Paper PDF Translation

PDF 全文翻译、重排与可检索交付

PDF 翻译

原文是证据原件，译文服务于阅读、引用和检索。主流程只有四步：

1. 检查全篇并选择路线；
2. 完成全文翻译；
3. 一次生成并注册首版 PDF；
4. 按用户档位一次审查、集中返修并收尾。

不要把自动检查、风险报告和制作人自检拆成多轮人工审查。自动脚本负责找技术 问题；审查智能体只完整读取一次源译对照图，汇总问题后一次性交给制作智能体。

开始前

用户没有选择质量档位时，只问一次：

这次选择哪种质量档位？

• 快速：基础检查通过即可，速度最快。
• 平衡（推荐）：完整看一遍源译对照，集中修改一次。
• 精细：同样只完整看一遍，返修后更细地核对关键内容和受影响页面。

对应参数为 fast、balanced、precise。批量任务整批只问一次。

执行脚本时，若 Skill 根目录存在 .venv，优先使用其中的 Python；否则使用 系统 python3。同一任务不要混用两个 Python 环境。

除非用户明确指定现有作业，新请求先在 Skill 内部 Workspace/ 创建一个批次。 同一请求的全部 PDF 共用该批次，标题概括用户任务，数量由输入文件自动计算：

bash

python3 scripts/workspace.py create \
  --title "本批次标题" \
  /path/to/paper-01.pdf \
  /path/to/paper-02.pdf

继续工作时使用命令返回的批次路径。用户只从 input/ 取原文、从 output/ 取正式译本；所有过程文件位于隐藏的 .work/。详细目录和最终回复格式只以 workspace.md 为准。

开始前按任务读取：

• 工作区与文件去向：workspace.md
• 交付判断：quality-contract.md
• 路线选择：routing.md
• 排版与行距：layout-readability.md
• 翻译范围：translation-scope.md
• 高风险语义：semantic-review.md
• 非简体中文：language-profiles.md
• 发布或比较通过率：validation.md

不可跳过

1. 不覆盖原文，不直接替换已验收译本。
2. 不调用 LM Studio、lms、Ollama、本地或小语言模型，也不把论文发送给 第三方机器翻译 API。
3. 除白名单外，标题、正文、图表、图注、脚注、附录、界面和声明全部翻译。
4. 否定、不确定性、证据强度、样本边界、数字、引文和因果边界必须保留。
5. 译文正文只表达作者原意；项目判断和证据评价写入独立笔记。
6. 可读性优先于机械复刻碎文本框；不得靠缩字、压行距、收窄版心或制造异常 段距塞入页面。
7. 全篇正文使用统一字号和行距。按实际译文字量试排，不逐页缩放。
8. 自动检查始终执行；完整人工审查次数只服从用户选择。
9. 同一轮问题先汇总再集中修改，不为单个箭头、标点或元数据反复注册版本。
10. 生产脚本不得写死作者、标题、期刊、量表、固定页码、翻译单元 ID 或本机 路径；所有论文内容从作业 JSON 读取，样例常量只允许出现在自测夹具中。

第一步：全篇检查

初始化独立作业：

bash

python3 scripts/init_job.py \
  /path/to/Workspace/<批次>/input/source.pdf \
  --workspace /path/to/Workspace/<批次> \
  --target-language zh-Hans \
  --review balanced \
  --producer-id producer-agent-01

初始化会先按原文 SHA-256 搜索本批次 .work/jobs/ 中全部 job.json；存在 同一原文时恢复已有作业，不再创建第二份。恢复旧项目时仍可直接传入 /path/to/job --job-root /path/to/all-jobs。

初始化会自动生成：

• source_structure.json：PDF 自带文字顺序、坐标推断顺序、文字块坐标、 栏位、图片和矢量图信号；
• source_units.json：按段落或语义区域拆分并冻结的原文单元；
• translation.json：与每个冻结单元一一绑定的待翻译骨架。

两种阅读顺序冲突、缺少文本层或存在图表时，只标记需要看图的页，不擅自宣称 提取顺序正确。不得删除冻结单元，也不得把多个单元重新合成“整页原文加一段 中文摘要”。

按原尺寸检查脚本标出的页面，并扫视其余原文页，先回答一个问题：

这页能否用普通正文生成器完整、顺序正确、结构清楚地重建？

不能就登记为复杂页。复杂内容不限于表格，还包括量表、表单、模型图、流程图、 公式、承担研究信息的截图或界面、扫描页、多栏错序、横向页、混合尺寸和其他 特殊结构。照片、装饰图和不依赖内部文字理解的截图保持原图，只翻译图注， 不因“图片里有字”自动升级为复杂翻译页。

确认没有复杂页：

bash

python3 scripts/set_complex_content.py /path/to/job \
  --none \
  --notes "已按原尺寸检查全部原文页，均适合普通正文路线。"

登记复杂页：

bash

python3 scripts/set_complex_content.py /path/to/job \
  --page "6,structured-table,structured-table-rebuild,统计表需保持行列关系" \
  --page "8,figure-with-text,vector-rebuild,模型图需保持标签和箭头关系"

命令会同时生成 complex_content.json 模板。复杂页翻译前必须把原页结构写成 机器可检查的载荷：

• 表格：表题、行数、列数、单元格和表注；
• 模型图：图、标签、节点及边/连线；
• 需要本地化的截图、统计图或 OCR：区域、显示尺寸和承担信息的区域文字；
• 阅读顺序重建：按顺序排列的原文块 ID。

填写完成后：

bash

python3 scripts/set_complex_payload.py /path/to/job \
  --page 8 \
  --payload /path/to/page-8-figure-data.json \
  --source-evidence "已按原尺寸核对全部节点、箭头、标签和数值" \
  --ready

存在任一复杂页时，整篇路线最低为 hybrid-complex-pages；复杂页多或结构贯穿 全文时使用 custom-layout。具体类型见 routing.md。

跨页表格、跨页模型或其他跨页复杂结构必须在同一载荷中列出全部 source_pages 和逐页 source_bboxes。生成器按这些坐标替代原始碎片， 每项复杂结构独立计算覆盖范围；夹在两项复杂结构之间的普通正文必须保留。 四象限图、坐标图等载荷还必须列出轴名称、正负方向、刻度或类别，不能只写 象限标题和说明文字。

第二步：全文翻译

逐项填写初始化生成的 translation.json，只修改 translation、 keep_source_reason 和需要的 review_flags：

json

{
  "id": "p0003-u0012",
  "source_ref": "p0003-u0012",
  "page": 3,
  "kind": "body",
  "source": "Original paragraph...",
  "source_bbox": [57.1, 220.4, 291.0, 338.7],
  "translation": "目标语言译文……",
  "keep_source_reason": null,
  "review_flags": []
}

要求：

• 保持整篇上下文和统一术语，不按孤立字符或碎 span 翻译；
• 翻译前确认 translation.terminology，即使为空也把 terminology_reviewed 设为 true；
• 不修改 source_ref、source、page 或 source_bbox；
• 每个冻结原文单元必须恰好出现一次，不得遗漏、重复或合并；
• 跨栏和跨页续句只翻译一次；
• 完整更新 translation.json.coverage；
• 参考文献等保留原文区域写入 retained_source.json；
• 同页存在分栏参考文献时，每个逻辑栏单独登记区域；保留区按左栏到右栏、 栏内从上到下排版，并排除页眉、页脚和孤立页码；
• 图表、截图和复杂页状态写入 figure_inventory.json，并为每项选择 translate-embedded-text、translate-caption-only、 preserve-original 或 omit-nonsemantic；
• 高风险语句使用 semantic-review.md 的稳定标记。

超过 10 页时，每约 5 页保存一次可恢复检查点：

bash

python3 scripts/record_work_checkpoint.py /path/to/job \
  --completed-through 5 \
  --phase translation \
  --note "第1至5页已完整翻译并落盘。"

完成后：

bash

python3 scripts/audit_translation_completeness.py /path/to/job
python3 scripts/validate_job.py /path/to/job --stage translated --advance

候选尚未生成时，完整性审计先检查正文是否异常压缩、数字和统计量是否丢失、 章节是否错配，不检查尚不存在的图表重建结果。

若返回 NEEDS_REPAIR，读取 reviews/repair-plan.json，集中完成全部返修任务 后重新运行本步骤。NEEDS_REPAIR 是下一轮制作输入，不是停止工作或向用户交付 失败报告的条件。

第三步：生成首版

普通正文按实际译文字量用 typography_fit.py 计算全篇统一字号，并优先复用 reportlab_layout.py。复杂页按第一步登记的方法单独重建。

排版器先完整试排到内存，读取 translation.json 和 complex_content.json，不得把表格、图、标题或数值重新写死在论文专属代码 里。试排后写入 generator-layout-log.json.render_contract，证明：

• 每个冻结译文单元都被消费；
• 所有标题、正文、脚注、声明、图注和复杂页文字区域都已测量；
• 图题或表题与首个图表结构保持同页，不产生孤立标题；
• 没有溢出和单字孤行；
• 实际字体与 job.json 一致；
• 目标语言需要时，断行禁则已经启用。

段距检查按页面全部可见内容判断。参考文献、图表或其他非正文内容占据两段之间 的空间时，不得把该区域误判为机械拉大的空白。

连续出现多张结构化表格时，让标题、表头、数据行和表注按剩余空间自然跨页， 只保证标题与表头或首行同页。不得为每张表机械插入新页，造成只剩一两行表注 或大面积空白的候选页。

单幅图片与图注作为一个阅读单元排版。多图并排时，由图组的行列容器保持每幅 图片与自身图注的关系，不在单元格内再嵌套无界高度的整组绑定；图组必须经过 实际页面高度试排。并排图组高于完整版心时，自动改为可分页纵排，并让图内 文字对照使用完整行宽，不通过缩字或删除标签维持并排。

首版只调用一次统一入口：

bash

python3 scripts/build_first_candidate.py /path/to/job

入口先完成候选试排和排版合同，再刷新一次总检查，最后运行唯一一次注册前 预检。中途失败不会注册候选。默认输出到 staging/candidate-first.pdf；集中返修时使用：

bash

python3 scripts/build_first_candidate.py /path/to/job \
  --attempt-label repair

预检临时副本必须先进入 candidate 状态，再自动运行完整性审计，并检查 figure_inventory.json 声称的表格、模型图或截图是否真的以网格、轴线、 连线、矢量或图像结构出现在候选中。只有文字层存在、但正文被写成摘要， 把图表缩成几句说明，或遗漏坐标轴和方向，会返回 NEEDS_REPAIR 和逐页任务。 候选译文比对先按坐标去除固定页眉和页脚孤立页码，再拼接映射到同一单元的 候选页；正文中的样本量、年份和统计数字必须保留。

返回结果：

1. READY_TO_REGISTER：进入注册；
2. 第一次 NEEDS_REPAIR：一次性汇总全部问题，只集中返修一次；重新运行 导出前总检查并再生成一次；
3. 第二次仍失败：返回 GENERATOR_FIX_REQUIRED。修复排版器共性问题并产生 新的代码构建哈希，不得继续对单篇 PDF 逐项返修。

同一候选页面指纹重复检查不增加次数。统一生成器按实际代码构建哈希计数， 手改显示版本号不会重置次数；同一构建最多检查首版和集中返修版。

预检通过后只注册一次首版：

bash

python3 scripts/register_candidate.py \
  /path/to/job \
  /path/to/generated.pdf \
  --renderer academic-pdf-layout \
  --renderer-version <build-report-version> \
  --renderer-build-id <build-report-hash> \
  --notes "首版；复杂页已专用重建"

python3 scripts/qa_pdf.py /path/to/job
python3 scripts/validate_job.py /path/to/job --stage candidate --advance
python3 scripts/review_risk_report.py /path/to/job \
  --output-json /path/to/job/reviews/risk-report.json \
  --output-md /path/to/job/reviews/risk-report.md
python3 scripts/audit_translation_completeness.py /path/to/job

自动检查负责页数、尺寸、文本层、字体、字号、行距、越界、乱码、留白、原文 残留和检索风险。它不是第二次人工审查。门槛见 qa-acceptance.md。

统一生成器登记的正文和参考文献字号属于候选证据。字号一致性检查以该锁定值 为准，并排除参考文献、脚注和正式出版元数据的专用字号；不得用整篇字符多数 反推正文字号。最后一页内容完整且沿用全篇锁定字号时允许自然收尾留白。

第四步：一次审查与收尾

快速

基础检查和图表清单通过后直接验收：

bash

python3 scripts/validate_job.py /path/to/job --stage accepted --advance

平衡（推荐）

一条命令生成供审查智能体读取的材料：

bash

python3 scripts/make_review_sheet.py /path/to/job

默认每张审查图包含两组左右对照页，并按 PDF 顺序覆盖全文。脚本只生成审查 图包、索引和一份对照 PDF；原文和候选哈希不变时直接复用缓存。

审查智能体一次完成：

1. 依次读取 comparisons/sheets/ 的全部审查图；
2. 对照原文和译文检查信息、遗漏、数字、图表、阅读顺序和可读性；
3. 把全部问题一次性写入 reviews/independent.json；
4. 不发现一个问题就退回，不重复生成对照材料。

只有疑点页需要放大时才生成高清图：

bash

python3 scripts/make_review_sheet.py /path/to/job \
  --detail-pages "3,7-9"

复审完成后立即记录：

bash

python3 scripts/record_review_round.py /path/to/job

若结果为 PASS，直接进入 accepted。若结果为 FAIL，制作智能体按完整问题清单 集中返修一次并注册第二版，随后运行全篇自动回归、重新生成对照图，只目视 检查改动页、相邻页和同类受影响页。确认通过后记录：

bash

python3 scripts/record_post_repair_confirmation.py /path/to/job \
  --reviewer-id reviewer-agent-01 \
  --changed-pages "3,7-9" \
  --same-type-pages "12"

精细

与平衡档相同，也只有一轮全文审查和一次集中返修。区别是返修后额外定向核对 量表计分、关键统计、核心定义、图表及所有受影响页面。

精细档的返修确认还需为统计、核心定义、量表和图表逐项提供 --key-check category=PASS:核对依据。最后运行：

bash

python3 scripts/validate_job.py /path/to/job --stage accepted --advance

初始化时的 producer_id 与复审记录中的 reviewer_id 必须不同；独立审查者 不能参与当前候选的翻译或排版。

正式输出与 Zotero

只在 accepted 后：

1. 按 workspace.md 把唯一正式译本写入当前批次 output/，并记录绝对路径和哈希；
2. 原文和译文挂到同一 Zotero 父条目；
3. 分别读回一条原文和译文检索锚点；
4. 把正式路径、哈希和 Zotero 键写入 finalization.json；
5. 运行：

bash

python3 scripts/validate_job.py /path/to/job --stage finalized --advance

Zotero 只保留题录、原文、正式译本和用户明确要求的研究笔记，不导入检查报告。 Zotero 操作见 zotero-finalization.md。

回复用户前运行 workspace.py outputs <批次路径>，逐篇交付正式 PDF 的可点击 文件名和绝对路径。不要交付 .work/ 内的候选或检查材料。

自检

修改 Skill 后运行：

bash

python3 scripts/check_bundle.py
python3 scripts/self_test.py

改变候选页面组成时更新稳定发布号；预检身份以代码构建哈希为准。批量发布前， 至少选择 5 篇覆盖 普通正文、结构化表格或模型图、照片、混合正文与参考文献的代表样本；每篇都 必须在该版本第一次预检时返回 READY_TO_REGISTER。失败时修复共性输入或 生成逻辑，不通过降低门槛或增加单篇例外放行。

准备一份含 cases[].id、cases[].job_dir 和可选 tags 的 JSON 清单后， 可在隔离副本中复跑基准：

bash

python3 scripts/benchmark_corpus.py /path/to/benchmark.json \
  --output /path/to/benchmark-report.json

默认串行，避免 PDF 渲染争用内存和 CPU；需要时显式传 --workers。基准报告 的首版通过率只代表自动门禁，视觉抽查仍单独执行。

时间和 token 只从 run-metrics.json 统计。候选流水线会自动记时；翻译和 复审阶段可补记：

bash

python3 scripts/run_metrics.py record /path/to/job \
  --stage translation --status complete --elapsed-seconds 900 \
  --model <model> --input-tokens 10000 --output-tokens 18000
python3 scripts/run_metrics.py summarize /path/to/job-root

失败候选和历史证据保留在作业目录；正式译本只在验收后产生。数据接口和扩展点 见 architecture.md。

验收完成后可先预览再清理旧 staging 产物：

bash

python3 scripts/prune_staging.py /path/to/job
python3 scripts/prune_staging.py /path/to/job --apply