีพ โมเดลระดับแนวหน้า เช่น Gemini 3.1 Pro, Claude 4.6 Opus และ GPT 5.4 ได้สร้างความเสียหายให้กับเนื้อหาเอกสารเฉลี่ย 25% เมื่อสิ้นสุดกระบวนการแก้ไขเอกสารขนาดยาว4

ในไฟล์ Word ข้อผิดพลาดเพียงเล็กน้อยก็เพียงพอที่จะทำให้ไฟล์ใช้งานไม่ได้ ในที่นี้ โมเดลได้ละเว้นเครื่องหมายทับตัวเดียว:

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">ผู้เช่าจะต้องชำระเงินจำนวน </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"> ใน</w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>วันที่ 1 ของแต่ละเดือน</w:t></w:r></w:p>
รูปที่ 2เครื่องหมายทับที่หายไปหนึ่งตัวทำให้แท็กตัวหนาเปิดค้างไว้ XML ไม่ได้รูปแบบที่ถูกต้องอีกต่อไป และ Word จะไม่เปิดไฟล์ตามปกติ3

XML ไม่ยอมรับมาร์กอัปที่ผิดพลาด ไฟล์จะสมบูรณ์ตามหลักไวยากรณ์หรือไม่ก็ไม่สมบูรณ์เลย บางครั้ง Word สามารถกู้คืนไฟล์ที่เสียหายได้ แต่อาจมีข้อความหรือการจัดรูปแบบที่ขาดหายไปในสำเนาที่กู้คืนมา

ผลลัพธ์ยิ่งยาว ยิ่งผิดพลาดมาก

ความเสี่ยงเพิ่มขึ้นตามความยาว LongProc ซึ่งเป็นเกณฑ์มาตรฐานในปี 2025 สำหรับเอาต์พุตที่มีโครงสร้างยาว พบว่าโมเดลแบบ open-weight เริ่มสะดุดที่เอาต์พุต 2,000 โทเค็น และ GPT-4o มีประสิทธิภาพลดลงอย่างมากที่ 8,000 โทเค็น5 การศึกษาอีกชิ้นหนึ่งพบว่าประสิทธิภาพลดลง 13.9% ถึง 85% เมื่ออินพุตมีขนาดใหญ่ขึ้น แม้ว่าโมเดลจะสามารถดึงข้อมูลข้อเท็จจริงที่เกี่ยวข้องทั้งหมดออกมาได้ก็ตาม6 เอกสาร Word ความยาว 10 หน้า มีขนาดประมาณ 10,000 โทเค็น การพยายามแก้ไขทั้ง 10 หน้าพร้อมกันโดยไม่ให้เกิดข้อผิดพลาดถือเป็นเรื่องที่แทบเป็นไปไม่ได้เลย

<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 เป็นตัวแทนของผู้ให้เช่าในทุกเรื่องที่เกิดขึ้นภายใต้สัญญาเช่านี้</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"> ผู้เช่าจะต้องดูแลรักษาทรัพย์สินที่เช่าให้อยู่ในสภาพที่ดีและมั่นคงแข็งแรงอยู่เสมอ</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"> การแจ้งใดๆ ต้องทำเป็นหนังสือและส่งไปยังที่อยู่ที่ระบุไว้ในภาคผนวก 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"> ผู้ให้เช่าอาจบอกเลิกสัญญาเช่าฉบับ4
  1. 1เครื่องหมายแอมเพอร์แซนด์ (&) เปล่าๆ ในข้อความ XML กำหนดให้ต้องแปลงเป็นเอนทิตี
  2. 2เครื่องหมายคำพูดปิดที่หายไป ทุกอย่างหลังจากนั้นจะถูกอ่านว่าเป็นส่วนหนึ่งของค่า
  3. 3ช่วงข้อความ (run) ที่ไม่เคยถูกปิดก่อนที่ย่อหน้าจะสิ้นสุด
  4. 4เอาต์พุตหยุดลงกลางคัน การสร้างข้อความยาวๆ อาจถึงขีดจำกัดความยาวหรือหมดเวลาในระหว่างแท็ก
รูปที่ 3ผลลัพธ์ของโมเดลสี่ข้อ ความล้มเหลวสี่รูปแบบ แต่ละข้อเพียงอย่างเดียวก็ทำให้ไฟล์อ่านไม่ได้

03

วิธีที่ แก้ไขปัญหานี้

เราเขียนโปรแกรมเฉพาะกิจที่แยกการจัดรูปแบบออกจากเนื้อหา โมเดลจะได้รับคำที่ต้องเปลี่ยนพร้อมกับภาพหน้าที่เรนเดอร์แล้ว จึงได้รับความช่วยเหลือจากโปรแกรม Word จากนั้นโค้ดของเราจะนำคำที่แก้ไขแล้วกลับเข้าสู่ช่วงข้อความ (run) เดิมและปล่อยส่วนที่เหลือของไฟล์ไว้ตามเดิม

ไฟล์ของคุณ

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">ผู้เช่าจะต้องชำระเงินจำนวน </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"> ใน</w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>วันที่ 1 ของแต่ละเดือน</w:t></w:r></w:p>

แยกเนื้อหาออกจากรูปแบบ

เนื้อหาที่ดึงออกมา

ผู้เช่าจะต้องชำระเงินจำนวน US$2,400 ในวันที่ 1 ของแต่ละเดือน

หน้าที่เรนเดอร์แล้ว

ทั้งสองส่งไปยังโมเดล

โมเดลภาษาแก้ไขคำและไม่เคยแตะต้อง XML

โมเดลส่งคืนเนื้อหาที่แก้ไขแล้ว

ผลลัพธ์จากโมเดล

ผู้เช่าจะต้องชำระเงินจำนวน US$2,400US$2,600 ในวันที่ 1 ของแต่ละเดือนวันที่ 5 ของแต่ละเดือน

เขียนคำกลับเข้าไปในช่วงข้อความ (run) เดิม

ไฟล์ของคุณที่แก้ไขแล้ว

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">ผู้เช่าจะต้องชำระเงินจำนวน </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"> ใน</w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>วันที่ 5 ของแต่ละเดือน</w:t></w:r></w:p>

✓ ไฟล์ .docx ที่ถูกต้อง ตัวหนา สี และขีดเส้นใต้ยังคงเหมือนเดิมทุกประการ

รูปที่ 4กระบวนการแก้ไขแบบย่อ ข้อความที่ไฮไลต์คือส่วนเดียวของไฟล์ที่มีการเปลี่ยนแปลง

วิธีนี้ช่วยแก้ปัญหาทั้งสองข้อได้พร้อมกัน ตอนนี้โมเดลจะมองเห็นการจัดรูปแบบที่ก่อนหน้านี้มองไม่เห็น และจะไม่เขียนมาร์กอัปที่มักจะทำให้เกิดข้อผิดพลาดอีกต่อไป

คุณจะไม่พบเลเยอร์นี้ในแชทบอตอเนกประสงค์ โปรแกรมการดึงข้อมูล การเรนเดอร์ และการประกอบใหม่ถูกสร้างและดูแลรักษาโดยวิศวกรของ เอง

04

การแก้ปัญหาบริบทขนาดยาว

การแก้ไขบางอย่างมีความยาว: ย่อหน้าเดียวที่ยาวข้ามหลายหน้า หรือการเปลี่ยนแปลงเดียวที่ต้องใช้อย่างสม่ำเสมอตลอดหลายร้อยหน้า สำหรับกรณีเหล่านี้ เราเรียนรู้จากวิศวกรรมซอฟต์แวร์ ในเดือนมีนาคม 2026 Anthropic เผยแพร่ซอร์สโค้ดของ Claude Code ซึ่งเป็นเอเจนต์ AI สำหรับเขียนโค้ดของตนโดยไม่ได้ตั้งใจ ภายในแพ็กเกจ npm สาธารณะ7

โปรแกรมแก้ไขโค้ดที่รั่วไหลออกมานั้นสอนบทเรียนที่เรียบง่าย: หากต้องการแก้ไขอะไรที่ยาว ให้แบ่งย่อยมัน เราแบ่งเอกสารออกเป็นกลุ่มหน้า ซึ่งเป็นเทคนิคที่เรียกว่าการประมวลผลเป็นชุด และแบ่งย่อหน้าที่ยาวออกเป็นประโยค เพื่อให้การแก้ไขแต่ละครั้งมีขนาดเล็กพอที่จะทำได้อย่างถูกต้อง

การแบ่งเอกสารออกจากกันสร้างปัญหาใหม่ขึ้นมา นั่นคือ บริบท จะแก้ไขย่อหน้าในหน้า 60 โดยอาศัยคำนิยามในหน้า 2 ได้อย่างไร จุดนี้เองที่ประสบการณ์สองปีจากโปรแกรมแก้ไขโค้ด AI (Cursor, GitHub Copilot, OpenAI Codex) ให้ผล คำตอบของพวกเขาคือวิศวกรรมบริบท (context engineering) ซึ่งรวบรวมข้อมูลที่เกี่ยวข้องไว้เป็นชุดที่โฟกัส แล้วส่งให้เอเจนต์ย่อย (sub-agents) ที่มีหน้าต่างบริบทที่สะอาด8 เราทำเช่นเดียวกันกับเอกสาร เราจัดกลุ่มข้อมูลที่เกี่ยวข้องกันตามหลักตรรกะ เช่นเดียวกับที่ผู้อ่านที่รอบคอบทำ จากนั้นจึงส่งข้อมูลนั้นพร้อมกับเป้าหมายการแก้ไขไปยังบรรณาธิการย่อยเพื่อทำการเปลี่ยนแปลงจริง

1จัดกลุ่มเอกสารเป็นชุด

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

2แบ่งย่อหน้าที่ยาว

ข้อ 18.3 · หน้า 60
ประโยค 1ประโยค 2ประโยค 3ประโยค 4ประโยค 5

3รวบรวมบริบท แล้วแก้ไขแบบคู่ขนาน

คำศัพท์ที่กำหนดน. 2–12

คู่สัญญาและบทบาทหน้า 1

การแก้ไขก่อนหน้านี้น. 34

บรรณาธิการย่อย 1น. 1–40 + ชุดรวม

บรรณาธิการย่อย 2น. 41–80 + ชุดรวม

บรรณาธิการย่อย 3น. 81–120 + ชุดรวม

รูปที่ 5เอกสาร 300 หน้าที่แบ่งย่อยออกเป็นส่วนๆ บรรณาธิการย่อยแต่ละคนจะได้รับส่วนเล็กๆ ของเอกสารพร้อมกับบริบทที่ส่วนนั้นต้องพึ่งพา

ตัวอย่าง: การเซ็นเซอร์คำพิพากษา

ทนายความต้องการให้มีการเซ็นเซอร์ชื่อพยานทุกชื่อในคำพิพากษา และจัดทำรายการคดีที่อ้างถึงเพื่อให้ทนายความรุ่นน้องไปค้นคว้าต่อ

  1. ค้นหา ค้นหาชื่อบุคคลและคำอ้างอิงคดีทุกรายการด้วยการจับคู่แพทเทิร์นทั่วไป โดยยังไม่ต้องใช้โมเดล
  2. จำแนกประเภท แต่ละชื่อพร้อมกับประโยคแวดล้อม จะถูกส่งไปยังโมเดลเพื่อตัดสินว่าเป็นพยาน ทนายความ หรือผู้พิพากษา คำตอบเหล่านี้จะสร้างชุดข้อมูลของพยาน
  3. รวบรวม วิธีเดียวกันนี้สร้างชุดของคดีที่อ้างอิง
  4. ดำเนินการ เนื่องจากเรารู้แน่ชัดว่าพบชื่อพยานแต่ละคนอยู่ที่ใด เราจึงเซ็นเซอร์เฉพาะจุดเหล่านั้นในไฟล์ต้นฉบับ โดยไม่กระทบส่วนอื่น

ณ ศาลสูง

แผนกคิงส์เบนช์

Harrow v Kestrel Logistics Ltd

ก่อนหน้า: Mrs Justice Holloway

คำพิพากษา

Mrs Justice Holloway: ข้อเรียกร้องนี้เกิดขึ้นจากการพังทลายของชานชาลาขนถ่ายสินค้าที่คลังสินค้าของจำเลยเมื่อวันที่ 14 มีนาคม 2024 โจทก์มี Ms Priya Raman เป็นผู้แทน และจำเลยมี Mr Thomas Whitby เป็นผู้แทน ข้าพเจ้าได้ฟังพยานบุคคลเป็นเวลาสี่วัน

พยานบุคคลผู้เห็นเหตุการณ์หลัก Mr Daniel Okafor เป็นพนักงานขับรถยกในกะดึก Mr Okafor ให้การต่อศาลว่าไฟเตือนที่ชานชาลาขนถ่ายสินค้าชำรุดมาหลายสัปดาห์แล้ว และเขาได้รายงานเรื่องนี้สองครั้ง พยานปากที่สอง Ms Margaret Ellison ผู้รับเหมาที่ตรวจชานชาลาดังกล่าวในเดือนกุมภาพันธ์ ยืนยันว่ารายงานของเธอแนะนำให้ซ่อมแซมโดยเร็ว ข้าพเจ้าเห็นว่าพยานทั้งสองปากให้การอย่างรอบคอบและน่าเชื่อถือ

หน้าที่ในการใช้ความระมัดระวังของผู้ครอบครองสถานที่ต่อผู้ที่เข้ามาในสถานที่นั้นโดยชอบด้วยกฎหมายเป็นหลักที่ยอมรับกันมานาน และข้าพเจ้าถือหลักเพื่อนบ้านใน Donoghue v Stevenson [1932] AC 562 เป็นจุดเริ่มต้น การพิจารณาว่าการกำหนดหน้าที่ในพฤติการณ์ใหม่นั้นเป็นธรรม ยุติธรรม และสมเหตุสมผลหรือไม่ อยู่ภายใต้หลักใน Caparo Industries plc v Dickman [1990] 2 AC 605 แต่พฤติการณ์เหล่านี้ไม่ใช่พฤติการณ์ใหม่ Mr Whitby แถลงว่าความเสียหายที่เรียกร้องนั้นไกลเกินกว่าเหตุ ข้อแถลงนั้นต้องได้รับการตรวจสอบเทียบกับ Hadley v Baxendale (1854) 9 Exch 341

หลังจากพิจารณาพยานหลักฐานของ Mr Okafor และ Ms Ellison ประกอบกับเอกสารต่างๆ แล้ว ข้าพเจ้าเชื่อมั่นว่าจำเลยทราบถึงข้อบกพร่องดังกล่าวแต่เพิกเฉยไม่ดำเนินการใดๆ คำฟ้องฟังขึ้นในส่วนของความรับผิด ค่าเสียหายจะกำหนดในการพิจารณาครั้งต่อไป ข้าพเจ้าขอขอบคุณ Ms Raman และ Mr Whitby สำหรับคำแถลงที่ชัดเจนและตรงประเด็น

รูปที่ 6สลับมุมมองเพื่อดูผลลัพธ์ คำพิพากษาและชื่อเป็นเรื่องสมมติ แต่คดีที่อ้างอิงทั้งสามคดีนั้นเป็นเรื่องจริง

05

chatgpt.com, claude.ai และเว็บไซต์แชทอื่นๆ สามารถทำเช่นเดียวกันได้หรือไม่

บางครั้ง ก็ใช่ เว็บไซต์เหล่านี้มักจะมีตัวแปลภาษา Python ซึ่งช่วยให้โมเดลสามารถเปิดไฟล์ Word หรือ PowerPoint และแก้ไข XML ด้วยโค้ดได้

แต่โค้ดนั้นยังคงเขียนขึ้นโดยโมเดลที่ไม่เสถียร และไม่มีการตรวจสอบผลลัพธ์เทียบกับต้นฉบับ จากการทดสอบภายในของเรา เรามักได้รับเอกสารที่มีการลบและแก้ไขโดยไม่คาดคิด ในกรณีที่รุนแรงที่สุด เอกสารความยาว 20 หน้าถูกส่งกลับมาเหลือเพียง 10 หน้าโดยไม่มีการแจ้งเตือนใดๆ

เว็บไซต์แชทพร้อม Python

20 หน้า
10 หน้า

เสร็จเรียบร้อยแล้ว! ฉันอัปเดตเอกสารของคุณด้วยการเปลี่ยนแปลงที่ร้องขอแล้ว

ไม่มีการกล่าวถึง 10 หน้าที่หายไป

บันทึกการเปลี่ยนแปลงของ

  • น. 4 · ข้อ 2.1

    สามสิบ (30) วัน หกสิบ (60) วัน

    ย้อนกลับ
  • น. 9 · ข้อ 6.3

    ผู้ขาย ผู้รับจ้าง

    ย้อนกลับ
  • น. 17 · ภาคผนวก 1

    US$2,400 US$2,600

    ย้อนกลับ

สร้างเอกสารใหม่

รูปที่ 7ซ้าย: การตัดเนื้อหาทิ้งโดยไม่แจ้งเตือนจากการทดสอบภายในของเรา ขวา: การเปลี่ยนแปลงทุกรายการโดย AI บน OneTurn แสดงอยู่ในรายการและสามารถย้อนกลับได้

การละเว้นหรือแก้ไขโดยไม่มีการแจ้งเตือนถือเป็นเรื่องร้ายแรงสำหรับงานที่จริงจัง บน ทุกการเปลี่ยนแปลงที่ AI ของเราทำจะถูกบันทึกไว้ คุณสามารถตรวจสอบแต่ละรายการ ย้อนกลับรายการใดก็ได้ และสร้างเอกสารใหม่ขึ้นมา

06

เอเจนต์สำหรับใช้งานคอมพิวเตอร์อย่าง OpenClaw หรือ Manus สามารถทำสิ่งนี้ได้หรือไม่

เอเจนต์เหล่านี้ควบคุมคอมพิวเตอร์ในลักษณะเดียวกับที่มนุษย์ทำ โดยเปิดเอกสารใน Microsoft Word หรือ PowerPoint จากนั้นทำการเลื่อน คลิก และพิมพ์11 เนื่องจากพวกมันใช้โปรแกรมเดียวกับมนุษย์ จึงสามารถแก้ไขได้เหมือนมนุษย์ และผลลัพธ์มักจะน่าประทับใจ

ราคาคือต้นทุนและความเร็ว เอเจนต์อ่านเอกสารด้วยการจับภาพหน้าจอขณะเลื่อนดู และทุกๆ ขั้นตอนเล็กๆ จำเป็นต้องมีการเรียกใช้โมเดลเพื่อตัดสินใจว่าจะทำอะไรต่อไป ภาพหน้าจอ Full-HD เพียงภาพเดียวใช้โทเค็นประมาณ 1,500 ถึง 2,700 โทเค็น10 บนเกณฑ์มาตรฐาน OSWorld แม้แต่เอเจนต์ที่ดีที่สุดก็ยังใช้จำนวนขั้นตอนมากกว่าที่จำเป็น 2.7 ถึง 4.3 เท่า และขั้นตอนหลังๆ ใช้เวลานานกว่าขั้นตอนแรกๆ ถึง 3 เท่า9

เอเจนต์สำหรับใช้งานคอมพิวเตอร์

  1. จับภาพหน้าจอ
  2. โมเดลเป็นผู้ตัดสินใจขั้นตอนต่อไป
  3. เลื่อน, คลิก หรือพิมพ์
  4. ทำซ้ำสำหรับทุกขั้นตอน

  1. อ่านข้อความหนึ่งครั้ง
  2. แก้ไขเป็นชุด
  3. เขียนไฟล์
สัญญา 20 หน้า, แก้ไข 30 จุดเอเจนต์สำหรับใช้งานคอมพิวเตอร์
การเรียกโมเดล≈ 180≈ 12
โทเค็นต่อการเรียกใช้งาน≈ 10,000≈ 4,000
โทเค็นทั้งหมด≈ 1,800,000≈ 48,000
ความแตกต่าง≈ มากกว่า 37× หรือ ≈ 100–160× เมื่อรวมขั้นตอนเสริมที่วัดบน OSWorld
รูปที่ 8ข้อสมมติฐาน: ประมาณ 11,000 คำ; ภาพหน้าจอ 60 ภาพเพื่ออ่านเอกสาร; 4 การกระทำต่อการแก้ไขหนึ่งครั้ง; แต่ละการเรียกใช้จะมีภาพหน้าจอพร้อมประวัติล่าสุด OneTurn อ่านข้อความหนึ่งครั้งและส่งการแก้ไขเป็นชุด

จากการประเมินของเรา เอเจนต์สำหรับใช้งานคอมพิวเตอร์ (computer-use agent) สามารถใช้โทเค็น LLM มากกว่า ถึง 100 เท่าสำหรับการแก้ไขแบบเดียวกัน และใช้เวลาทำงานนานกว่ามาก

แหล่งที่มา

  1. โครงสร้างของเอกสาร WordprocessingMLMicrosoft Learn · เอกสารประกอบ Open XML SDK
  2. ECMA-376: รูปแบบไฟล์ Office Open XMLEcma International · มาตรฐาน
  3. ตรวจสอบความถูกต้องของเอกสารประมวลผลคำMicrosoft Learn · เอกสารประกอบ Open XML SDK
  4. LLM ทำลายเอกสารของคุณเมื่อคุณมอบหมายงานให้Laban, Schnabel และ Neville · Microsoft Research · 2026
  5. LongProc: การวัดประสิทธิภาพโมเดลภาษาบริบทยาวในการสร้างผลลัพธ์เชิงกระบวนการแบบยาวYe และคณะ · COLM 2025
  6. ความยาวบริบทเพียงอย่างเดียวทำให้ประสิทธิภาพของ LLM ลดลง แม้จะมีการดึงข้อมูลที่สมบูรณ์แบบก็ตามDu และคณะ · ข้อค้นพบจาก EMNLP 2025
  7. Anthropic เปิดเผยซอร์สโค้ด Claude Code โดยไม่ตั้งใจผ่านไฟล์ Source Map ของ npmInfoQ · 7 เมษายน 2026
  8. วิศวกรรมบริบทที่มีประสิทธิภาพสำหรับ AI เอเจนต์วิศวกรรมของ Anthropic · 29 กันยายน 2025
  9. OSWorld-Human: การประเมินประสิทธิภาพของเอเจนต์ที่ใช้งานคอมพิวเตอร์Abhyankar, Qi และ Zhang · MLSys 2026
  10. วิชัน (Vision): ความละเอียดและต้นทุนโทเค็นเอกสารประกอบแพลตฟอร์ม Claude
  11. Manus ของ Meta เปิดตัวแอปเดสก์ท็อปเพื่อนำเอเจนต์ AI ไปสู่อุปกรณ์ส่วนบุคคลท่ามกลางกระแส OpenClawCNBC · 18 มีนาคม 2026

รูปภาพเหล่านี้จัดทำขึ้นเพื่อบทความนี้ XML เป็น WordprocessingML ของจริง ชื่อไฟล์ บุคคล และคำพิพากษาเป็นเรื่องสมมติ

ลองใช้กับเอกสารที่คุณไม่สามารถยอมให้เกิดความเสียหายได้

ลองใช้ ฟรี →