Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarHabr AI→ original

Un abogado enseñó a un agente de IA a hacer correcciones puntuales en Word con Track Changes

Un abogado se cansó de trasladar a mano a los contratos las correcciones que le sugería un chat de IA. En lugar de un conjunto de comandos rígidos, dio al modelo un sandbox con Python. El agente analiza por sí mismo el XML del interior del .docx y aplica correcciones puntuales con Track Changes: cambia «30» por «45» sin reescribir el párrafo. Para archivos de estructura impredecible, esa flexibilidad resultó más práctica que las operaciones predefinidas.

Procesado por IA desde Habr AI; editado por Hamidun News
Un abogado enseñó a un agente de IA a hacer correcciones puntuales en Word con Track Changes
Fuente: Habr AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalHabr AI ↗
Editor jefe
Dato clave #1El servidor Veqtor Workspace ofrece al modelo cuatro herramientas MCP y Python sin acceso a red
Dato clave #2Funciona con Claude y con modelos de OpenAI; el modelo en sí no está integrado en el servidor
Dato clave #3El archivo original se conserva, y el resultado en Word lo sigue revisando una persona

Quien haya trabajado con contratos conoce la rutina: comentas con una IA una redacción acertada, y después buscas a mano la cláusula en Word, sustituyes el texto, revisas las disposiciones contiguas y añades un comentario. El abogado autor de esta historia decidió eliminar precisamente ese paso. Lo logró, aunque no al primer intento, y el camino resulta más interesante que el resultado: muestra dónde está la frontera entre las operaciones escritas de antemano y el código que el agente escribe sobre la marcha.

Por qué la primera versión chocó con el formato

Al principio, el autor optó por un control estricto. Creó un servidor MCP con un conjunto de operaciones predefinidas sobre el documento. Aquí MCP sirve para que el modelo conectado pueda invocar las herramientas del servidor. El modelo decide qué cambiar, y el código convencional ejecuta la sustitución con cuidado: localiza el texto, comprueba el estado inicial, aplica la corrección y vigila que no se toque nada más.

El problema es que un .docx es un archivo ZIP con partes XML. Una frase que en Word parece una sola línea suele estar dividida internamente en varios fragmentos. Al lado puede haber un comentario, una parte del texto marcada como insertada y otra como eliminada, y todo ello dentro de la celda de una tabla. Para un abogado, es un contrato normal tras varias rondas de negociación. Para un programa que debe cambiar un par de palabras sin romper las correcciones ajenas, es un cúmulo de casos especiales.

Cada documento nuevo obligaba a ampliar las reglas y las comprobaciones. En algún momento el autor se dio cuenta de que estaba escribiendo un editor de Word cada vez más complejo, cuando la tarea era más modesta: no trasladar las correcciones a mano.

Segunda versión: el servidor da el entorno, el modelo escribe el código

Entonces invirtió el esquema. Los modelos actuales escriben bien código, también para analizar un archivo concreto, así que ¿por qué limitarlos a la lista de operaciones que una persona ha tenido tiempo de implementar? Así nació Veqtor Workspace. El servidor da acceso a los documentos elegidos y a un entorno de Python; el agente estudia el archivo, analiza el XML cuando hace falta y escribe el código para el cambio concreto. Si el código falla, el agente recibe el error y lo corrige.

El servidor tiene cuatro herramientas MCP:

  • workspace_info explica cómo está organizado el entorno de trabajo;
  • document_task crea una tarea con una copia de trabajo del documento y guarda el resultado;
  • run_python ejecuta el código escrito por el modelo;
  • check_docx compara el original con el resultado y, si es necesario, genera una vista previa.

Las restricciones siguen del lado del servidor. Python se ejecuta en local, sin red, solo con los archivos seleccionados y una carpeta de trabajo aparte. La versión original se conserva y, antes de escribir el resultado, el servidor comprueba si el original ha cambiado durante el trabajo. El servidor no incluye ningún modelo de lenguaje: razona el modelo al que se conecta, ya sea Claude o un modelo de OpenAI.

Qué se logró y dónde están los problemas

Según el autor, en las pruebas con Claude y con modelos de OpenAI el agente leyó los documentos, encontró el fragmento necesario y preparó un archivo con correcciones en modo Track Changes. Lo esencial para un abogado es cómo se ven exactamente los cambios. Si un plazo pasa de 30 a 45 días, hay que ver la sustitución del número, no un párrafo eliminado e insertado de nuevo: de lo contrario, la otra parte tendría que comparar todo el texto. El nuevo esquema produce correcciones puntuales que en Word se pueden revisar, aceptar o rechazar.

También es ilustrativo el formato de la petición: «sustituye 30 días por 45, conserva el resto de las redacciones, el formato, las correcciones y los comentarios existentes, y haz el cambio en modo de control de cambios». No basta con que el número 45 aparezca en el texto final; hace falta un documento con el que las personas puedan seguir trabajando.

El propio autor señala las limitaciones:

  • el modelo puede elegir una forma de corrección poco acertada, tocar texto de más o interpretar mal las correcciones antiguas;
  • la comprobación del XML no sustituye la revisión en el propio Word;
  • el servidor trabaja con el archivo guardado y no ve los cambios sin guardar en una ventana abierta;
  • el código se ejecuta en local, pero con un modelo en la nube el texto leído le llega a través de los resultados de las llamadas a las herramientas, algo importante en contratos confidenciales;
  • la flexibilidad cuesta tiempo y tokens: el agente tiene que entender el archivo, escribir el código y, a veces, corregirse, mientras que una función ya preparada para un caso conocido es más rápida y predecible.

Conclusión práctica

El autor reparte la responsabilidad así: el acceso a los archivos, la conservación de los originales y la escritura del resultado siguen bajo el control del servidor, el modelo elige cómo leer y editar, y una persona revisa el resultado final. Para los desarrolladores, es una plantilla viable para cualquier formato con una estructura interna «sucia»: Excel, PowerPoint, PDF. Si las entradas son demasiado variadas para describir de antemano cada escenario, es más barato dar al agente un sandbox y límites de acceso estrictos, y reservar las funciones deterministas para los casos frecuentes y bien conocidos.

El propio autor se define como vibecoder y pide a los profesionales que le ayuden a decidir dónde trazar la frontera entre la libertad del modelo y las operaciones implementadas de antemano.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Por qué la primera versión chocó con el formato?

Al principio, el autor optó por un control estricto. Creó un servidor MCP con un conjunto de operaciones predefinidas sobre el documento. Aquí MCP sirve para que el modelo conectado pueda invocar las herramientas del servidor. El modelo decide qué cambiar, y el código convencional ejecuta la sustitución con cuidado: localiza el texto, comprueba el estado inicial, aplica la corrección y vigila que no se toque nada más. El problema es que un .docx es un archivo ZIP con partes XML.

¿Qué se sabe sobre Segunda versión: el servidor da el entorno, el modelo escribe el código?

Entonces invirtió el esquema. Los modelos actuales escriben bien código, también para analizar un archivo concreto, así que ¿por qué limitarlos a la lista de operaciones que una persona ha tenido tiempo de implementar? Así nació Veqtor Workspace. El servidor da acceso a los documentos elegidos y a un entorno de Python; el agente estudia el archivo, analiza el XML cuando hace falta y escribe el código para el cambio concreto. Si el código falla, el agente recibe el error y lo corrige.

¿Qué se sabe sobre Qué se logró y dónde están los problemas?

Según el autor, en las pruebas con Claude y con modelos de OpenAI el agente leyó los documentos, encontró el fragmento necesario y preparó un archivo con correcciones en modo Track Changes. Lo esencial para un abogado es cómo se ven exactamente los cambios. Si un plazo pasa de 30 a 45 días, hay que ver la sustitución del número, no un párrafo eliminado e insertado de nuevo: de lo contrario, la otra parte tendría que comparar todo el texto.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…