案例背景
某 SaaS 公司要把产品文档（500 页）与 UI（2000 条字符串）从中文本地化为 10 种语言（英/日/韩/法/德/西/葡/俄/阿/越）。传统流程：
| 环节 | 传统方式 | 耗时 | 痛点 |
|---|---|---|---|
| 术语提取 | 人工梳理 | 16 小时 | 遗漏多 |
| 术语翻译 | 专家翻译 | 24 小时 | 10 语言×200 术语 |
| 文档翻译 | 翻译公司 | 120 小时 | 500 页×10 语言 |
| UI 翻译 | 逐条翻译 | 40 小时 | 2000 条×10 语言 |
| 校对审查 | 人工校对 | 60 小时 | 质量参差 |
| 一致性检查 | 人工比对 | 20 小时 | 易遗漏 |
| 总计 | 翻译公司 3 周 | 280 小时 | 贵+慢 |
目标：用 AI 把全流程压缩到 3 天，质量不低于人工翻译。
工具组合
| 工具 | 角色 | 选型理由 |
|---|---|---|
| Claude Code | 术语管理 + 一致性检查 | 长上下文处理大文档 |
| GPT-4 | 上下文感知翻译 | 多语言能力强 |
| Cursor | 批量处理脚本 | IDE 内处理文件 |
| Filesystem MCP | 文件批量读写 | 处理 500 页文档 |
| Notion MCP | 术语库沉淀 | 结构化管理术语 |
| Memory MCP | 记住翻译偏好 | 跨文档保持一致 |
| Prompt Chaining | 流水线编排 | 串联抽取-翻译-校对 |
3 天整体规划
| 天数 | 阶段 | 产出 |
|---|---|---|
| Day 1 | 术语表 + 翻译记忆库 | 10 语言术语表 |
| Day 2 | 文档 + UI 翻译 | 500 页×10 语言 + 2000 条×10 |
| Day 3 | 校对 + 一致性验证 | 终版 + 质量报告 |
实施步骤
Day 1：术语表与翻译记忆库
Prompt 1：让 Claude Code 提取术语
你是本地化专家。请从以下文档中提取专业术语：
## 文档
{documents}（500 页产品文档）
## 提取要求
1. 提取产品专属术语（功能名/概念名/操作名）
2. 提取行业术语
3. 提取品牌名（不翻译）
4. 提取缩写（保留原文）
5. 每个术语标注出现频率
## 输出
术语表（JSON）：
{
"terms": [
{
"zh": "工作流",
"type": "功能名",
"frequency": 156,
"context": "在'创建工作流'页面中...",
"do_not_translate": false
}
]
}
Prompt 2：让 GPT-4 翻译术语
你是多语言翻译专家。请把以下术语翻译为 10 种语言：
## 术语表
{glossary}
## 目标语言
英/日/韩/法/德/西/葡/俄/阿/越
## 翻译要求
1. 每个术语给出"推荐翻译"与"备选翻译"
2. 标注"不翻译"的术语（品牌名等）
3. 考虑上下文（同一词在不同语境翻译不同）
4. 保持简洁（UI 字符串有长度限制）
5. 标注性别/数变化（如德语 der/die/das）
## 输出
多语言术语表（JSON）：
{
"terms": [
{
"zh": "工作流",
"en": {"preferred": "Workflow", "alt": ["Flow", "Pipeline"]},
"ja": {"preferred": "ワークフロー"},
"ko": {"preferred": "워크플로우"},
"fr": {"preferred": "Flux de travail"},
...
}
]
}
Prompt 3：用 Memory MCP 记住翻译偏好
记住以下翻译偏好：
- "工作流"统一翻译为 "Workflow"（不译为 "Flow"）
- "仪表盘"统一翻译为 "Dashboard"
- "同步"统一翻译为 "Sync"（不译为 "Synchronize"）
- 品牌名 "Acme" 不翻译
- UI 按钮文字用祈使句（如 "Save" 而非 "Saving"）
- 日语用敬体（です/ます）
- 阿拉伯语从右到左书写
后续所有翻译都遵循这些规则。
产出：10 语言术语表 + 翻译偏好记忆。
Day 2：文档与 UI 翻译
Prompt 4：让 GPT-4 做上下文感知翻译（Prompt Chaining 核心）
你是专业翻译。请把以下中文文档翻译为{target_language}：
## 术语表（必须遵循）
{glossary_for_language}
## 翻译偏好
{preferences}
## 原文
{source_text}
## 上下文
- 文档类型：{doc_type}（用户手册/API 文档/帮助中心）
- 目标读者：{audience}（开发者/终端用户/管理员）
- 语气：{tone}（专业/友好/简洁）
## 翻译要求
1. 严格遵循术语表
2. 保持 Markdown 格式
3. 代码块不翻译
4. 截图占位符保留（如 [Screenshot: xxx]）
5. 链接文字翻译，URL 保留
6. 适应目标语言的表达习惯（非直译）
7. 数字/日期/货币本地化
Prompt 5：UI 字符串翻译
请把以下 UI 字符串翻译为{target_language}：
## 字符串
{ui_strings}（JSON 格式：{"key": "中文文字"}）
## 翻译要求
1. 保持简洁（英文≤30 字符优先）
2. 考虑 UI 布局（德语比中文长 30%）
3. 按钮用祈使句
4. 错误信息用完整句子
5. 占位符保留（如 {name}、{count}）
6. 保持 JSON 结构
## 输出
{"key": "translated_text"}
Prompt 6：用 Cursor 批量处理
import json
from pathlib import Path
# 批量翻译文档
def translate_documents(source_dir, target_langs):
for lang in target_langs:
out_dir = Path(f"docs/{lang}")
out_dir.mkdir(exist_ok=True)
for md_file in Path(source_dir).glob("*.md"):
source = md_file.read_text(encoding="utf-8")
# 调用 GPT-4 翻译
translated = translate_with_gpt4(
text=source,
target_language=lang,
glossary=load_glossary(lang),
preferences=load_preferences()
)
(out_dir / md_file.name).write_text(translated, encoding="utf-8")
print(f"✓ {md_file.name} → {lang}")
# 批量翻译 UI
def translate_ui_strings(source_file, target_langs):
strings = json.loads(Path(source_file).read_text())
for lang in target_langs:
translated = {}
for key, zh_text in strings.items():
translated[key] = translate_ui_string(zh_text, lang)
Path(f"locales/{lang}.json").write_text(
json.dumps(translated, ensure_ascii=False, indent=2)
)
产出：500 页×10 语言文档 + 2000 条×10 语言 UI 字符串。
Day 3：校对与一致性验证
Prompt 7：让 Claude Code 做自动校对
你是校对专家。请校对以下翻译：
## 原文
{source}
## 译文
{translation}
## 校对维度
1. 准确性：是否有误译
2. 术语一致性：是否遵循术语表
3. 语法：是否有语法错误
4. 流畅度：是否自然
5. 格式：是否保持原格式
6. 本地化：数字/日期/货币是否本地化
## 输出
| 问题类型 | 原文 | 译文 | 建议修改 | 严重度 |
Prompt 8：一致性检查
请检查以下 10 语言翻译的一致性：
## 检查项
1. 术语一致性：同一术语在所有文档中翻译是否一致
2. UI 与文档一致性：UI 中的术语与文档是否一致
3. 风格一致性：语气/风格是否统一
4. 格式一致性：Markdown 格式是否保持
## 数据
{all_translations}
## 输出
不一致清单 + 修正建议
Prompt 9：质量评分
请对以下翻译做质量评分：
## 评分维度（1-5 分）
1. 准确性：翻译是否准确
2. 流畅性：表达是否自然
3. 一致性：术语是否统一
4. 本地化：是否适应目标文化
5. 格式：是否保持原格式
## 输出
| 语言 | 准确性 | 流畅性 | 一致性 | 本地化 | 格式 | 总分 |
Prompt 10：用 Notion MCP 沉淀术语库
把多语言术语表写入 Notion：
- 数据库：本地化术语表
- 字段：中文/英文/日文/韩文/法文/德文/西文/葡文/俄文/阿文/越文
- 类型：功能名/概念名/操作名/品牌名
- 状态：已确认/待确认
产出：校对报告 + 一致性报告 + 质量评分 + Notion 术语库。
关键 Prompt 合集汇总
| Prompt | 用途 | 工具 |
|---|---|---|
| 1 | 术语提取 | Claude Code |
| 2 | 术语翻译 | GPT-4 |
| 3 | 偏好记忆 | Memory MCP |
| 4 | 文档翻译 | GPT-4 |
| 5 | UI 翻译 | GPT-4 |
| 6 | 批量处理 | Cursor |
| 7 | 自动校对 | Claude Code |
| 8 | 一致性检查 | Claude Code |
| 9 | 质量评分 | GPT-4 |
| 10 | Notion 沉淀 | Notion MCP |
效果数据
| 指标 | 传统流程 | AI 流水线 | 提升 |
|---|---|---|---|
| 总耗时 | 280 小时（3 周） | 24 小时（3 天） | 11.7 倍 |
| 文档量 | 500 页×10 语言 | 500 页×10 语言 | - |
| UI 字符串 | 2000 条×10 | 2000 条×10 | - |
| 术语数 | 180 个 | 240 个 | +33% |
| 翻译质量评分 | 4.3/5 | 4.5/5 | +5% |
| 术语一致性 | 85% | 98% | +13% |
| 成本 | 约 $15,000 | API 约 $150 | -90% |
| 交付周期 | 3 周 | 3 天 | -86% |
关键发现
- 术语表是基石：先建术语表再翻译，一致性从 85% 提升到 98%。
- 上下文感知翻译优于逐句翻译：GPT-4 理解全文语境，翻译更自然。
- Memory MCP 保证跨文档一致：记住翻译偏好，500 页文档风格统一。
- UI 翻译需考虑布局：德语比中文长 30%，需提前预留空间。
- AI 翻译并非完美：文化敏感内容、创意文案仍需人工校对。
经验总结
成功要点
- 术语表先行：先提取并翻译术语，保证全项目一致。
- 上下文传递：翻译时提供文档类型、读者、语气等上下文。
- 批量处理：用脚本批量处理 500 页，而非逐页手动。
- 自动校对：AI 校对发现人工容易遗漏的不一致。
- 文化适应：非直译，需适应目标语言表达习惯。
踩过的坑
- 术语遗漏：AI 提取术语可能遗漏低频术语，需人工补充。
- 上下文过长：500 页文档无法一次传入，需分章节翻译。
- 格式丢失：翻译后 Markdown 格式偶尔错乱，需校对修复。
- 占位符翻译：AI 偶尔翻译了
{name}等占位符，需检查。 - RTL 语言：阿拉伯语从右到左，需特殊处理布局。
- 文化敏感：某些表达在特定文化不合适，需本地化调整。
- 品牌名误翻：AI 偶尔翻译了不应翻译的品牌名，需在术语表标注。
不可 AI 化的环节
- 文化审查：某些内容需本地文化专家审查
- 法律合规：不同国家对数据/隐私的表述要求不同
- 创意文案：营销文案的本地化需创意，非直译
- 最终验收：需母语人士最终确认
复用建议
这套方案可迁移到：
- 游戏本地化：增加对话/剧情翻译维度
- 视频字幕翻译：增加时间轴与字数限制
- 电商商品描述：增加 SEO 关键词翻译
- 软件帮助文档：增加截图与操作步骤同步
- 法律文档翻译：增加法律术语精确性要求
核心是 Prompt Chaining 串联术语-翻译-校对，每个环节独立可调试。
工具版本
- Claude Code：v1.0.20+
- GPT-4：gpt-4o
- Cursor：v0.40+
- 3 天 API 总成本：约 $150（Claude $90 + GPT-4 $60）