champollion 的工作原理
champollion 用一条命令翻译你的应用的语言文件。以下是其内部工作原理。
管道流程
当你运行 npx champollion sync 时，champollion 执行一个六阶段的管道：
关键设计决策：
-
通过 SHA-256 哈希进行变更检测。 Champollion 用
.champollion.lock中的哈希跟踪每个源值。当你更新一个英文字符串时，只有该键会被重新翻译。这就是为什么sync在重复运行时很快——它做的工作最少。 -
翻译记忆缓存。 在进行任何 API 调用之前，champollion 会检查
.champollion/tm.json中的缓存翻译（以源文本 + 语言 + 方法为键）。在更改一个键后的典型重新同步中，142 个键来自缓存，1 个键命中 API。 -
写入前的质量门控。 每个翻译在接触你的文件之前都要通过五项自动检查（空值、源回显、幻觉循环、长度膨胀、脚本合规性）。失败会被记录，永远不会被默默接受。
-
失败时的重试级联。 如果一个批次失败（JSON 解析错误、API 超时），champollion 会以逐步缩小的批次重试：完整 → 一半 → 单个。这样可以隔离问题键，而不会阻止其余部分。
翻译方法
Champollion 支持四种翻译方法，每种都适合不同的场景：
| 方法 | 工作原理 | 最适合 |
|---|---|---|
llm | 向任何 OpenRouter 模型发送结构化提示 | 资源充足的语言 |
llm-coached | 相同提示 + 语法规则、词典和风格说明 | LLM 会犯可预测错误的语言 |
google-translate | Google Cloud Translation API 批处理请求 | 具有良好 GT 支持的高资源语言 |
api | HTTP POST 到你自己的端点 | 自定义管道、社区控制的模型 |
方法按语言对配置。你可能对法语使用 google-translate，但对平原克里语使用 llm-coached——每个语言对都使用最适合它的方法。
教练数据
对于 llm-coached 语言对，教练数据为 LLM 提供明确的语言学知识：语法规则、强制术语和风格偏好。这被注入到每个提示中作为结构化上下文。
{
"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."
}
教练数据是在不微调模型的情况下改进翻译质量的主要机制。改变规则 → 重新运行同步 → 查看是否有帮助。迭代是即时的。
插件
插件是针对特定语言对的预打包翻译方案。它们是 JSON 清单——不是代码——告诉 champollion 使用哪种方法、使用什么设置以及已基准测试的质量。
champollion plugin install ./crk-coached-v3/
champollion sync # uses the installed plugin for en→crk
插件弥合了研究和生产之间的差距：在 MT Eval Arena 中得分良好的方法可以打包为插件并在此处部署。
更大的图景
champollion 是一个两部分生态系统的一半：
- MT Eval Arena — 翻译方法在此处通过可重现的基准测试进行开发和验证
- champollion — 已验证的方法在此处部署以翻译真实内容
Eval Harness Bridge 连接这两者。在 Arena 中证明自己的方法会在此处部署。来自生产的使用者反馈改进下一个版本。