Academic Translation

学术翻译 Skill

直译 → 反思 → 雅化 · 公式零损伤 · 顶会术语库 · 双栏对照

工作流概览

flowchart LR
  A[用户输入] --> P[Preflight<br/>P1 完整性 / P2 模式三选项 / P3 路由]
  P --> R[输入路由<br/>PDF · arXiv · LaTeX · text]
  R --> S1[Step 1 直译<br/>保术语 · 逐句对应]
  S1 --> S2[Step 2 反思<br/>学术规范 + Chinglish 校正]
  S2 --> CK{精翻模式?<br/>中途检查点}
  CK -->|继续| S3[Step 3 雅化<br/>信达雅 + 顶会风格]
  CK -->|停在 Step 2| OUT
  S3 --> OUT[输出 7 文件<br/>三档对照 + 双栏 MD/LaTeX/HTML + self-check]

输入参数（结构化契约）

主流程的所有可控参数集中在 Preflight P1（输入完整性）和 P2（三选项）。下表是机器可读的契约规格——用户没显式说时按"默认"列处理，并以「⚙️ 已应用配置」展示给用户一次回退机会。

输出契约（参考下方 §「输出 — 三档对照 + 双栏对照」详细 schema）：

异常时的输出形态：见下方 §「异常与边界条件」表格。所有阻断场景都会额外生成 ERROR.md，把原始输入 + 失败原因写入 output_dir，绝不静默退出。

不在范围内（请改用其他工具）

学术翻译追求"术语精确 + 公式零损伤 + 投稿规范"，因此对以下场景故意做得不好——它们各自有更合适的工具。遇到下表场景时立即拒绝并推荐对应工具，不要尝试翻译：

关键自检：用户输入命中上表任一行时，绝不进入 Preflight P2 / 三步翻译流程，直接展示"这属于 X 类场景，建议用 Y 工具，原因是 Z"。

⛔ Preflight（任何翻译前的开场白）

读取本 Skill 后，按以下顺序完成 Preflight。这一段看起来繁琐，但跳过其中任何一步都意味着接下来 4 倍时间的精翻可能跑偏方向，得不偿失。

Step P1：输入完整性

Step P2：模式 + 方向 + 术语库三选项澄清

学术翻译的成本差异很大——快速模式只跑直译（≈1× 时间），精翻模式三步全跑（≈4× 时间）。模型不能替用户决定花多少时间。所以这里必须让用户自己选；用户没说时给出默认值并展示「⚙️ 已应用配置」让对方有一次回退机会。

✋ 翻译前请确认 3 个选项：

1. 翻译方向：
   [a] 中 → 英（投稿 / 国际期刊）
   [b] 英 → 中（理解 / 文献综述）
   [c] 双向（生成中英对照版）

2. 输出深度：
   [a] 快速（仅 Step 1 直译，约耗 1×时间，适合快速理解原意）
   [b] 标准（Step 1+2 直译+反思，约耗 2.5×时间，**推荐日常使用**）
   [c] 精翻（Step 1+2+3 直译+反思+雅化，约耗 4×时间，投稿/发表必选）

3. 术语库：
   [a] 仅用内置顶会术语库（refs/glossary/）
   [b] 用户上传自定义术语库（粘贴 / 文件）
   [c] 内置 + 自定义合并（推荐有领域术语时）

用户不指定时默认 1=按输入语言推断 / 2=标准 / 3=仅内置，但要在输出前以「⚙️ 已应用配置」展示给用户。

如果用户选 2c 精翻，额外提示一句："精翻会在 Step 2 → Step 3 之间暂停一次，让你确认术语和直译质量"——这呼应下文的中途检查点。

Step P3：路由

⚠️ 路由 = 加载触发器：进入对应分支前，必须通过 Read 工具读取标 📖 MANDATORY 的文件再开始执行；标 📖 按需 的仅在该子情境出现时加载。 不读 = 走的是空壳分支，下游所有"按 references 规则"的判断都没有依据。

核心方法 — 三步翻译法

设计思路：把翻译流水线拆为「直译 → 反思 → 雅化」三步，每一步都有独立的目标和检查点，是学术翻译领域的成熟范式。

三步法的关键洞察是把"忠实"和"流畅"解耦——人脑同时追求两者会让 LLM 在某一句"为了流畅丢了精度"。先逐句忠实直译（Step 1），再以全文视角校学术规范和术语一致性（Step 2），最后才追求文笔（Step 3）。中间产物全部保留，便于 diff 和回退。

Step 1 — 直译（保术语·逐句对应）

📖 加载触发器：进入 Step 1 前，MANDATORY 读取与目标会议匹配的术语库一份（按用户输入推断或 P2 选择）：

• ML 顶会 → refs/glossary/ml-venues.md
• NLP 顶会 → refs/glossary/nlp-venues.md
• CV 顶会 → refs/glossary/cv-venues.md
• IR/Web/Data → refs/glossary/ir-data-venues.md

用户未指定会议时默认加载 ml-venues.md（最通用）。同时检测 LaTeX 标记 → 触发 📖 MANDATORY: refs/formula-preservation.md。

目标：忠实传达原意，保留所有专业术语、公式、引用，不追求流畅。

强制规则及理由：

1. 公式（$...$ / \\begin{equation} / \\[...\\]）原样保留——它们是 LaTeX 编译产物，翻译会破坏排版且没有"译法"
2. \\cite{} / \\ref{} / \\eqref{} / \\autoref{} 原样保留——这些是引用键，翻译后会让交叉引用全部断裂
3. 专业术语优先用 refs/glossary/ 中的标准译法；术语库未覆盖时保留原文 + 在括号附译法（例 "embedding（嵌入）"），方便读者反向查阅
4. 数字 / 单位 / 化学式 / 算法名原样保留——这些是数据事实，翻译只会引入错误
5. 段落结构（句子边界）保持 1:1 对应——便于 Step 2 反思阶段做对齐
6. 表格保留 = 结构原样 + 表头/数据不翻译 + 仅 caption 翻译——这是高频踩坑点，独立成条说明：
   • Markdown 管道符表格 | col1 | col2 | / |---|---| 的分隔符行、列对齐、表格行数列数全部原样保留
   • 表头（header row）、数据单元格中的数字 / 公式 / 模型名 / 数据集名 / 缩写一律不翻译（与 §核心原则 3 的"不变量"一致）
   • 表格上方/下方的 Table N: ... caption 或紧邻段落属于自然语言，只翻译 caption
   • 输入是 PDF 时，paragraph_kind == "table" 的 segment 整段绕过翻译模型，仅 paragraph_kind == "caption" 走三步流程
   • 输入是 LaTeX 时，\begin{table}...\end{table} 块整段被 <TABLE_n> 占位符替换（见 refs/formula-preservation.md）
   • 输入是 Markdown 时，对管道符表格识别为"表格 segment"，整体替换为 <MDTABLE_n> 占位符，仅 caption 走翻译；输出阶段还原
   • 底线检查：Step 1 输出后扫描原文表格行数 ≥ 1 的情况，若译文表格行数 ≠ 原文 → 阻断该段，重跑或标记 manual_review

输出格式：每段译文带 Provenance 标注：

- segment_id: §3.2-p1
  source_page: 7
  source_section: "3.2 Method"
  source_excerpt: "We propose a novel..."
  step1_literal: "我们提出一种新颖的..."
  preserved:
    formulas: ["$\\mathbf{x}_t = f(\\mathbf{x}_{t-1})$"]
    citations: ["\\cite{vaswani2017attention}"]
    terms_kept_en: ["embedding", "MLP"]

Step 2 — 反思（学术规范 + Chinglish 校正 + 术语一致性）

📖 加载触发器（中→英 翻译方向时 MANDATORY；英→中 时 📖 按需）：

• MANDATORY: refs/chinglish-patterns.md（中→英反思阶段唯一权威）
• MANDATORY: refs/section-conventions.md（学术规范替换）
• 按需: refs/anti-ai-patterns.md（精翻模式才必读）

目标：检查直译产生的不自然表达，应用学术规范，确保术语一致。

4 个反思维度（每段都要逐项检查）：

两条硬约束的理由：

• 术语一致性扫描必须全文级而非段内——读者跨章节查同一概念时，译法不一致会被直接误判为两个东西
• 任何修改保留 Step 1 → Step 2 的 diff 可见——用户回看时能准确知道反思阶段做了什么、是否有改过头

详见 modules/three-step-translation.md 的反思阶段算法。

Step 3 — 雅化（信达雅 + 顶会风格）

📖 加载触发器（精翻模式 2c MANDATORY，标准模式 2b 不进 Step 3 不加载）：

• MANDATORY: refs/word-choice-table.md（顶会动词替换表）
• MANDATORY: refs/anti-ai-patterns.md（去 AI 味规则，雅化阶段最易引入 AI 腔）
• 按需: 与目标会议匹配的 refs/glossary/{venue}.md（已在 Step 1 加载，复用即可）

目标：在 Step 2 已规范的基础上，提升流畅度、紧凑度、可读性，达到投稿级。

3 个雅化维度：

目标会议适配（用户指定时）：

Step 3 收尾自检（理由：雅化阶段最容易"改过头改丢内容"，这五项是底线）：

• ✅ Provenance 仍可追溯到 Step 1 的源段落
• ✅ 公式、\\cite{}、\\ref{} 一字未改
• ✅ 数字 / 实验结果 / 数据集名 一字未改
• ✅ 用户自定义术语库的强制术语 100% 命中
• ✅ 表格行数 / 列数 / 数据单元格内容与原文严格一致；只允许 caption 被翻译
• ✅ 07-bilingual.html 必须存在且 scripts/preserve_latex.py --verify --html 通过——HTML 是双栏对照的默认主交付物，缺失 = 输出失败

🛑 中途检查点（精翻模式必经，标准/快速模式跳过）

触发：用户在 Preflight P2 选了 2c 精翻。
位置：Step 2 完成后、Step 3 开始前。
为什么需要它：精翻三步成本接近快速模式 4 倍。如果 Step 2 的术语和直译方向已经偏了，再花 1.5× 的成本跑 Step 3 雅化只会把错误"包装得更精美"。前移检查点的代价远小于事后重跑。

必做动作

1. 阻断流程——不要自动进入 Step 3，等待用户输入。
2. 展示三件物给用户：
   • 📊 Step 1 → Step 2 diff 摘要：被反思阶段改写的段落数 / 术语统一替换数 / Chinglish 修正数 / 去 AI 味命中条数
   • 📋 抽样段对照：随机抽 2-3 段，展示 step1_literal vs step2_academic 并排对照
   • 📚 术语命中表：本文出现的术语 × 当前选用译法 × 来源（内置 glossary / 用户术语库 / 模型推断）
3. 三选项询问（措辞统一）：

   ✋ Step 2 完成。是否进入 Step 3 雅化？
      [a] 继续雅化（采用当前术语和直译）
      [b] 修订后再雅化（你给我术语/段落级修改意见，我应用后再问你一次）
      [c] 就停在 Step 2（不雅化，只输出 01 + 02 两份文件）
   

4. 选项 b 的回环：应用用户修改 → 重新跑 Step 2 反思一致性 → 再回到本检查点询问，最多 3 轮，超出后让用户在 a/c 之间二选一（防止无限改）。
5. 选项 c 的输出收敛：标记 output_files = [01, 02, 04, 06, 07]（跳过 03 雅化和 05 LaTeX 投稿版；07 HTML 仍生成，顶栏标 "学术规范版（未雅化）"），并在 06-self-check.md 注明"用户在 Step 2 后停止"。

这里不要做的事（理由）

• ❌ 不要把"是否继续"问题与 P2 的三选项合并提问——P2 在翻译前问，本检查点在 Step 2 后问，时机不同，合并会让用户在没看到译文的情况下被迫决策
• ❌ 不要静默跳过该检查点（哪怕用户在 P2 时勾过"全自动"）——本检查点优先级高于自动化偏好，因为它是发现"翻译跑飞"的最后机会
• ❌ 不要在该检查点修改公式 / \\cite{} / Provenance（这些是不变量，下文会展开）

标准模式（2b）不强制本检查点，但建议在 Step 2 完成后主动展示一次 diff 摘要供用户参考；快速模式（2a）不进入本检查点。

输出 — 三档对照 + 双栏对照（默认全产）

⚠️ 强约束：standard / full 模式下 07-bilingual.html 必须生成——它是双栏对照的默认主交付物（用户最常打开的就是 HTML，因为有公式渲染 + 视图切换 + 段落复制）。
跳过 07 = 输出残缺 = 视为生成失败。常见误区：模型只产 Markdown 就停手；本 Skill 显式禁止此行为。
若运行环境不支持写 HTML（极少见），必须在 06-self-check.md 顶部红字标注"HTML 未生成，原因 = X"，不允许静默跳过。

每次精翻调用都生成 7 个文件（默认放在 translation-output/{timestamp}-{paper-id}/）：

生成顺序：先 01→02→03 三档对照 → 再衍生 04（双栏 MD）→ 05（双栏 LaTeX）→ 07（双栏 HTML，必出） → 最后 06（自检报告，含 07 是否生成的状态）。
收尾断言：所有应出文件未出齐时，模型必须显式向用户报错「输出不完整：缺少 X」并给出补救方案，不允许沉默交付。

模板见 assets/templates/。HTML 渲染契约详见 modules/bilingual-export.md。

核心原则

1. 不修改用户原文件

读取原文 + 写到独立目录是基本契约。即使用户说"在原文上改"，也要写到 translation-output/ 后告知用户——他们随时可能想回头比较译稿和原文，原地改会让这个动作不可逆。

2. Provenance 三维度（防幻觉护城河）

每段译文必须可追溯到：

1. 页码 / 行号（PDF 来源）
2. 章节标题（§3.2 Method）
3. 原文 excerpt（≥ 30 字，便于 ngram 校验）

为什么三维度都要：单靠"页码"会被分页错位干扰、单靠"章节"无法定位到段、单靠 excerpt 在长论文里可能多次匹配。三维度组合让 hallucination 几乎无处遁形。

3. 公式与引用是不变量（IDEMPOTENT）

公式、\\cite{}、\\ref{}、\\eqref{}、算法块、数据集名、数字——这些是论文中"不存在译法"的元素。Step 3 输出前 scripts/preserve_latex.py --verify 会自动校验；校验失败 → 阻断输出，回退到 Step 2 重跑。这是底线，因为一旦这些被翻动，整篇论文的 LaTeX 编译和交叉引用全会崩。

4. 渐进式披露（按需加载）

本文件只做路由 + 原则 + 三步法概述。详细工作流在 modules/*.md，术语库 / 模式表在 refs/，通用脚本在 scripts/。

5. 多 provider 切换（鲁棒性）

支持多个 LLM provider 互为兜底，并保留对外部"AI + 人工 verify"工具的转交路径：

详见 modules/provider-fallback.md（按需创建，当前默认 Claude）。

6. 容易做错的几件事（写出来是为了让模型避开陷阱）

• 跳 Step：精翻三步缺一会让术语不一致和 Chinglish 残留——Step 2 是术语全文统一的唯一时机
• 翻译公式：LaTeX 公式、\\cite{}、数字、算法名属于"非自然语言"——动它们 = 编译失败
• 翻译表格 / 把表格弄丢：管道符表格 | ... | 经过翻译模型会被改写成纯文本段落、表头变成中文、行列对不齐——必须按 Step 1 强制规则第 6 条整段占位符化，仅 caption 走翻译；输出阶段还原
• HTML 不生成 / 静默跳过 07：standard/full 模式下 07-bilingual.html 是默认主交付物，模型常误以为"只产 Markdown 就够了"——跳过 = 视为输出失败，必须在 06-self-check 中显式标注或补出
• 自行决定模式：精翻和快速模式成本差 4 倍，模型替用户猜错会浪费用户时间或漏译质量，所以 P2 不能跳
• 改写用户原文件：所有产出走 translation-output/——保留原文是事后审计和回退的前提
• 术语库未加载就声称"已应用顶会术语"：加载失败必须明确提示，否则用户被误导
• Step 3 改动 Step 2 已对齐的 Provenance：会破坏 diff 可追溯性，雅化只调措辞不改锚点
• 扫描件 PDF 当文本层处理：OCR 在公式和数字上幻觉率高，必须先 OCR 校验再交给本 skill

6.1 反模式 Bad → Good 示例（最容易出错的 4 类）

文字描述容易让模型"知道但做不到"——下面 4 条配对示例是真实踩坑后总结出来的，看一眼差异就能记住边界。

❌ Bad — 翻译 \cite{}：

原文：following \cite{vaswani2017attention}, we adopt the Transformer architecture.
输出：参照 Vaswani 等（2017）提出的方法，我们采用了 Transformer 架构。
问题：\cite{} 引用键被拆解为「Vaswani 等（2017）」，原 LaTeX 文档此处的交叉引用全部断裂，编译后 PDF 的引用列表会缺失这一条。

✅ Good — 保留 \cite{} 原样 + 自然语序整合：

原文：following \cite{vaswani2017attention}, we adopt the Transformer architecture.
输出：参照 \cite{vaswani2017attention}，我们采用了 Transformer 架构。
关键：引用键作为不可见占位符整体保留，BibTeX 编译后自然显示为正确的引用形式。

❌ Bad — 解释公式语义：

原文：The loss is $\mathcal{L} = -\sum_{t=1}^T \log p(y_t|y_{<t}, x; \theta)$.
输出：损失函数 $\mathcal{L} = -\sum_{t=1}^T \log p(y_t|y_{<t}, x; \theta)$（即对所有时间步 t=1 到 T，对条件概率取对数后求和再取负）。
问题：括号内的语义解释属于"模型自作主张的注释"，原文没有，会污染 source-of-truth；并且数学符号读者本就懂，注释是冗余。

✅ Good — 公式零修饰：

原文：The loss is $\mathcal{L} = -\sum_{t=1}^T \log p(y_t|y_{<t}, x; \theta)$.
输出：损失函数为 $\mathcal{L} = -\sum_{t=1}^T \log p(y_t|y_{<t}, x; \theta)$。
关键：公式只搬运不解释，需要解释时让原文作者在另起的"释义段"里写。

❌ Bad — 中→英翻译保留 Chinglish 重复：

原文：近年来，大语言模型展示了显著的能力。然而，近年来其计算成本依然高昂。
输出：In recent years, large language models have demonstrated remarkable capabilities. However, in recent years their computational cost remains high.
问题：原文两次「近年来」是中文写作的允许重复，但英文学术写作中 "in recent years" 重复出现是典型 Chinglish 标志，会被审稿人扣分。

✅ Good — Step 2 反思阶段消除重复：

原文：近年来，大语言模型展示了显著的能力。然而，近年来其计算成本依然高昂。
输出：Recently, large language models have shown remarkable capabilities. However, their computational cost remains high.
关键：保留首句的「Recently」（用 recently 替代啰嗦的 in recent years），第二句省略时间状语让转折更紧凑——这是 refs/chinglish-patterns.md 中明确列出的高频修正项。

❌ Bad — 直接翻译商务邮件（超范围）：

用户输入："帮我翻译这封邮件给客户：尊敬的张总，您好！感谢您百忙之中..."
错误处理：直接走 Preflight P2 三选项 → Step 1 直译 → 输出英文邮件
问题：本 Skill 的"信达雅 + 顶会风格"会强行套用学术语气（如把"百忙之中"翻成 "in your busy schedule of important matters"），破坏商务邮件的礼貌客套，反而不如 DeepL 自然。

✅ Good — 范围检测先行：

用户输入："帮我翻译这封邮件给客户：尊敬的张总..."
正确处理：识别"邮件"+"尊敬的"为「不在范围内」表格第 1 行的命中信号 → 立即拒绝并展示：
  「这属于通用商务文本，建议用 DeepL 或沉浸式翻译。
   原因：本 Skill 的顶会风格规则会破坏商务礼貌语气，反而不如通用机翻自然。」
关键：超范围拒绝不是失败，是设计——拒绝后用户得到正确推荐，比强行翻译更有价值。

🚧 异常与边界条件

流程假设环境理想，但翻译实操常遇异常。以下预定义 fallback，保证 skill 不会"一跑就卡住"，也不会静默失败误导用户。

原则：异常先告知用户、再按规则处理；任何 fallback 路径都要在 06-self-check.md 中留痕，便于用户审计。

模块概览

参考资料

配置与扩展

• 用户自定义术语库：config/user-glossary.template.yaml
• 输出目录：translation-output/{ISO-time}-{paper-slug}/（自动创建）
• LaTeX 字体：默认 xeCJK + STSong / SimSun fallback
• PDF 字体：默认 PingFang SC / Noto Sans CJK fallback

⛔ Do NOT pre-load all refs/ files —— refs/ 下共 5 份规则库 + 5 份会议术语库（合计 ~26K Token），全部预读会让 Skill 启动 Token 翻倍且与本次任务无关。

加载顺序铁律：

1. 仅本文件（SKILL.md，~360 行）默认读入；
2. 进入 Preflight P3 路由后，按 📖 MANDATORY 标记逐条触发加载（最多 3 个文件即可覆盖任何输入类型）；
3. Step 1/2/3 中的 inline 加载触发器仅在该 Step 启动时激活（标准模式 2b 永远不读 word-choice-table.md / anti-ai-patterns.md，因为不进 Step 3）。