Düzenleyicinin arkasında

belge düzenlemede neden bu kadar iyi?

Bir dil modeli düzgün bir cümle yazabilir, ancak bunu biçimlendirmesiyle birlikte geri koymak farklı bir iştir. Yapay zekanın bir belgeyi düzenlemesinin neden zor olduğunu ve bunu çözmek için ne geliştirdiğimizi açıklıyoruz.

9 dk okuma3 Ekim 2026

Genel Bakış

Bir sohbet robotundan bir Word dosyasındaki bir maddeyi düzeltmesini istediğinizde, aslında ondan aynı anda iki iş yapmasını istiyorsunuz: kelimeleri değiştirmek ve bunları barındıran dosya biçimini yeniden yazmak. Dil modelleri birinci işte iyidir ancak ikinci işte güvenilmezdir.

, ikinci işi modelin sırtından alır. Bu makale bunun neden önemli olduğunu, uzun belgelerde nasıl çalıştığını ve sohbet web siteleri ile bilgisayar kullanan ajanlarla nasıl karşılaştırıldığını açıklamaktadır.

  1. 01Bir dil modeli, bir belgeyi sayfa olarak değil, işaretleme (markup) olarak okur.
  2. 02Yanlış bir karakter bir dosyayı okunamaz hale getirebilir ve uzun çıktılar yanlış karakter olasılığını artırır.
  3. 03 içeriği biçimlendirmeden ayırır: model kelimeleri düzenler, kodumuz dosyayı yazar.
  4. 04Modern kodlama ajanlarının yaptığı gibi uzun belgeler gruplara ayrılır, bölünür ve bağlam verilir.
  5. 05Sohbet web siteleri Python ile dosyaları düzenleyebilir, ancak değişiklikler sessizce kaybolabilir.
  6. 06Bilgisayar kullanan ajanlar bir insan gibi düzenleme yapar, ancak maliyeti kat kat fazladır.

01

LLM yalnızca metni görür, biçimlendirmeyi değil

Word'de bir sözleşme açtığınızda bir sayfa görürsünüz: şirket kimliğine uygun bir başlık, kalın yazılmış bir tutar, altı çizili bir son tarih. Word programı bu biçimlendirmeyi oluşturur, böylece görsel olarak düzenleme yapabiliriz. Bir Word dosyasının (.docx) altında, gördüğümüz her kelimenin işaretleme (markup) adı verilen gizli kelimelerle zahmetli bir şekilde işaretlendiği karmaşık bir XML sistemi yatar.12

Gördüğünüz şey

Modelin gördüğü şey

<w:p>  <w:pPr><w:pStyle w:val="Heading2"/></w:pPr>  <w:r><w:t>4. Kira</w:t></w:r></w:p><w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Kiracı, </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"> tutarını </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>her ayın ilk günü</w:t></w:r>  <w:r><w:t xml:space="preserve"> ödeyecektir.</w:t></w:r></w:p>
Şekil 1Aynı madde iki kez. Sözcükler 63 karakter tutuyor; etraflarındaki XML ise 473 tutuyor. word/document.xml alıntısı.

Bir LLM'ye (büyük dil modeli) Microsoft Word, LibreOffice veya Pages yardımcı olmaz ve işaretleme dilini yalnızca kendi anlayışına dayanarak yorumlamak zorundadır. Doğru düzenleme yapabilmek için bir LLM'nin orijinal işaretlemenin etkisini anlaması ve yeni cümleyi doğru işaretlemeyle yazması gerekir.

02

LLM çıktısı doğası gereği kararsızdır

Modeller önemli ölçüde gelişmiş olabilir, ancak en yenileri bile hâlâ hata yapmaktadır. Microsoft Research tarafından 2026 yılında 52 profesyonel alanda 19 model üzerinde yapılan bir araştırmada; Gemini 3.1 Pro, Claude 4.6 Opus ve GPT 5.4 gibi öncü modeller, uzun düzenleme iş akışlarının sonuna gelindiğinde belgelerdeki içeriğin ortalama %25'ini bozmuştur.4

Bir Word dosyasında, küçük bir hata bile dosyanın kullanılamaz hale gelmesine yeter. Burada model tek bir eğik çizgiyi düşürmüştür:

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Kiracı, </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"> tutarını </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>her ayın ilk günü</w:t></w:r>  <w:r><w:t xml:space="preserve"> ödeyecektir.</w:t></w:r></w:p>
Şekil 2Eksik bir eğik çizgi, kalın yazı etiketini açık bırakır. XML artık iyi biçimlendirilmiş değildir ve Word dosyayı normal şekilde açmaz.3

XML, hatalı işaretlemeye karşı hiç hoşgörülü değildir. Bir dosya ya kurallara uygundur ya da değildir. Word bazen bozuk bir dosyayı kurtarabilir, ancak kurtarılan kopyada metin veya biçimlendirme eksik olabilir.

Daha uzun çıktı, daha çok hata

Risk uzunlukla birlikte büyür. Uzun yapılı çıktılara yönelik 2025 kıyaslaması olan LongProc, açık ağırlıklı modellerin 2.000 çıktı token'ında aksadığını ve GPT-4o'nun 8.000'de önemli ölçüde bozulduğunu buldu.5 Başka bir çalışma, model her ilgili gerçeği alabilse bile, girdi büyüdükçe performansın %13,9 ila %85 oranında düştüğünü ortaya koydu.6 10 sayfalık bir Word belgesi yaklaşık 10.000 token eder; 10 sayfanın tümünü hatasız olarak aynı anda düzenlemeye çalışmak imkânsız bir hedeftir.

<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, bu Kira Sözleşmesi kapsamında doğan tüm hususlarda Ev Sahibi adına hareket eder.</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"> Kiracı, Kiralananı iyi ve sağlam bir bakım ve onarım durumunda tutacaktır.</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"> Her türlü bildirim yazılı olarak yapılmalı ve Ek 2'de belirtilen adrese teslim edilmelidir.</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"> Kira 21 günden fazla gecikirse Ev S4
  1. 1Metinde yalnız bir ve işareti (&). XML, bunun bir varlık (entity) olarak kaçış karakteriyle kullanılmasını gerektirir.
  2. 2Eksik bir kapanış tırnak işareti. Sonrasındaki her şey değerin bir parçası olarak okunur.
  3. 3Paragraf bitmeden asla kapatılmayan bir metin aralığı.
  4. 4Çıktı öylece durur. Uzun üretimler bir uzunluk sınırına ulaşabilir veya etiket ortasında zaman aşımına uğrayabilir.
Şekil 3Model çıktısının dört maddesi, dört tür hata. Her biri tek başına dosyayı okunamaz hale getiriyor.

03

bunu nasıl çözer

Biçimlendirmeyi içerikten ayıran özel programlar yazıyoruz. Model, bir Word programından yardım alabilmesi için sayfanın oluşturulmuş bir görseliyle birlikte değiştirilmesi gereken kelimeleri alır. Kodumuz daha sonra düzenlenen kelimeleri orijinal metin aralıklarına geri koyar ve dosyanın geri kalanına dokunmaz.

Dosyanız

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Kiracı, </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"> tutarını </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>her ayın ilk günü</w:t></w:r>  <w:r><w:t xml:space="preserve"> ödeyecektir.</w:t></w:r></w:p>

, içeriği biçimlendirmeden ayırır

Çıkarılan içerik

Kiracı, US$2,400 tutarını her ayın ilk günü ödeyecektir.

Oluşturulan sayfa

İkisi de modele gider

Dil modeliKelimeleri düzenler. XML'e asla dokunmaz.

Model düzenlenmiş içeriği döndürür

Model çıktısı

Kiracı, US$2,400US$2,600 tutarını her ayın ilk günüher ayın beşinci günü ödeyecektir.

kelimeleri orijinal metin aralıklarına geri yazar

Düzenlenen dosyanız

<w:p>  <w:pPr><w:jc w:val="both"/></w:pPr>  <w:r><w:t xml:space="preserve">Kiracı, </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"> tutarını </w:t></w:r>  <w:r><w:rPr><w:i/><w:u w:val="single"/></w:rPr><w:t>her ayın beşinci günü</w:t></w:r>  <w:r><w:t xml:space="preserve"> ödeyecektir.</w:t></w:r></w:p>

✓ Geçerli .docx. Kalın, renk ve altı çizili özellikler tamamen eskisi gibi.

Şekil 4Basitleştirilmiş düzenleme işlem hattı. Vurgulanan metin dosyanın değişen tek kısmıdır.

Bu, her iki sorunu aynı anda çözer. Model artık daha önce göremediği biçimlendirmeyi görür ve büyük olasılıkla bozacağı işaretlemeyi artık yazmaz.

Bu katmanı genel amaçlı bir sohbet botunda bulamazsınız. Çıkarma, görüntü oluşturma ve yeniden birleştirme programları 'nin kendi mühendisleri tarafından yazılmakta ve bakımı yapılmaktadır.

04

Uzun bağlam sorununu çözme

Bazı düzenlemeler uzundur: birkaç sayfaya yayılan bir paragraf veya yüzlerce sayfada tutarlı bir şekilde uygulanan tek bir değişiklik. Bunlar için yazılım mühendisliğinden öğrendik. Mart 2026'da Anthropic, yapay zeka kodlama ajanı Claude Code'un kaynak kodunu yanlışlıkla herkese açık bir npm paketinin içinde yayınladı.7

Sızdırılan o kod düzenleyici basit bir ders veriyor: uzun bir şeyi düzenlemek için onu parçalara ayırın. Bir belgeyi sayfa gruplarına ayırıyoruz (gruplama adı verilen bir teknik; İngilizcesi batching) ve her düzenleme doğru yapılabilecek kadar küçük olsun diye uzun paragrafları cümlelere bölüyoruz.

Bir belgeyi parçalara ayırmak yeni bir sorun yaratır: bağlam. 60. sayfadaki bir paragrafı 2. sayfadaki bir tanımı kullanarak nasıl düzenlersiniz? İşte burada, yapay zeka kod düzenleyicilerindeki (Cursor, GitHub Copilot, OpenAI Codex) iki yıllık deneyim karşılığını veriyor. Bu araçların yanıtı, ilgili bilgileri odaklanmış bir derlemede toplayıp temiz bağlam pencerelerine sahip alt ajanlara ileten bağlam mühendisliğidir.8 Belgelerde de aynı yöntemi izliyoruz. Dikkatli bir okuyucunun yapacağı gibi mantıksal olarak ilişkili bilgileri gruplandırıyor ve ardından bunları, gerçek değişikliği yapan alt editörlere düzenleme hedefiyle birlikte gönderiyoruz.

1Belgeyi gruplandırın

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

2Uzun paragrafları böl

Madde 18.3 · s. 60
Cümle 1Cümle 2Cümle 3Cümle 4Cümle 5

3Bağlamı toplayın, ardından paralel olarak düzenleyin

Tanımlanan terimlerss. 2–12

Taraflar ve rollers. 1

Önceki değişikliklers. 34

Alt editör 1ss. 1–40 + derleme

Alt editör 2ss. 41–80 + derleme

Alt editör 3ss. 81–120 + derleme

Şekil 5300 sayfalık bir belge, parçalara ayrılmış. Her bir alt editör, belgenin küçük bir parçasını ve o parçanın dayandığı bağlamı alır.

Örnek: bir mahkeme kararındaki bilgileri gizleme

Bir avukat, bir mahkeme kararındaki tüm tanık adlarının gizlenmesini ve genç bir avukatın araştırma yapması için atıfta bulunduğu davaların bir listesini ister.

  1. Arayın. , olağan örüntü eşleştirme ile her kişi adını ve her dava atfını bulur. Henüz bir modele gerek yoktur.
  2. Sınıflandırın. Etrafındaki cümleyle birlikte her isim, tanık, avukat veya hâkim olduğuna karar veren bir modele gider. Yanıtlar bir tanık derlemesi oluşturur.
  3. Toplayın. Aynı yöntem, atıf yapılan davalardan oluşan bir derleme oluşturur.
  4. Uygulayın. Her tanık adının tam olarak nerede bulunduğunu bildiğimiz için, orijinal dosyada yalnızca bu yerleri, başka hiçbir yeri değil, gizleriz.

YÜKSEK ADALET DİVANI

KING’S BENCH BÖLÜMÜ

Harrow v Kestrel Logistics Ltd

Öncesi: Mrs Justice Holloway

KARAR

Mrs Justice Holloway: Bu talep, 14 Mart 2024 tarihinde Davalı'nın deposundaki yükleme rampasının çökmesinden kaynaklanmaktadır. Davacı Ms Priya Raman, Davalı ise Mr Thomas Whitby tarafından temsil edilmiştir. Sözlü delilleri dört gün boyunca dinledim.

Baş tanık Mr Daniel Okafor, gece vardiyasında forklift operatörüydü. Mr Okafor, mahkemeye rampadaki uyarı ışıklarının birkaç haftadır bozuk olduğunu ve bunu iki kez bildirdiğini söyledi. Şubat ayında rampayı denetleyen bir müteahhit olan ikinci tanık Ms Margaret Ellison, raporunun derhal onarım tavsiye ettiğini doğruladı. Her iki tanığı da dikkatli ve güvenilir buldum.

Bir taşınmazı kullanan kişinin, mülkünde yasal olarak bulunan kişilere karşı özen yükümlülüğü köklü biçimde yerleşiktir ve ben başlangıç noktası olarak Donoghue v Stevenson [1932] AC 562'deki komşuluk ilkesini alıyorum. Yeni koşullarda bir yükümlülük getirmenin adil, hakkaniyetli ve makul olup olmadığı Caparo Industries plc v Dickman [1990] 2 AC 605 ile belirlenir, ancak bu koşullar yeni değildir. Mr Whitby, talep edilen zararların çok uzak (dolaylı) olduğunu ileri sürmüştür. Bu iddia Hadley v Baxendale (1854) 9 Exch 341'e göre sınanmalıdır.

Mr Okafor ve Ms Ellison tanıklarının ifadelerini belgelerle birlikte değerlendirdikten sonra, Davalının kusurdan haberdar olduğuna ve harekete geçmediğine kanaat getirdim. Dava sorumluluk yönünden kabul edilmiştir. Tazminat tutarı ayrı bir duruşmada belirlenecektir. Net ve odaklı sunumları için Ms Raman ve Mr Whitby'ye teşekkür ederim.

Şekil 6Sonucu görmek için görünümleri değiştirin. Karar ve isimler kurgusaldır; adı geçen üç dava gerçektir.

05

chatgpt.com, claude.ai ve diğer sohbet web siteleri bunu yapabilir mi?

Bazen evet. Bu web siteleri genellikle modelin bir Word veya PowerPoint dosyası açmasına ve kodla XML'ini düzenlemesine olanak tanıyan bir Python yorumlayıcısı içerir.

Ancak kod hâlâ kararsız bir model tarafından yazılıyor ve sonuç orijinaline karşı hiçbir şey tarafından kontrol edilmiyor. Dahili testlerimizde, genellikle beklenmeyen silme ve düzenlemelerin olduğu belgeler aldık. Aşırı bir vakada, 20 sayfalık bir belge, herhangi bir uyarı olmaksızın 10 sayfaya düşmüş olarak geri geldi.

Python içeren sohbet web sitesi

20 sayfa
10 sayfa

Tamam! Belgenizi istenen değişikliklerle güncelledim.

Eksik 10 sayfadan hiç bahsedilmiyor.

değişiklik günlüğü

  • s. 4 · Madde 2.1

    otuz (30) gün altmış (60) gün

    Geri al
  • s. 9 · Madde 6.3

    Tedarikçi Yüklenici

    Geri al
  • s. 17 · Ek 1

    US$2,400 US$2,600

    Geri al

Yeni belge oluştur

Şekil 7Sol: Dahili testlerimizden sessizce gerçekleşen bir kırpılma. Sağ: OneTurn üzerindeki her yapay zeka değişikliği listelenir ve geri alınabilir.

Sessizce yapılan bir eksiklik veya değişiklik, ciddi her çalışma için ölümcüldür. 'de yapay zeka aracımızın yaptığı her değişiklik kaydedilir. Her birini inceleyebilir, istediklerinizi geri alabilir ve yeni bir belge oluşturabilirsiniz.

06

OpenClaw veya Manus gibi bilgisayar kullanan ajanlar bunu yapabilir mi?

Bu ajanlar bir bilgisayarı bir insanın yaptığı gibi kontrol eder. Belgeyi Microsoft Word veya PowerPoint'te açar, ardından kaydırır, tıklar ve yazarlar.11 Bir insanla aynı programları kullandıkları için bir insan gibi düzenleme yapabilirler ve sonuçlar genellikle etkilidir.

Bedeli maliyet ve hızdır. Ajan, kaydırırken ekran görüntüsü alarak bir belgeyi okur ve her küçük adım, sırada ne yapılacağına karar vermek için bir model çağrısı gerektirir. Full HD bir ekran görüntüsünün tek başına maliyeti yaklaşık 1.500 ile 2.700 token arasındadır.10 OSWorld kıyaslamasında, en iyi ajanlar bile gereğinden 2,7 ila 4,3 kat daha fazla adım attı ve sonraki adımlar, ilk adımlara göre 3 kata kadar daha uzun sürdü.9

Bilgisayar kullanan ajan

  1. Ekran görüntüsü alın
  2. Sonraki eyleme model karar verir
  3. Kaydırın, tıklayın veya yazın
  4. Her adım için tekrarlayın

  1. Metni bir kez okuyun
  2. Gruplar halinde düzenleyin
  3. Dosyayı yazın
20 sayfalık sözleşme, 30 değişiklikBilgisayar kullanan ajan
Model çağrıları≈ 180≈ 12
Çağrı başına token≈ 10,000≈ 4,000
Toplam token≈ 1,800,000≈ 48,000
FarkOSWorld üzerinde ölçülen ek adımlarla ≈ 37 kat daha fazla veya ≈ 100–160 kat daha fazla
Şekil 8Varsayımlar: yaklaşık 11.000 kelime; belgeyi okumak için 60 ekran görüntüsü; düzenleme başına 4 eylem; her çağrı bir ekran görüntüsü ve yakın geçmişi taşır. OneTurn metni bir kez okur ve düzenlemeleri toplu olarak gönderir.

Tahminimize göre, bilgisayar kullanan bir ajan, aynı düzenlemeler için 'den 100 kata kadar daha fazla LLM token'ı kullanabilir ve tamamlanması çok daha uzun sürebilir.

Kaynaklar

  1. Bir WordprocessingML belgesinin yapısıMicrosoft Learn · Open XML SDK belgeleri
  2. ECMA-376: Office Open XML dosya biçimleriEcma International · standart
  3. Bir kelime işlemci belgesini doğrulayınMicrosoft Learn · Open XML SDK belgeleri
  4. Görev Devrettiğinizde LLM'ler Belgelerinizi BozarLaban, Schnabel ve Neville · Microsoft Research · 2026
  5. LongProc: Uzun Bağlamlı Dil Modellerinin Uzun Prosedürel Üretimde KıyaslanmasıYe ve ark. · COLM 2025
  6. Mükemmel Erişime Rağmen Yalnızca Bağlam Uzunluğu LLM Performansını Olumsuz EtkilerDu ve ark. · Findings of EMNLP 2025
  7. Anthropic, Claude Code Kaynak Kodunu npm Kaynak Haritası Dosyası Üzerinden Kazara İfşa EttiInfoQ · 7 Nisan 2026
  8. Yapay zeka ajanları için etkili bağlam mühendisliğiAnthropic Mühendisliği · 29 Eylül 2025
  9. OSWorld-Human: Bilgisayar Kullanım Ajanlarının Verimliliğini KıyaslamaAbhyankar, Qi ve Zhang · MLSys 2026
  10. Görüş: çözünürlük ve token maliyetiClaude Platform belgeleri
  11. Meta'nın Manus'u, OpenClaw çılgınlığı ortasında yapay zeka ajanını kişisel cihazlara getirmek için masaüstü uygulamasını piyasaya sürüyorCNBC · 18 Mart 2026

Şekiller bu makale için yapılmış çizimlerdir. XML gerçek bir WordprocessingML'dir; dosya adları, kişiler ve karar kurgusaldır.

Bozulmasını göze alamayacağınız bir belgede deneyin.

'yi ücretsiz deneyin →