## 一、场景：一个看起来"已经翻完了"的词条表

手上有份公共交通云平台的词条表，**42,777 行 × 13 列**，中文列之外压了 10 个语种（英/泰/蒙/保/阿/法/俄/葡/西/吉）。同事说"机翻跑完了，你校验一下"。

真打开校验，问题比预想严重。最典型的一条：中文是「**挂失日期**」，英文列写着 **"Synchronising folder"**（正在同步文件夹）。还有「**人民银行大街池阳华锦苑**」这个地址名，被译成了 **"♪ I'm in the middle of the street ♪"**——带着音乐符号，是歌词，不是地址。

这类错误肉眼扫一遍 4 万行根本不现实。我的做法是：**不逐行看，先让问题自己浮出来**——用脚本把错误分类、定量，再按类别设计规则批量处理，最后把"机器改不了的"整理成人工复核清单。

这篇文章记录完整过程。同样的方法可以直接套用到任何多语言词条表/文案表。

## 二、输入材料

| 项   | 内容                                                                                                                                                          |
| --- | ----------------------------------------------------------------------------------------------------------------------------------------------------------- |
| 文件  | `词条20260929.xlsx`，单 sheet「词条」                                                                                                                               |
| 规模  | 42,777 行数据 + 1 行表头                                                                                                                                          |
| 列结构 | `word` / `lang_code` / `word_cn` / `word_en` / `word_th` / `word_mn` / `word_bg` / `word_ar` / `word_fr` / `word_ru` / `word_pt` / `word_es` / `word_ky_kg` |
| 性质  | 界面文案 + 提示语 + 日志文案，含大量 `{0}`、`{distance}`、`%s` 占位符                                                                                                           |
| 特殊点 | `word_cn` 是源文（不可改），其余 10 列是待校译文；源文本身可能是纯占位符（如 `{积分}`、`{成长值}`）                                                                                               |

⚠️ 脱敏说明：本文所有词条样例均为公共交通行业通用术语与界面文案，已剔除一切机构名称、人员姓名与内部编号。

## 三、WorkBuddy 配置

- **模式**：Agent 模式（需要读写文件、跑脚本、迭代验证）
- **技能**：`multilingual-glossary-qa`（本项目第 6 轮把整套流程沉淀成的技能，内含解析、清洗、规则、输出四个脚本）
- **工作空间**：E 盘一个独立项目目录，脚本、中间产物（`dump.jsonl` / `changes.json`）、交付文件分层存放，原始文件全程只读
- **提示词要点**：不是"帮我校对这个表"，而是分轮给指令——"先做格式清洗和占位符对齐" → "再补术语归一" → "最后出人工复核清单"。每轮只解决一类问题，便于回溯和回归

**关键协作方式**：规则由我定义（哪些算错、怎么改），脚本由 WorkBuddy 写。比如"非营运不能译成 Off-line"这条业务判断只能我来，而"如何在不误伤正常单词的前提下批量替换"交给它。

## 四、操作步骤

### 步骤 1：先诊断，不动手

不直接开改。先用脚本做三件事：

1. **列结构探测**——用 `zipfile + iterparse` 流式解析 10 MB 的 xlsx（openpyxl 直接读整表会吃满内存），导出 jsonl
2. **规模统计**——42,777 行里有 **42,641 个唯一中文**。这个数字直接决定策略：几乎无重复，"一致性归一"最多覆盖约 1,200 行，**真正的杠杆在规则化处理**，不是靠合并重复
3. **体例抽样**——用 `is_sentence()` 在全量英文列上跑一遍：Title Case **30,945** 行 vs Sentence case **11,807** 行（72.4%）。用数据说话，定 Title Case 为规范，句子/提示语例外

![图1-诊断输出.png](https://developer.qcloudimg.com/http-save/yehe-12814575/5898e8ff7f822d457a2109a103fdc40d.png)

### 步骤 2：分桶处理，每类问题一套算法

这是核心。我按"会不会影响线上行为"排优先级，分六类：

**① 占位符（优先级最高，直接影响变量渲染）**

`{0}`、`{distance}`、`%s` 被机翻吞掉或啃成半截，页面会直接显示 `null` 或抛错。写两个算法：

- `align_placeholders()`：三步——先按**值**多重集匹配（已正确的绝不动）→ 未匹配槽位按中文序列回填 → 仍缺失的插到"A 序在其后"的最近槽位之前
- `fix_mangled_brace()`：先把完整占位符 mask 掉，再还原半截（`0}` / `{0` / `{` / `}`），只作用于"一个完整占位符都不剩"的串，避免误伤正文花括号

关键坑：**不能按位置顺序盲目替换**。中文 `[{0},{1},{2}]`、译文 `[{0},{2}]` 时，按位置替换会把 `{2}` 错改成 `{1}`。必须先按值匹配。

效果：完全匹配率 **73.4% → 85.2%**（8,099/11,030 → 9,398/11,030）。

![图3-占位符算法.png](https://developer.qcloudimg.com/http-save/yehe-12814575/11324d0578032cb972ac5e73ff03ccd0.png)

**② 术语归一（带中文触发条件）**

只有中文原文命中该术语时才改写英文，否则误伤面极大。典型：

| 中文      | 原译文                          | 修正后                             | 理由          |
| ------- | ---------------------------- | ------------------------------- | ----------- |
| 非营运编码   | Off-line Service Code        | **Non-Service Code**            | 非营运 ≠ 离线    |
| 专注度报警扣分 | safety Focus Alarm Deduction | **Inattention Alarm Deduction** | 专注度应为注意力    |
| 线路不存在   | Line does not exist          | **Route does not exist**        | 线路统一译 Route |

复合词还要加 `(?<![a-zA-Z]-)` 负向断言，否则 `three-line` 会被改成 `three-Route`。

![图2-术语归一.png](https://developer.qcloudimg.com/http-save/yehe-12814575/1bcaac43b2a28f4a7b5cef86d529b4b5.png)

**③ 大小写规范**

按步骤 1 定的 Title Case 执行。这里有个隐蔽坑：**全大写判定要用"大写字母占比 ≥0.8"，不能用 `str.isupper()`**。因为术语规则可能先改动了串里个别词，`isupper()` 会从 True 翻成 False 导致漏判。

另一个反向坑：单位集合（`min`/`s`/`m`）不能无条件小写，否则 `Min score` 会变成 `min score`。**只在源文本本身就是小写时才当单位。**

还有序数后缀：`14th` 会被 Title Case 成 `14Th`，得特殊处理。

**④ 驼峰变量名转词组**

界面文案里混进了 `skillExamAbsentTimes` 这种字段名，得拆成 `skill Exam Absent Times`。规则：仅匹配 `^[a-z][A-Za-z0-9]{2,45}$` 且含大写的形式，并用展开表补全常见缩写（`num→Number`、`oper→Operation`、`veh→Vehicle`）。

**⑤ 一致性归一**

同一中文对应多种译法时，统一为出现最多的一种。两个细节：

- **平票时选更长的**，否则会传播被截断的版本
- 按**完整中文**分组，同名才并——短标签这样做是安全的

**⑥ 机翻错误识别**

这是最有价值的部分。两种检测法：

- **`♪` 是机翻幻觉的可靠标记**。模型开始唱歌，说明它已经脱离源文了
- **同一英文被复用到 ≥4 个不相关中文**——说明翻译记忆损坏。本次查出 `Organisation` 被复用 48 次、`_Other Organiser` 47 次

共定位 376 处（幻觉重译 194 + 误译重译 182），按中文源文逐条重译。

![图4-机翻错误三连.png](https://developer.qcloudimg.com/http-save/yehe-12814575/7cff2c698621dca7c632b1cf3b48288b.png)

### 步骤 3：写一个能复核的输出，而不是只给结果

每处改动都记录 `(行号, 语种, 改前, 改后, 类别, 原因)`，落成 `changes.json`，再生成三个 Excel：

- **优化表**：原文列 A/B/C 零改动，仅改 D~M，改动单元格标黄
- **变更清单**：汇总 / 变更明细 / 待人工复核三个 sheet
- **待重译清单**：结构与原表完全一致（13 列），方便机翻后直接导回

这个设计很重要——**交付物必须能让别人逐条核对**，而不是一个"我改好了"的黑盒。

### 步骤 4：把流程固化成技能

发现同目录下还有十几份同类表（13 列全语种、3 列仅英文两种结构），于是把整套流程抽成技能，下次换文件只需换 `--src`。

用真实 4 万行数据回归验证：新版改动是旧版的**严格子集**（交集 27,488），仅 72 处算法差异，无数据损坏。

## 五、产出物

| 文件                      | 内容                                  |
| ----------------------- | ----------------------------------- |
| `词条20260929_优化.xlsx`    | 42,777 行，原文列零改动，改动标黄                |
| `词条20260929_变更清单.xlsx`  | 汇总 / 变更明细（32,229 条）/ 待人工复核（8,252 条） |
| `词条20260929_待重译清单.xlsx` | 4,495 行，结构与原表一致                     |
| `交通云术语与格式规范_供MT导入.xlsx` | 术语表 85 条 / 缩写与单位 16 条 / 格式规范 13 条   |

**改动构成（共 32,229 个单元格，涉及 20,193 行 = 47.2%）：**

大小写规范 17,063｜格式清洗 6,651｜术语归一 1,561｜驼峰转词组 1,499｜占位符修复 1,389｜标点空格 1,318｜占位符对齐 1,209｜一致性归一 573｜阿语标点 398｜幻觉重译 194｜误译重译 182｜单位规范 75｜占位符还原 61｜纯占位符 50｜拼写纠错 6

**留给人工的 8,252 条**（机器不该猜的部分）：

未译成目标语种 3,966（如阿语列整段是英文）｜疑似照抄英文 2,580｜占位符缺失 1,631｜残留中文 75

术语表按频次排优先级，前 12 位：车辆 1,047、线路 789、驾驶员 688、报警 577、优惠券 493、票价 490、里程 470、班次 432、会员 413、站点 406。**先把出现 400+ 次的 15 个术语锁死，收益最大。**
![图5-变更清单汇总.png](https://developer.qcloudimg.com/http-save/yehe-12814575/7589c4527930332b68f0df79273781e9.png)![图6-术语表优先级.png](https://developer.qcloudimg.com/http-save/yehe-12814575/4c2fd4bb65d1e7b218dbdbcd66591b43.png)

## 六、踩坑清单

按踩到的顺序列，都是能直接省你一小时的那种：

1. **`str.isupper()` 判断全大写不可靠**——术语规则先改动个别词后会漏判。改用"大写字母占比 ≥ 0.8"
2. **单位不能无条件小写**——`Min score` 会变 `min score`。只在源文本本来就是小写时才当单位
3. **序数后缀要单独放行**——`14th` 会被 Title Case 成 `14Th`
4. **占位符替换必须先按值匹配再按位置回填**——纯位置替换会把 `{2}` 错改成 `{1}`
5. **句子判定不能用词数**——10 个词的长字段名会被误判为句子而全小写。只能用"谓语动词标记 + 结尾标点 + 开头 Please"
6. **一致性归一的平票要选更长的**——否则传播被截断的版本
7. **openpyxl 写文件时如果目标正被 Excel 打开，会在解释器退出阶段才抛 PermissionError**，traceback 几乎无法定位。加个 `save_safe()`，占用时自动另存 `_v2`/`_v3`
8. **读 TSV 必须用 `utf-8-sig`**——首行带 BOM 会让 key `编辑` 变成 `\ufeff编辑`，静默漏填 660 行

## 七、效果与延伸

- 人工核对一遍 4 万行不现实，**把 47.2% 的行交给规则处理，剩下 8,252 条按问题类型分流**（哪些能机翻补、哪些必须母语译员），工作量从"不可完成"变成"可排期"
- 术语表和格式规范表可以直接喂给 MT 引擎当 glossary / 禁词表，**后续新表的机器翻译质量会直接受益**，这是比本次修正更长尾的价值
- 同一套流程换个 `--src` 就能跑下一份表。本方法同样适用于 UI 文案表、配置项表、任何"一列源文 + 多列译文"的结构

**一句话总结：校对多语言表，不要从第一行开始看，先让错误分类浮出来。**

---

> 本文所述工作由作者本人完成，WorkBuddy 参与脚本编写与流程整理。


手上有份公共交通云平台的词条表，42,777 行 × 13 列，中文列之外压了 10 个语种（英/泰/蒙/保/阿/法/俄/葡/西/吉）。同事说"机翻跑完了，你校验一下"。

英文4级都没过的我用 WorkBuddy 校对 42,777 行 × 10 语种词条表：揪出 376 处机翻错误，交付 32,229 处修正

手上有份公共交通云平台的词条表，42,777 行 × 13 列，中文列之外压了 10 个语种（英/泰/蒙/保/阿/法/俄/葡/西/吉）。开发侧的领导说"机翻跑完了，你校验一下"。天都塌了呀，我连英语4级都没考过...

人工智能

四万行多语种词条表中，机翻错误率达47.2%，典型错误包括幻觉歌词、占位符损坏及术语误译。通过脚本分类诊断与规则化处理，将工作量从不可完成降至可排期，最终交付含32,229条变更明细及8,252条人工复核清单的优化方案，并沉淀可复用技能流程。

WorkBuddy企业版限时双倍 Credits 活动

workbuddy

2026上云采购 | AI焕新·智启新局

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

英文4级都没过的我用 WorkBuddy 校对 42,777 行 × 10 语种词条表：揪出 376 处机翻错误，交付 32,229 处修正-腾讯云开发者社区-腾讯云

英文4级都没过的我用 WorkBuddy 校对 42,777 行 × 10 语种词条表：揪出 376 处机翻错误，交付 32,229 处修正

英文4级都没过的我用 WorkBuddy 校对 42,777 行 × 10 语种词条表：揪出 376 处机翻错误，交付 32,229 处修正

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐