Como o champollion Funciona

champollion traduz os arquivos de locale do seu app com um único comando. Aqui está o que acontece nos bastidores.

O Pipeline

Quando você executa npx champollion sync, champollion executa um pipeline de seis estágios:

Decisões de design principais:

• Detecção de mudanças via hashes SHA-256. Champollion rastreia cada valor de origem com um hash em .champollion.lock. Quando você atualiza uma string em inglês, apenas essa chave é retraduzida. É por isso que sync é rápido em execuções repetidas — ele faz o mínimo de trabalho.

• Cache de Memória de Tradução. Antes de fazer qualquer chamada de API, champollion verifica .champollion/tm.json para traduções em cache (indexadas por texto de origem + locale + método). Em uma ressincronização típica após alterar uma chave, 142 chaves vêm do cache e 1 chave acessa a API.

• Portão de qualidade antes da escrita. Cada tradução passa por cinco verificações automatizadas (vazio, eco de origem, loop de alucinação, inflação de comprimento, conformidade de script) antes de tocar seus arquivos. Falhas são registradas, nunca aceitas silenciosamente.

• Cascata de retry em caso de falha. Se um lote falhar (erro de parse JSON, timeout de API), champollion tenta novamente com lotes progressivamente menores: completo → metade → individual. Isso isola a chave problemática sem bloquear o resto.

Métodos de Tradução

Champollion suporta quatro métodos de tradução, cada um adequado para cenários diferentes:

Método	Como funciona	Melhor para
llm	Prompt estruturado para qualquer modelo OpenRouter	Idiomas bem-dotados de recursos
llm-coached	Mesmo prompt + regras gramaticais, dicionário e notas de estilo	Idiomas onde LLMs cometem erros previsíveis
google-translate	Requisição em lote da API Google Cloud Translation	Idiomas de alto recurso com bom suporte de GT
api	HTTP POST para seu próprio endpoint	Pipelines customizados, modelos controlados pela comunidade

Os métodos são configurados por par de idiomas. Você pode usar google-translate para francês mas llm-coached para Plains Cree — cada par recebe o método que funciona melhor para ele.

Dados de Coaching

Para pares llm-coached, dados de coaching fornecem ao LLM conhecimento linguístico explícito: regras gramaticais, terminologia forçada e preferências de estilo. Isso é injetado em cada prompt como contexto estruturado.

coaching/crk.json

{
  "grammar_rules": ["Animate nouns take different plural forms than inanimate nouns"],
  "dictionary": {"welcome": "ᑕᓂᓯ", "settings": "ᐃᑕᐢᑌᐘᐃᓇ"},
  "style_notes": "Use Standard Roman Orthography (SRO) unless explicitly configured otherwise."
}

Dados de coaching são o mecanismo principal para melhorar a qualidade da tradução sem fazer fine-tuning de um modelo. Altere as regras → execute a sincronização novamente → veja se ajuda. A iteração é instantânea.

Plugins

Plugins são receitas de tradução pré-empacotadas para pares de idiomas específicos. São manifestos JSON — não código — que dizem ao champollion qual método usar, com quais configurações e qual qualidade foi benchmarkada.

champollion plugin install ./crk-coached-v3/
champollion sync   # uses the installed plugin for en→crk

Plugins preenchem a lacuna entre pesquisa e produção: um método que pontua bem na MT Eval Arena pode ser empacotado como um plugin e implantado aqui.

O Quadro Geral

champollion é uma metade de um ecossistema de duas partes:

• MT Eval Arena — onde métodos de tradução são desenvolvidos e comprovados com benchmarking reproduzível
• champollion — onde métodos comprovados são implantados para traduzir conteúdo real

A Eval Harness Bridge conecta os dois. Um método que se prova na Arena é implantado aqui. O feedback de falantes da produção melhora a próxima versão.

---

Aprofunde-se

• Como a Sincronização Funciona — passo a passo detalhado do pipeline
• Portão de Qualidade — as cinco verificações automatizadas
• Memória de Tradução — cache e economia de custos
• Métodos de Tradução — comparação detalhada de métodos
• Arquitetura — visão geral do design do sistema