infometa/workbuddyskills/academic-translation
Claude Code and agent skill by infometa/workbuddyskills
- community
Checking that the SKILL.md file is still in the repository.
当用户需要学术论文中英互译、润色、Chinglish 修复时使用。三步法(直译→反思→雅化),公式/cite 零损伤,顶会术语库,双栏对照,不动原文件。
Install
npx vskill@latest install infometa/workbuddyskills/academic-translationSKILL.md
The same SKILL.md was published earlier as infometa/workbuddyskills/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
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。
| 参数 | 类型 | 必填 | 默认 | 取值 / 说明 | |
|---|---|---|---|---|---|
input_kind | enum | ✅ | 自动检测 | pdf / arxiv_id / latex / markdown / text;P1 完整性检查决定 | |
direction | enum | 否 | 按输入语言推断 | zh2en 中→英(投稿)/ en2zh 英→中(理解)/ bilingual 双向对照 | |
depth | enum | 否 | standard | quick(仅 Step 1,~1× 时间)/ standard(Step 1+2,~2.5×,日常推荐)/ full(Step 1+2+3,~4×,投稿必选) | |
glossary_mode | enum | 否 | builtin | builtin 仅内置顶会术语库 / user 仅用户上传术语库 / merged 双方合并(推荐有领域术语时) | |
target_venue | string | 否 | 自动推断或 ml | ml / nlp / cv / ir 之一;决定 Step 1 加载哪份 glossary/{venue}.md | |
output_dir | path | 否 | translation-output/{ISO-time}-{paper-slug}/ | 用户可指定,但绝不写入用户原始文件路径 |
输出契约(参考下方 §「输出 — 三档对照 + 双栏对照」详细 schema):
| 字段 | 类型 | 默认存在的模式 | |
|---|---|---|---|
output_files | list[str] | quick→{01,06} / standard→{01,02,04,06,07} / full→{01,02,03,04,05,06,07} | |
provenance.coverage_pct | float [0,1] | 全模式存在;理想 ≥ 0.95 | |
preserve_latex.verify_passed | bool | 含 LaTeX 输入时存在;false → 阻断输出 | |
terms_hit_rate | float [0,1] | 全模式存在;术语库命中率 |
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:
| 场景类型 | 典型输入 | 推荐替代工具 | 拒绝原因 | |
|---|---|---|---|---|
| 通用文本 / 邮件 / 新闻 | "尊敬的 X 总" / "Today's headline" | DeepL / 沉浸式翻译 | 学术 Skill 会强行套用顶会风格表达(如 "We propose"),破坏商务/口语语气 | |
| 代码注释 / Commit msg / i18n | // Calculate sum of array | 通用机翻或代码翻译工具 | 短上下文,本 Skill 的 Provenance 三维度 + 6 文件输出是过度设计 | |
| 产品 UI / 营销文案 | "Buy now! Save 50%" | 通用 i18n 工作流工具 | 需要 i18n 工作流 + 文化适配 | |
| 视频字幕 | 含时间码 00:01:23 | 字幕专用工具 | 时间码处理 + 口语风格 | |
| 扫描件 PDF(无文本层) | 纯图片论文 PDF | 先用 OCR 工具,再回本 Skill | OCR 在公式/数字上幻觉率高,输出会"看似合理但数据错乱" | |
| 法律 / 医学专业级 | 合同 / 病例 / 处方 | AI + 人工 verify 工具 | 法律医学错译有真实代价,需人工校对 | |
| 诗词 / 文学押韵 | 王维"空山新雨后" | 诗词专用工具 | 本 Skill 的"信达雅"针对论文,不针对意境 / 押韵 |
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
| 输入类型 | 检查项 | 失败处理 | |
|---|---|---|---|
| PDF 文件 | 路径存在 + 文本层可提取(非扫描件) | 跑 scripts/extract_pdf.py --check {path} 提示用户 | |
| arXiv ID | 格式 YYMM.NNNNN 或旧式 arch-ive/YYMMNNN | 失败 → 询问用户重新提供 | |
| LaTeX 源 | 含 \documentclass 或 \begin{document} | 失败 → 当作普通文本处理但提示 | |
| 粘贴文本 | 字符数 ≥ 50 | 失败 → 询问是否要翻译这么短的内容 | |
| Markdown | 文件存在或粘贴 | — |
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。
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。
| 用户意图 | 路由模块 + 加载触发器 | |
|---|---|---|
| "翻译这个 PDF / arxiv 论文" | 📖 MANDATORY: modules/input-router.md → 三步翻译 | |
| "把这段中文翻成英文" / "translate to English" | 📖 MANDATORY: modules/input-router.md text 分支 | |
| "翻译并保留公式" / "保留 latex 翻译" | 📖 MANDATORY: modules/input-router.md latex 分支 + 📖 MANDATORY: refs/formula-preservation.md | |
| "中英对照" / "bilingual" | 三步翻译 + 📖 MANDATORY: modules/bilingual-export.md | |
| "精翻" / "投稿翻译" / "雅化" | 三步翻译全开 + 📖 MANDATORY: modules/academic-polish.md + 📖 按需: refs/anti-ai-patterns.md | |
| "快翻" / "快速翻译" / "粗翻" | 仅 Step 1(不加载 polish / chinglish-patterns) | |
| "用我的术语库翻" / "自定义术语" | 📖 按需: config/user-glossary.template.yaml | |
| "校对译文" / "review my translation" | 跳 Step 1,从 Step 2 进入 + 📖 MANDATORY: refs/chinglish-patterns.md |
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:
- 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" \\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- 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
- 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
- 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
- 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:
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):
| 维度 | 规则来源 | 典型问题 → 修正 | |
|---|---|---|---|
| 学术规范 | refs/section-conventions.md | "我们做了实验显示..." → "实验结果表明..." | |
| Chinglish 校正(中→英时) | refs/chinglish-patterns.md | "in recent years" 滥用 → "recently" / 删除 | |
| 去 AI 味 | refs/anti-ai-patterns.md | "在本文中,我们..." 滥用 → 视语境精简 | |
| 术语一致性 | refs/glossary/ + 用户术语库 | 同一术语在 §1 译"嵌入"、§3 译"嵌入向量" → 全文统一 |
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:
| 维度 | 规则来源 | 例 | |
|---|---|---|---|
| 信达雅 | 译文要"信"(忠实)、"达"(通顺)、"雅"(优美) | "本研究展示了..." → "本研究表明..." | |
| 顶会风格(CS 顶会偏好) | refs/word-choice-table.md | "utilize" → "use", "demonstrate" → "show", "a plethora of" → "many" | |
| 段落级流动 | refs/section-conventions.md | 加逻辑连接词(however / thus / nonetheless),消除"句子的水滴" |
目标会议适配(用户指定时):
| 会议域 | 风格特点 | 引用此 Glossary | |
|---|---|---|---|
| ML(NeurIPS/ICLR/ICML/AAAI/IJCAI) | 简洁、公式重、数学化语言 | glossary/ml-venues.md | |
| NLP(ACL/EMNLP/NAACL) | 语言学精度、相关工作详尽 | glossary/nlp-venues.md | |
| CV(CVPR/ICCV/ECCV) | 视觉术语精确、benchmark 表达规范 | glossary/cv-venues.md | |
| IR/Web/Data(SIGIR/WWW/KDD/CIKM) | 问题动机、实用 impact 强 | glossary/ir-data-venues.md |
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
- 阻断流程——不要自动进入 Step 3,等待用户输入。
- 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_literalvsstep2_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)
- 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) ``
- 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)。
- 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}/):
| 文件 | 用途 | 必出模式 | |
|---|---|---|---|
01-step1-literal.md | Step 1 直译初稿 | quick / standard / full | |
02-step2-academic.md | Step 2 学术规范版 | standard / full | |
03-step3-polished.md | Step 3 信达雅终稿 | full | |
04-bilingual.md | 双栏对照(左原文 / 右终稿) | standard / full | |
05-bilingual.tex | LaTeX 双栏(投稿用) | full | |
06-self-check.md | 自检报告(术语命中率 / 公式保留率 / 表格保留率 / Provenance 完整性 / HTML 生成状态) | quick / standard / full | |
07-bilingual.html | 双栏 HTML(浏览器即开 + MathJax + 视图切换 + 复制 + 表格原样渲染) | standard / full(必出) |
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。
This is the start of the file. Read the full SKILL.md on GitHub.
Security
- Security scanPassed, 90 of 100Pattern checks on the skill's files.
- Model reviewPassed
Quality evaluation
- Task evaluationNot runNo evaluation yet. Run one in Skill Studio.
Source
- SKILL.md in the repositoryCheckingskills/academic-translation/SKILL.md
Popularity
- Repository stars
- 338
- Repository forks
- 111
- 7-day trend score
- 34
Stars and forks are for the whole GitHub repository, not this skill alone. Not refreshed yet.
Works with
Any agent vskill installs to: 56 targets in all. These 39 have a page on this site.
- Claude Code
- Cursor
- GitHub Copilot
- Windsurf
- Codex
- Gemini CLI
- Cline
- Amp
- Roo Code
- Goose
- Continue
- Kilo Code
- Junie
- Trae
- OpenHands
- Qwen Code
- AI Agent
- Tabnine Chat
- Sourcegraph Cody
- Amazon Q
- Firebase Genkit
- Sweep
- Devin
- Phind
- Mentat
- Claude Desktop
- Aider
- GPT Pilot
- Plandex
- bolt.new
- v0
- Replit Agent
- Anse
- TypingMind
- BetterChatGPT
- LibreChat
- Warp AI
- Pieces
- Fig AI
Embed badge
[](https://verified-skill.com/skills/infometa/workbuddyskills/academic-translation)