ChatGPT, Claude, Gemini. Wszystkie potrafią zrecenzować fragment tekstu. Wskazać słabe dialogi, zaproponować mocniejszy początek, zasugerować więcej sensoryki w opisach. Robią to dobrze. Ale jest jedno zadanie, do którego żaden z nich nie jest zaprojektowany: aktywne śledzenie tego, co budujesz rozdział po rozdziale.
Co LLM robi z twoim tekstem
Nowoczesne modele językowe mają ogromne okna kontekstowe: Claude czy Gemini mogą „zobaczyć” naraz setki stron tekstu. Więc technicznie: tak, model może mieć wszystkie twoje rozdziały przed sobą jednocześnie. Problem nie polega na pamięci. Polega na tym, co model z tym tekstem robi.
LLM czyta tekst jako płaski ciąg słów. Nie buduje z niego struktury. Nie wyciąga relacji: że ta postać bez imienia w rozdziale 1 to ta sama osoba, która pojawia się z nazwiskiem w rozdziale 4. Że wątek otwarty w rozdziale 3 nie został zamknięty. Że opis fizyczny protagonisty zmienił się między scenami.
Model widzi słowa. Nie widzi historii, którą te słowa tworzą.
Dodatkowy problem: przy długich tekstach jakość analizy spada. Znane zjawisko „lost in the middle”: model gorzej przetwarza informacje z połowy kontekstu niż z początku i końca. Im dłuższa powieść, tym bardziej środkowe rozdziały wypadają z pola uwagi.
Powieść to nie dokument, to sekwencja
Kiedy piszesz powieść, budujesz coś, co ma wewnętrzną pamięć. Czytelnik pamięta twarz antagonisty opisaną w rozdziale 1, kiedy ten pojawia się bez nazwiska w rozdziale 6. Pamięta, że protagonista w rozdziale 3 powiedział coś, czego nie powinien był powiedzieć. Pamięta, że pewien przedmiot, wspomniany mimochodem na początku, wraca w finale i nabiera nowego znaczenia.
Ta ciągłość to mechanizm, który sprawia, że powieść działa. Feedback, który jej nie uwzględnia, może być technicznie poprawny, ale jest oderwany od tego, co naprawdę napisałeś. Czasem zaproponuje dodanie czegoś, co już jest w tekście, tylko trzy rozdziały wcześniej, ukryte w geście albo dialogu.
Co musi robić narzędzie do analizy powieści
Żeby dać sensowny feedback do rozdziału 8, narzędzie musi aktywnie śledzić:
- jak postać X wyglądała i zachowywała się w rozdziałach 1–7
- jakie wątki zostały otwarte i które się zamknęły
- co czytelnik już wie, a czego jeszcze nie
- które elementy powtarzają się, które ewoluują, które znikają
To nie jest kwestia „wklejenia wszystkich rozdziałów do jednego okna”. To kwestia strukturyzowania wiedzy o powieści w miarę czytania, tak jak robi to uważny redaktor z notatnikiem.
Jak Vellam podchodzi do problemu
Vellam czyta rozdziały jeden po drugim, tak jak czytamy powieść. Po każdym rozdziale aktywnie aktualizuje bazy: profile postaci (wygląd, zachowanie, rola w tej konkretnej scenie), lokacje, otwarte i zamknięte wątki. To nie jest samo „widzenie tekstu”, to strukturyzowanie tego, co w tekście jest.
Kiedy Vellam analizuje rozdział 8, ma za sobą siedem rozdziałów przeczytanych i skatalogowanych. Może powiedzieć rzeczy, których płaska analiza tekstu nie powie:
- „Opis fizyczny tej postaci nieznacznie odbiega od tego z rozdziału 1, warto sprawdzić spójność.”
- „Ten wątek pojawia się tu po raz pierwszy od rozdziału 4. Jeśli przerwa jest celowa, działa dobrze. Jeśli nie, może warto krótko przypomnieć czytelnikowi kontekst.”
- „Postać zachowuje tutaj pełną ciągłość z poprzednimi scenami: reakcja na tę sytuację jest spójna z tym, co wiemy o niej od rozdziału 2.”
- „Motyw wprowadzony w rozdziale 3 wraca tu w zmienionej formie. To jeden z mocniejszych momentów w tej części rękopisu.”
To nie jest feedback ogólny. To feedback o tej konkretnej powieści, oparty na jej historii, nie tylko na tekście bieżącego rozdziału.
Dla kogo to ma znaczenie
Jeśli piszesz opowiadanie albo krótką formę, model językowy prawdopodobnie wystarczy. Jeden tekst, jedno zapytanie. Jeśli piszesz powieść i zależy ci na tym, żeby feedback uwzględniał to, co naprawdę zbudowałeś, potrzebujesz narzędzia, które śledzi tę historię razem z tobą.