translate-polish

translate-polish — AI 翻译润色工作台

把"一次性机翻"升级为"专业译后精修"的可复用流程。质量不靠模型运气，靠流程。

核心理念（来自 2025 一线实践）

1. 译前准备 > 译后修补：源文质量决定译文上限。翻译前先澄清领域、受众、语气、地区（US/UK、简中/繁中）。
2. 术语护城河：建术语表（glossary）+ 禁译表（DNT），强制一致性。专业名词错译率可从 15% 降到 3%。
3. 语境优先于碎片：整段/整句翻译并附上下文，不要逐句丢给模型。
4. 两遍校对：Pass1 校准确性（术语/事实/数字/人名/链接），Pass2 校流畅度（可读性/语气/衔接）。
5. 共识翻译：关键内容用多模型交叉验证，少数派错误会被多数票掉。
6. 持续进化：收集译后修正记录，沉淀术语库与 Translation Memory。

标准工作流

1. 译前 brief（一句话随文携带）

[领域] 计算机科学 / 法律合同 / 医疗器械 / 营销
[受众] 期刊审稿人 / 终端消费者 / 监管者
[语气] 正式学术 / 商务正式 / 友好口语
[地区] 美式 / 英式 / 简中 / 繁中
[禁译] 品牌名、产品SKU、代码变量保持原文

2. 源文预处理

• 拆长句为短陈述句（多从句的长句更易译错）
• 首字母展开缩写（MT → machine translation）
• 消解指代歧义（this/it/they 补出真实名词）
• 统一术语（同一概念不要 client/customer/end user 混用）

3. 分块翻译（长文）

按 500–800 字/块切分，附术语表与领域关键词（论文摘要+关键词先给模型建立领域认知）。 可调用 long-text-summarizer 的分块器 chunker.py 先切，再逐块喂译。

4. 术语一致性校验（脚本）

翻译完成后，用本技能脚本校验约定术语是否被遵守：

python scripts/glossary_check.py <译文文件> --glossary glossary.json

glossary.json 格式：

{
  "人工智能": "Artificial Intelligence",
  "神经网络": "Neural Network",
  "wafer": "晶圆"
}

脚本报告：哪些源术语出现但目标术语缺失/不一致。

5. 两遍校对

• Pass1 准确性：逐条核对术语、事实、数字、人名、链接、占位符 {x}/%s、HTML/Markdown 标签是否被破坏。
• Pass2 流畅度：读 aloud 或 TTS 抓拗口处；强化学术风格（"We think"→"The findings suggest"）、量化表述（"good results"→"a 15.2% improvement"）。

6. 文化适配

• 识别文化特定表达（"摸着石头过河"→"trial-and-error approach"）
• 隐喻本地化（"黑箱模型"→"opaque model" 而非直译 "black box model"）
• 地区变体（soccer/football, color/colour）

自我进化学习系统

本技能使用 scripts/learner.py 记录每次翻译任务的成败与高频错误模式：

# 记录一次翻译（成功）
python scripts/learner.py record <技能目录> --capability 术语一致性 --note "用户要求法律合同连带责任译法"

# 记录一次失败（错误类型会被累计）
python scripts/learner.py record <技能目录> --capability 文化适配 --fail --error 文化误译 --note "成语直译导致歧义"

# 查看累计洞察
python scripts/learner.py insight <技能目录>

# 自动复盘：某错误累计≥3次→建议加预检；操作≥10次→高低频分析
python scripts/learner.py reflect <技能目录>

记忆落盘在 learned_patterns.json，跨会话持续积累，使本技能越用越准。

安全边界

• 敏感/涉密文本切勿外发到第三方翻译 API；优先本地模型或脱敏后处理。
• 法律/医疗关键文件保留 100% 人工复审，AI 仅做预翻译+精修建议。
• 不翻译密级文档、个人隐私数据。