infometa/workbuddyskills/academic-translation

Claude Code and agent skill by infometa/workbuddyskills

Trust tier 3
  • community
Source check pending

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-translation

SKILL.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

mermaid
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。

参数类型必填默认取值 / 说明
input_kindenum✅自动检测pdf / arxiv_id / latex / markdown / text;P1 完整性检查决定
directionenum否按输入语言推断zh2en 中→英(投稿)/ en2zh 英→中(理解)/ bilingual 双向对照
depthenum否standardquick(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_modeenum否builtinbuiltin 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_venuestring否自动推断或 mlml / nlp / cv / ir 之一;决定 Step 1 加载哪份 glossary/{venue}.md
output_dirpath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_fileslist[str]quick→{01,06} / standard→{01,02,04,06,07} / full→{01,02,03,04,05,06,07}
provenance.coverage_pctfloat [0,1]全模式存在;理想 ≥ 0.95
preserve_latex.verify_passedbool含 LaTeX 输入时存在;false → 阻断输出
terms_hit_ratefloat [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 SkillOCR 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。

✋ 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。
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):
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:

yaml
- 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):

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
  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)
  1. 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) ``

  1. 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)。
  2. 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.mdStep 1 直译初稿quick / standard / full
02-step2-academic.mdStep 2 学术规范版standard / full
03-step3-polished.mdStep 3 信达雅终稿full
04-bilingual.md双栏对照(左原文 / 右终稿)standard / full
05-bilingual.texLaTeX 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

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
vskill VERIFIED badge
[![vskill VERIFIED](https://verified-skill.com/api/v1/skills/infometa/workbuddyskills/academic-translation/badge)](https://verified-skill.com/skills/infometa/workbuddyskills/academic-translation)

Something wrong with this skill or its page? Tell us.