Sa likod ng editor

Bakit napakahusay ng sa pag-edit ng mga dokumento?

Ang isang language model ay makakapagsulat ng magandang pangungusap, ngunit ang pagbabalik nito sa dokumento kasama ang formatting ay ibang trabaho. Ipinapaliwanag namin kung bakit naging mahirap na pag-editin ang AI ng isang dokumento, at kung ano ang aming binuo upang ayusin ito.

9 minutong pagbabasaOktubre 3, 2026

Pangkalahatang-ideya

Humingi ng tulong sa isang chatbot para ayusin ang isang sugnay sa isang Word file at hinihiling mo itong gumawa ng dalawang trabaho nang sabay: baguhin ang mga salita, at muling isulat ang format ng file na naglalaman ng mga ito. Magaling ang mga modelo ng wika sa unang trabaho at hindi maaasahan sa pangalawa.

Inaalis ng ang pangalawang trabaho mula sa modelo. Ipinapaliwanag ng artikulong ito kung bakit mahalaga iyon, kung paano ito gumagana sa mahabang mga dokumento, at kung paano ito inihahambing sa mga chat website at computer-use agent.

  1. 01Binabasa ng isang language model ang isang dokumento bilang markup, hindi bilang isang pahina.
  2. 02Ang isang maling karakter ay maaaring maging sanhi upang hindi mabasa ang isang file, at ang mga mahahabang output ay ginagawang malamang ang mga maling karakter.
  3. 03Pinaghihiwalay ng ang nilalaman mula sa formatting: ang modelo ang nag-e-edit ng mga salita, ang aming code ang sumusulat ng file.
  4. 04Ang mahahabang dokumento ay hinahati sa mga batch, pinaghihiwa-hiwalay, at binibigyan ng konteksto, tulad ng ginagawa ng mga modernong coding agent.
  5. 05Ang mga website ng chat ay maaaring mag-edit ng mga file gamit ang Python, ngunit ang mga pagbabago ay maaaring mawala nang tahimik.
  6. 06Nag-e-edit ang mga computer-use agent tulad ng tao, ngunit maraming beses na mas mahal.

01

Nakakakita lamang ang LLM ng teksto, hindi ng pag-format

Magbukas ng kontrata sa Word at makakakita ka ng isang pahina: isang heading sa istilo ng kumpanya, isang bold na halaga, isang naka-underline na deadline. Ang program na Word ang lumilikha ng mga format na ito, kaya nakapag-e-edit tayo nang biswal. Sa ilalim ng isang Word file (.docx) ay isang masalimuot na sistema ng XML, kung saan ang bawat salitang nakikita natin ay may mahirap at masalimuot na anotasyon ng mga nakatagong salita na kilala bilang markup.12

Ang nakikita mo

Ang nakikita ng modelo

<w:p>  <w:pPr><w:pStyle w:val="Heading2"/></w:pPr>  <w:r><w:t>4. Upa</w:t></w:r></w:p><w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Magbabayad ang nangungupahan ng </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"> sa </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>unang araw ng bawat buwan</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Larawan 1Ang parehong sugnay nang dalawang beses. Ang mga salita ay tumatagal ng 76 na mga character; ang XML sa paligid nila ay tumatagal ng 465. Sipi ng word/document.xml.

Ang isang LLM ay hindi tinutulungan ng Microsoft Word, LibreOffice, o Pages at kailangang umasa sa sarili nitong pag-unawa sa mga markup. Upang makapag-edit nang tama, kailangang maunawaan ng isang LLM ang epekto ng orihinal na markup at maisulat ang bagong pangungusap sa tamang markup.

02

Likas na hindi matatag ang output ng LLM

Maaaring malaki ang pagpapabuti ng mga modelo ngunit ang mga pinakabago pa rin ay nagkakamali pa rin. Sa isang pag-aaral ng Microsoft Research noong 2026 sa 19 na modelo sa 52 propesyonal na larangan, ang mga nangungunang modelo tulad ng Gemini 3.1 Pro, Claude 4.6 Opus, at GPT 5.4 ay sumira sa katamtamang 25% ng nilalaman ng dokumento sa pagtatapos ng mahabang daloy ng trabaho sa pag-edit.4

Sa isang Word file, sapat na ang isang maliit na error upang hindi na magamit ang file. Dito, nakalimutan ng modelo ang isang slash:

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Magbabayad ang nangungupahan ng </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"> sa </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>unang araw ng bawat buwan</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>
Larawan 2Ang isang nawawalang slash ay nag-iwan sa bold tag na bukas. Ang XML ay hindi na well-formed, at hindi bubuksan ng Word ang file nang normal.3

Ang XML ay walang tiyaga para sa mga maling markup. Ang isang fail ay alinman sa maayos ang pagkakabuo o hindi. Minsan ay maaaring maibalik ng Word ang isang sirang file, ngunit ang naibalik na kopya ay maaaring may nawawalang text o pag-format.

Mas mahabang output, mas maraming pagkakamali

Ang panganib ay lumalaki kasama ang haba. Ang LongProc, isang 2025 benchmark ng mahabang naka-istrukturang output, ay natagpuan ang mga modelong open-weight na nagkakaroon ng problema sa 2,000 na mga token ng output at ang GPT-4o na bumababa nang malaki sa 8,000.5 Natuklasan ng isa pang pag-aaral na ang pagganap ay bumababa ng 13.9% hanggang 85% habang lumalaki ang input, kahit na kayang kunin ng modelo ang bawat kaugnay na katotohanan.6 Ang isang 10-pahinang dokumento ng Word ay may humigit-kumulang 10,000 token, at ang pagtatangkang i-edit ang lahat ng 10 pahina nang sabay-sabay nang walang error ay isang napakahirap na layunin.

<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"> Ang Harlow &1 Pike LLP ay kumakatawan sa Nagpapaupa sa lahat ng usaping nagmumula sa Kasunduan sa Pagpapaupa na ito.</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"> Dapat panatilihin ng Nangungupahan ang Nasasakupang Lugar sa mabuti at sapat na kondisyon at pagkukumpuni.</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"> Ang anumang abiso ay dapat ibigay sa pamamagitan ng kasulatan at ihatid sa adres na nakasaad sa Iskedyul 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"> Maaaring tapusin ng Nagpapaupa ang Kasunduan sa 4
  1. 1Isang simpleng ampersand sa teksto. Kinakailangan ng XML na ito ay mai-escape bilang isang entity.
  2. 2Isang nawawalang closing quote. Ang lahat ng sumunod dito ay binabasa bilang bahagi ng halaga.
  3. 3Isang run na hindi kailanman isinara bago nagtapos ang talata.
  4. 4Humihinto lamang ang output. Ang mahahabang henerasyon ay maaaring umabot sa limitasyon ng haba o mag-time out sa kalagitnaan ng tag.
Larawan 3Apat na sugnay ng output ng modelo, apat na uri ng pagkabigo. Sapat na ang bawat isa nang mag-isa upang hindi mabasa ang file.

03

Kung paano ito nilulutas ng

Sumusulat kami ng mga pasadyang programa na naghihiwalay sa pag-format mula sa nilalaman. Natatanggap ng modelo ang mga salitang kailangan nitong baguhin, kasama ang isang nai-render na larawan ng pahina, kaya nakakatanggap ito ng tulong mula sa isang programang Word. Pagkatapos ay inilalagay ng aming code ang mga na-edit na salita pabalik sa mga orihinal na run at hindi gagalawin ang natitirang bahagi ng file.

Ang iyong file

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Magbabayad ang nangungupahan ng </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"> sa </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>unang araw ng bawat buwan</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

Pinaghihiwalay ng ang nilalaman mula sa formatting

Na-extract na nilalaman

Magbabayad ang nangungupahan ng US$2,400 sa unang araw ng bawat buwan.

Na-render na pahina

Parehong pumupunta sa modelo

Modelo ng wikaNag-e-edit ng mga salita. Hindi kailanman humahipo sa XML.

Nagbabalik ang modelo ng naka-edit na nilalaman

Output ng modelo

Magbabayad ang nangungupahan ng US$2,400US$2,600 sa unang araw ng bawat buwanikalimang araw ng bawat buwan.

isinusulat muli ng ang mga salita sa mga orihinal na run

Ang iyong file, na-edit

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Magbabayad ang nangungupahan ng </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"> sa </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>ikalimang araw ng bawat buwan</w:t></w:r>  <w:r><w:t>.</w:t></w:r></w:p>

✓ Valid na .docx. Ang bold, kulay, at underline ay eksaktong katulad ng dati.

Larawan 4Ang pipeline ng pag-edit, pinasimple. Ang naka-highlight na teksto lamang ang bahagi ng file na nagbago.

Nasasolusyunan nito ang parehong problema nang sabay. Nakikita na ngayon ng modelo ang pag-format na hindi nito nakita noon, at hindi na nito isinusulat ang markup na pinakamalamang na masira.

Hindi mo makikita ang layer na ito sa isang pangkalahatang-layuning chatbot. Ang mga programa para sa pag-extract, pag-render, at muling pagbuo ay binuo at pinapanatili ng sarismg mga inhinyero ng .

04

Paglutas sa problema ng mahabang konteksto

Ang ilang mga pagbabago ay mahaba: isang talata na tumatakbo sa ilang mga pahina, o isang pagbabago na inilapat nang tuloy-tuloy sa daan-daan. Para sa mga ito ay natuto kami mula sa software engineering. Noong Marso 2026, aksidenteng inilathala ng Anthropic ang source code ng Claude Code, ang AI coding agent nito, sa loob ng isang pampublikong npm package.7

Ang na-leak na code editor na iyon ay nagtuturo ng isang payak na aralin: upang mag-edit ng isang bagay na mahaba, hatiin ito. Hinahati namin ang isang dokumento sa mga grupo ng pahina, isang pamamaraang tinatawag na batching, at hinahati ang mahahabang talata sa mga pangungusap, upang ang bawat pag-edit ay sapat na maliit upang magawa nang tama.

Ang paghahati-hati sa isang dokumento ay lumilikha ng bagong problema: konteksto. Paano mo ia-edit ang isang talata sa pahina 60 gamit ang isang kahulugan sa pahina 2? Dito nagbubunga ang dalawang taong karanasan sa AI code editor (Cursor, GitHub Copilot, OpenAI Codex). Ang kanilang sagot ay ang context engineering, na nangongolekta ng kaugnay na impormasyon sa isang nakatutok na koleksyon at ibinibigay ito sa mga sub-agent na may malinis na context window.8 Ganito rin ang ginagawa namin sa mga dokumento. Pinagpapangkat namin ang magkakaugnay na impormasyon ayon sa lohika, gaya ng gagawin ng isang maingat na mambabasa, pagkatapos ay ipinapadala ito kasama ang target ng pag-edit sa mga sub-editor na gumagawa ng mismong pagbabago.

1I-batch ang dokumento

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

2Hatiin ang mahahabang talata

Sugnay 18.3 · p. 60
Pangungusap 1Pangungusap 2Pangungusap 3Pangungusap 4Pangungusap 5

3Mangolekta ng konteksto, pagkatapos ay mag-edit nang sabay-sabay

Mga tinukoy na terminop. 2–12

Mga Panig at mga tungkulinp. 1

Mga naunang pagbabagop. 34

Sub-editor 1pp. 1–40 + koleksyon

Sub-editor 2pp. 41–80 + koleksyon

Sub-editor 3pp. 81–120 + koleksyon

Larawan 5Isang 300-pahinang dokumento, na hinati-hati. Ang bawat sub-editor ay nakakakuha ng maliit na bahagi ng dokumento kasama ang konteksto kung saan nakasalalay ang bahaging iyon.

Halimbawa: pag-redact ng isang desisyon

Nais ng isang abogado na i-redact ang bawat pangalan ng saksi sa isang desisyon, at ang listahan ng mga kasong binanggit nito para saliksikin ng isang junior.

  1. Maghanap. Natutukoy ng ang bawat pangalan ng tao at bawat pag-cite ng kaso gamit ang karaniwang pattern matching. Hindi pa kailangan ng modelo.
  2. Uriin. Ang bawat pangalan, kasama ang pangungusap sa paligid nito, ay napupunta sa isang modelo na nagpapasya: saksi, abogado o hukom. Ang mga sagot ay bumubuo ng isang koleksyon ng mga saksi.
  3. Kolektahin. Ang parehong pamamaraan ay bumubuo ng isang koleksyon ng mga nabanggit na kaso.
  4. Isagawa. Dahil alam namin nang eksakto kung saan natagpuan ang bawat pangalan ng saksi, nire-redact namin ang mga lugar na iyon, at ang mga iyon lamang, sa orihinal na file.

SA MATAAS NA KORTE NG HUSTISYA

DIVISYON NG KING'S BENCH

Harrow v Kestrel Logistics Ltd

Bago: Mrs Justice Holloway

DESISYON

Mrs Justice Holloway: Ang habol na ito ay nagmula sa pagbagsak ng isang loading bay sa bodega ng Nasasakdal noong 14 Marso 2024. Ang Naghahabol ay kinakatawan ni Ms Priya Raman at ang Nasasakdal ay ni Mr Thomas Whitby. Nakinig ako sa mga pasalitang patotoo sa loob ng apat na araw.

Ang pangunahing saksing nakasaksi, si Mr Daniel Okafor, ay isang operator ng forklift sa night shift. Sinabi ni Mr Okafor sa korte na ilang linggo nang sira ang mga ilaw ng babala sa loading bay, at dalawang beses niya itong iniulat. Ang pangalawang saksi, si Ms Margaret Ellison, isang kontratistang nag-inspeksyon sa loading bay noong Pebrero, ay kinumpirma na nagrekomenda ang kanyang ulat ng agarang pagkukumpuni. Nakita kong maingat at kapani-paniwala ang dalawang saksi.

Matagal nang matatag ang tungkulin ng pangangalaga ng isang nag-uukupa ng lugar sa mga taong legal na nasa loob nito, at ang prinsipyo ng kapitbahay sa Donoghue v Stevenson [1932] AC 562 ang aking panimulang punto. Ang tanong kung patas, makatarungan, at makatwiran bang magpataw ng tungkulin sa mga bagong pangyayari ay pinamamahalaan ng Caparo Industries plc v Dickman [1990] 2 AC 605, ngunit hindi bago ang mga pangyayaring ito. Iginiit ni Mr Whitby na masyadong malayo ang mga hinihinging pagkalugi. Dapat subukin ang pahayag na iyon laban sa Hadley v Baxendale (1854) 9 Exch 341.

Matapos ko masuri ang ebidensya nina Mr Okafor at Ms Ellison kasama ang mga dokumento, kumbinsido ako na alam ng Nasasakdal ang depekto at nabigong kumilos. Tagumpay ang paghahabol sa pananagutan. Ang mga danyos ay susuriin sa isang susunod na pagdinig. Nagpapasalamat ako kina Ms Raman at Mr Whitby para sa kanilang malinaw at nakatutok na mga pahayag.

Larawan 6Lumipat ng mga view upang makita ang resulta. Ang desisyon at mga pangalan ay kathang-isip; ang tatlong binanggit na kaso ay totoo.

05

Maaari bang gawin ito ng chatgpt.com, claude.ai at iba pang mga website ng chat?

Minsan, oo. Ang mga website na ito ay madalas na may kasamang Python interpreter, na nagbibigay-daan sa modelo na magbukas ng isang file ng Word o PowerPoint at i-edit ang XML nito gamit ang code.

Ngunit ang code ay isinusulat pa rin ng isang hindi matatag na modelo, at walang sumusuri sa resulta laban sa orihinal. Sa aming panloob na pagsubok, madalas kaming nakatanggap ng mga dokumento na may mga hindi inaasahang pagtanggal at pagbabago. Sa isang matinding kaso, ang isang 20-pahinang dokumento ay bumalik bilang 10 pahina, nang walang babala.

Website ng chat na may Python

20 pahina
10 pahina

Tapos na! Na-update ko na ang iyong dokumento ayon sa mga hiniling na pagbabago.

Walang nabanggit tungkol sa 10 nawawalang pahina.

log ng pagbabago ng

  • p. 4 · Sugnay 2.1

    tatlumpung (30) araw animnapung (60) araw

    I-revert
  • p. 9 · Sugnay 6.3

    ang Tagapagtustos ang Kontratista

    I-revert
  • p. 17 · Iskedyul 1

    US$2,400 US$2,600

    I-revert

Bumuo ng bagong dokumento

Larawan 7Kaliwa: isang tahimik na pag-truncate mula sa aming panloob na pagsubok. Kanan: nakalista at maibabalik ang bawat pagbabago ng AI sa OneTurn.

Ang tahimik na pagtanggal o pagbabago ay nakapipinsala para sa anumang seryosong gawain. Sa , ang bawat pagbabagong ginagawa ng aming AI agent ay naitatala. Maaari mong suriin ang bawat isa, ibalik ang anuman sa mga ito, at bumuo ng bagong dokumento.

06

Magagawa ba ito ng mga computer-use agent tulad ng OpenClaw o Manus?

Kinokontrol ng mga agent na ito ang isang computer sa paraang ginagawa ng isang tao. Binubuksan nila ang dokumento sa Microsoft Word o PowerPoint, pagkatapos ay nag-scroll, nag-click at nag-type.11 Dahil ginagamit nila ang parehong mga programa tulad ng sa tao, maaari silang mag-edit tulad ng isang tao, at ang mga resulta ay madalas na kahanga-hanga.

Ang presyo ay ang gastos at bilis. Binabasa ng ahente ang isang dokumento sa pamamagitan ng pagkuha ng mga screenshot habang ito ay nag-i-scroll, at ang bawat maliit na hakbang ay nangangailangan ng tawag sa modelo upang magpasya kung ano ang gagawin sa susunod. Ang isang full-HD na screenshot ay nagkakahalaga sa pagitan ng mga 1,500 at 2,700 na mga token nang mag-isa.10 Sa OSWorld benchmark, kahit ang pinakamahusay na mga agent ay gumamit ng 2.7 hanggang 4.3 beses na mas maraming hakbang kaysa sa kinakailangan, at ang mga huling hakbang ay umabot nang hanggang 3 beses na mas matagal kaysa sa mga nauna.9

Ahente sa paggamit ng computer

  1. Kumuha ng screenshot
  2. Ang modelo ang nagpapasya sa susunod na aksyon
  3. Mag-scroll, mag-click o mag-type
  4. Ulitin para sa bawat hakbang

  1. Basahin ang teksto nang isang beses
  2. Mag-edit nang pangkatan
  3. Isulat ang file
20-pahinang kontrata, 30 pagbabagoAhente sa paggamit ng computer
Mga tawag sa modelo≈ 180≈ 12
Mga token sa bawat tawag≈ 10,000≈ 4,000
Kabuuang mga token≈ 1,800,000≈ 48,000
Pagkakaiba≈ 37× na higit pa, o ≈ 100–160× kasama ang mga karagdagang hakbang na sinusukat sa OSWorld
Larawan 8Mga Palagay: humigit-kumulang 11,000 na salita; 60 na screenshot para basahin ang dokumento; 4 na aksyon bawat pag-edit; ang bawat tawag ay nagdadala ng screenshot kasama ang kamakailang kasaysayan. Binabasa ng OneTurn ang teksto nang isang beses at nagpapadala ng mga pag-edit nang pangkatan.

Sa aming pagtatantya, ang isang computer-use agent ay maaaring gumamit ng hanggang 100 beses na mas maraming LLM token kaysa sa para sa parehong mga pag-edit, at mas matagal bago matapos.

Mga Pinagmulan

  1. Istraktura ng isang dokumentong WordprocessingMLMicrosoft Learn · Dokumentasyon ng Open XML SDK
  2. ECMA-376: Mga format ng file ng Office Open XMLEcma International · pamantayan
  3. Mag-validate ng dokumento sa pagpoproseso ng salitaMicrosoft Learn · Dokumentasyon ng Open XML SDK
  4. Sinisira ng mga LLM ang Iyong mga Dokumento Kapag Nagtatalaga KaLaban, Schnabel at Neville · Microsoft Research · 2026
  5. LongProc: Pag-benchmark ng mga Long-Context Language Model sa Long Procedural GenerationYe et al. · COLM 2025
  6. Ang Haba ng Konteksto Lamang ay Nakasasama sa Pagganap ng LLM Kahit Perpekto ang Pagkuha ng ImpormasyonDu et al. · Mga Natuklasan ng EMNLP 2025
  7. Hindi Sinasadyang Inilantad ng Anthropic ang Source Code ng Claude Code sa Pamamagitan ng npm Source Map FileInfoQ · 7 Abril 2026
  8. Epektibong inhinyeriya ng konteksto para sa mga AI agentAnthropic Engineering · Setyembre 29, 2025
  9. OSWorld-Human: Pagsusuri sa Kahusayan ng mga Computer-Use AgentAbhyankar, Qi at Zhang · MLSys 2026
  10. Vision: resolusyon at gastos sa tokenDokumentasyon ng Claude Platform
  11. Inilunsad ng Manus ng Meta ang desktop app upang dalhin ang AI agent nito sa mga personal na device sa gitna ng kasikatan ng OpenClawCNBC · 18 Marso 2026

Ang mga larawan ay mga ilustrasyong ginawa para sa artikulong ito. Ang XML ay totoong WordprocessingML; ang mga pangalan ng file, tao, at ang desisyon ay kathang-isip lamang.

Subukan ito sa isang dokumento na hindi mo maaaring hayaang masira.

Subukan ang nang libre →