当翻译工具开始思考:ai-polyengine-trans 的工程美学

工程报告翻译处理，听起来是个简单任务——读文档，翻文档，写文档。但当这个任务遇上中英法三语混合、超长文档分段、术语一致性保障、质量可观测性四重挑战时，事情就变得有意思起来了。

一、系统全貌

系统架构图如下：

二、系统亮点

亮点 A：三库集成的语言检测引擎

翻译的第一步，不是翻译——是知道这是什么语言。对于一份可能同时出现中文、英文、法文的工程邮件，简单的单一检测器远远不够。

系统采用三库加权投票机制，由 EnsembleDetector 统一协调：

核心投票算法在 EnsembleDetector._weighted_voting() 中实现：

# 累加各语言的加权得分
for result in results:
    if result.confidence < self.confidence_threshold:
        continue
    weight = self.weights.get(result.detector_type, 1.0)
    weighted_score = result.confidence * weight
    lang_scores[result.language] += weighted_score
    lang_counts[result.language] += 1

# 归一化
confidence = best_score / sum(lang_scores.values())

# 可靠投票数惩罚（防止单库误判）
if len(results) > 1 and reliable_votes < self.min_reliable_votes:
    confidence *= (reliable_votes / self.min_reliable_votes)

权重配置：pycld3(40%) + FastText(35%) + langdetect(25%)，低于置信度阈值（默认 0.6）的结果直接排除，不参与投票。三层回退机制：集成检测失败则退至单库，单库失败则退至规则检测。

亮点 B：字符级脚本分离

一段真实的工程邮件可能是这样的：

Cher Monsieur Li, please find attached the rapport de structure. The calculated 水平转换梁 load is 450 kN. Veuillez confirmer avant le 15⁄03.

中英法三语混杂在同一段落里，甚至同一句话里。大多数翻译系统的做法是”整段丢给 LLM”，结果就是灾难性的——中文被翻译成英文，英文被翻译成中文，法语彻底乱套。

系统的解法是字符级脚本分离，ScriptSegmenter 在送入翻译之前，先将文本切分为连续同脚本段：

# Unicode 码点判断
def _get_script_type(char: str) -> ScriptType:
    cp = ord(char)
    # CJK
    if 0x4E00 <= cp <= 0x9FFF:
        return ScriptType.ZH
    # French 特符
    if char in _FRENCH_ACCENTS:
        return ScriptType.FR
    # 法语特征词
    if _is_french_word(text_around):
        return ScriptType.FR
    return ScriptType.EN

分离后，<k> 标签标记”保留原文”（中文），<x> 标签标记”需要翻译”（英文/法文），交给 LLM 端到端处理。LLM 收到的 prompt 不再是”翻译这段话”，而是”这些是中文请保留，这些是英文/法文请翻译”，精确度天壤之别。

亮点 C：回译交叉验证

翻译质量好不好，不是靠感觉。CrossValidator 抽取 15%（默认随机）-100%（用户指定） 的段落，将译文回译回原文，计算相似度：

sequenceDiagram
    participant S as 原文
    participant T as 译文
    participant BT as 回译引擎
    participant Diff as difflib

    S->>BT: 回译（target→source）
    T->>BT: 回译（target→source）
    BT-->>Diff: 两份回译结果
    Diff->>Diff: SequenceMatcher 相似度计算
    Diff-->>S: similarity_score
    Note over S: < 0.80 → suspicious
for segment in sampled_segments:
    back = translator.translate(segment.translated, target=source_lang)
    score = SequenceMatcher(None, segment.original, back).ratio()
    if score < self.min_similarity:
        mark_suspicious(segment)

低于 0.80 阈值的段落被标记为可疑，写入 validation_report.md，触发人工审核流程。

亮点 D：置信度驱动的术语自动发现

工程翻译最怕的不是翻译错，而是同一个术语出现五种译法。TermDiscovery 在翻译时由 LLM 自动识别专业术语，TermWriter 按置信度规则写入术语表：

所有变更记录在 metadata/ 目录，版本可追溯，冲突有日志。

三、技术栈一句话

Python 3.11 + uv 包管理 + Pydantic 类型验证 + Rich 彩色 CLI + watchdog 文件监控 + 多 LLM 后端（OpenAI / DeepSeek / MiniMax / Moonshot），核心翻译逻辑收敛在 core/ 共享服务层，所有项目统一调用。

四、结语

大多数翻译工具解决的是”翻得对不对”的问题。这个系统解决的是大规模专业文档翻译的一致性、可观测性与质量控制问题——它不只是一个翻译脚本，而是一套完整的工程翻译处理流水线：文件从哪来、翻成什么、分几段、术语对不对、质量谁负责，全流程可追踪。

复杂不是为了炫技，而是因为工程翻译这件事本身就值得被认真对待。