| name | lqe-translator |
| description | LQE scoring + self-iteration agent for AI/human game-localization translations — language-pair project tracks with required source_lang/target_lang (EN/TH/ZH language layers; project profiles nrc/wwm). Deterministic pre-check (23 builtin rules + project custom) finds mechanical errors; Claude judges semantic errors AND provides corrected translations in one pass; Python calculates score. /loop drives iteration until score ≥ 98. Triggers: LQE/LQA, 译文质检/评估/打分, translation QA. |
LQE Translator
路径变量（每次会话开始时定义）：
SCRIPTS=~/.codex/skills/lqe-translator/scripts
首次启动
1. 收集参数
直接使用项目档案初始化。AIPE 导出的 CSV 也按普通输入表走项目档案，不再单独走 AIPE API 拉 SG/TB；AIPE 与 LQE 参考资料由用户在项目档案侧手动对齐，减少双入口维护成本。不要再把 AIPE 联动或“独立 Excel”作为单独入口推荐。
收集以下参数：
- 输入表路径（Excel/CSV/TSV；可以是 AIPE 导出的结果表）
- 原文列名/索引、译文列名/索引
read --project <game>/<track>（如 nrc/zh-th、wwm/zh-en、wwm/en-zh）：从 projects/<game>/<track>/profile.json 带出 SG/术语/背景/词数基准/阈值/checks/adjudications，显式 CLI 参数优先。<track> 统一使用完整语言对 <source>-<target>；profile 必须写 language_pair、source_lang、target_lang，缺任一字段即停止，不从旧 <target> 目录或 pair-only profile 兼容回退。用户只给游戏名时，列出 projects/<game>/ 下含 profile.json 的语言轨子目录供选择；该游戏尚无目标语言轨则走新轨建档（复制同游戏他轨 profile 改 language_pair/source_lang/target_lang/SG/术语，common 素材天然共享）projects/<game>/<track>/ 结构（游戏级共享素材放 projects/<game>/common/）：
profile.json：{name, language_pair, source_lang, target_lang, game, background, style_guide, terminology, checks, adjudications, wordcount_basis, threshold, lock_statuses}（相对路径相对 profile 所在目录解析；lock_statuses=哪些术语 status 算锁定，空数组=确认无锁定；background=项目游戏类型/受众/语气/语域基调一句话，read 落 job/background.md 注入各 lens+单-agent，lens 规范保持项目中立、题材靠它注入）checks.json：项目专属确定性检查。builtin 开关内置项（键：untranslated_cjk/em_dash/color_tags/variables/newline_count/length/locale_numbers/terminology/pos_placeholder/numbers_consistency/whitespace/fullwidth_punct/empty_target/terminal_punct/cn_numbers/word_repeat/intra_word_case/paired_punct/term_case/ellipsis_mix/tag_count/pinyin_residue/intra_consistency，默认全开，部分由语言属性自动推导关闭）；custom 数组：{id, pattern(regex), where(target|source|both), category, severity, comment}，每段命中一次报一条；加 type: "count_match" 则改为源↔译 findall 数量对账（项目专属标签精配用，where 失效）adjudications.md：客户裁决/changelog 摘要——Step 2 评估前必须 Read 注入上下文，效力顺序通常为 实时更新要求 > Query 裁决 > SG，防止把已裁决项判成错误
- 目标语言层
target_languages/<code>/（skill 根，与 projects/ 平级；已建 en/th/zh，固定文件名 attributes.json + eval_notes.md）：按有效 target_lang 自动挂载，或用 read --target-lang 覆盖。source_lang 已写入 state，预留给未来非 zh 源语的 source-gated 检查和源语语言层；当前检查适用性仍只由 target 语言属性推导。属性声明制——只放语言学事实（script/word_delim/sentence_terminator/numerals/wordcount_basis），不放检查开关；pre-check 由属性推导检查适用性（script: cjk 关 fullwidth_punct 和 untranslated_cjk；sentence_terminator: none 关 N5；word_delim≠space 关 N7；script≠latin 关 N8/#7），read 由属性防呆（word_delim: none 配 target-words 词数基准时警告）。eval_notes.md 为语言级 AI 评估关注点（泰语性别语尾/敬语/佛历等），存在即由 read 拷入 job/lang_notes.md。合并顺序：内置默认 < 属性推导 < 项目 checks.json < CLI 显式参数。风格取向（em_dash、省略号样式、引号样式）一律留项目 checks.json——同语言不同项目实证取向相反（wwm/zh-en 禁破折号、nrc/zh-en 允许）
- 已建项目：
nrc/zh-th（洛克王国中→泰）、nrc/zh-en（中→英）、wwm/zh-en（燕云十六声中→英，官方术语库 terms_en_0706.json）
- 注意：SKILL.md 下文的"内置规则"（Title/Sentence Mode、禁破折号、文化术语映射等）实为 WWM 规则，仅在无 SG 且无项目档案时兜底；有项目档案时以其 SG/checks/adjudications 为准
2. 初始化
pip install openpyxl requests python-docx -q
python "$SCRIPTS/lqe_io.py" read \
--project "<game>/<track>" \
--input "<Excel/CSV/TSV路径>" \
--source-col "<原文列>" \
--target-col "<译文列>" \
--out "jobs/<文件名>/state.json"
AIPE CSV 常用列名：source / translation / content_type / rag_references；初始化时 source-col=source、target-col=translation 即可。content_type 会进入 segment 供评估参考；若 CSV 中混入 对话类文本 / 游戏内侧页文本 / 故事类文本 等文本类型 marker 行，read 会跳过该行并把后续句段标记为 text_type_context，直到下一个 marker；rag_references 保留在 rows_raw，不自动替代项目档案上下文。
<文件名> 取输入文件的 stem（去扩展名）。read --project 会自动创建 jobs/<文件名>/ 目录，并从项目档案带出 SG、术语、语言层、裁决和阈值；显式 CLI 参数仅用于必要覆盖。若没有项目档案，先建项目语言轨，不回退到独立散表入口。
附加 — TM 索引（项目 profile 含 tm 时，仅一次）：
输入文件无 match 列、需用项目 TM 做 100% 保护时，先把 .sdltm 从缓存（企微等易失目录）拷到 projects/<game>/common/tm/sources/ 固化，再建索引（TM 不变即复用，无需重建）：
python "$SCRIPTS/tm_index.py" build \
--libraries <profile.tm.libraries...> \
--out <profile.tm.index>
全本地、精确匹配，不调外部 API。解析层按扩展名分发，本期仅 .sdltm。
3. 术语锁定确认（首轮评估前必做）
锁定 = 判错后跳过二次 review：报错不可移除、不可改判，corrected 必须采用锁定译法。锁定级只能来自客户数据列或用户确认，不得自创：
- profile 已有
lock_statuses（含空数组）→ 直接生效：read 已给命中词条打 locked 标，pre-check 报错带 [LOCKED]
- 未定义且术语带 status/状态类列 → 列出全部取值问用户哪些算锁定；答案写回 profile.json（确认「无」写
[]）持久化，下批不再问；无 profile 时先建项目语言轨，不在单 job 内临时自创锁定策略
- 术语表无任何状态信息 → 全部术语 review 时可甄别、可修改，不存在硬判级
初始化完成后告知：段落数、词数、是否加载 SG 和术语表、锁定术语数（或「全部可 review」）。
4. 迭代模式确认（运行评估前必问，不得擅自迭代）
初始化告知后、首轮评估前，必须明确询问用户是否启用自动迭代，禁止默认进入多轮：
- 不启用（默认）：只跑第一轮——pre-check + 评估 + 计分 +
write 出报告与建议修正，不执行 apply-fixes 迭代循环，首轮后即停。首轮分数即为对该译文的质量裁决。
- 启用：
STATUS=FAIL 时自动 apply-fixes 回写修正并继续迭代至 SCORE≥阈值（由 /loop 或自驱动多轮）。
用户未明确选择前按「不启用」处理；大文件分块流程同受此开关约束。确认后提示运行 /loop。
每轮迭代（/loop 调用时执行）
JOB=jobs/<文件名>
Step 1：读取状态
Read $JOB/state.json，提取：
segments：当前段落（取 corrected 若存在，否则取 target）sg_path：指向 $JOB/sg.txt，读取内容作为风格指南terms_path：指向 $JOB/terms.json，读取内容作为术语表wordcount：固定词数（迭代不变）iteration：当前轮次adjudications_path（项目档案带入，可空）：非空必须 Read，裁决内容优先于 SG，已裁决项不得判错lang_notes_path（语言层带入，可空）：非空必须 Read，作为语言级评估关注点注入（效力低于项目 SG/裁决）background_path（指向 $JOB/background.md，项目 profile.background 带入，可空）：非空必须 Read，作为项目背景（游戏类型/受众/语气/语域基调）注入，校准「自然/口吻/语域」判断——lens 规范本身项目中立，题材靠此注入threshold：评分阈值（项目档案可改，默认 98），传给 lqe_calc/write/apply-fixes 的 --threshold
Step 1.2：TM / 100% match 保护
评估前必须检查输入列名和样例值，识别 TM/memory 100% match 句段。Agent 自行判断是否存在锁定指示列；脚本不得根据列名/值自动猜测。
判断线索（只供 agent 判读，不是脚本规则）：
- 列名含
rag / tm / memory / match / score / exact / locked / 100%
- 值含
100% / 1.0 / exact / perfect / locked / true / yes
若 agent 判定输入自带明确锁定信号，先产出显式 locked ids 文件，再交给脚本落 state：
{"locked_ids":[0, 12], "source":"agent_decision", "evidence":"tm_exact_match_used=true + score=1.0"}
python "$SCRIPTS/lqe_io.py" lock-segments \
--state "$JOB/state.json" \
--locked-file "$JOB/tm_locked.agent_decision.json" \
--reason TM_100_MATCH
lock-segments 只消费 agent 给出的 ids/file，负责把 state.segments[].locked=true 写入 state，并输出 $JOB/tm_locked.json 作为审计记录；它不读取原表、不推断列名、不自行识别 TM。
若某 segment 明确为 100% / exact / locked match：
- 不修改 target
- 不写 corrected
- 不把该段写成 actionable error
- 即使发现轻微问题，也只作为保护说明，不参与扣分和修正
- final/export 必须保留原译文
项目 TM（输入无 match 列时）：profile 含 tm 配置时，本地查 TM 产出 locked 段——
python "$SCRIPTS/tm_index.py" tm-match \
--state "$JOB/state.json" --index <profile.tm.index> \
--out-locked "$JOB/tm_locked.json"
命中规则：源精确匹配 TM 且 译文 = 库译（含一源多译的变体集）→ 锁定；其余（含「源命中但译被改」「源未命中」）照常评估。产物 tm_locked.json（{"locked_ids":[…]}）须继续用 lqe_io.py lock-segments --locked-file "$JOB/tm_locked.json" 落入 state；之后与「输入自带 match 列」两种来源等价、可并用。全本地、不调外部 API。
Step 1.5：pre-check（仅第一轮）
python "$SCRIPTS/lqe_io.py" pre-check \
--state "$JOB/state.json" \
--out "$JOB/errors.json"
确定性自动检测（纯文本可判定项前移，消除 LLM 跨轮方差）：
| 检查 | 类别 | 严重度 |
|---|
| target 含中文 | Untranslated | Major |
破折号 — | Punctuation | Minor |
颜色标签 #G/#C/#Y…#E 整对数量不匹配（源↔译） | Markup | Major |
变量 {} / %s 缺失或多余 | Markup | Major |
无索引位置占位符 %s/%d 顺序错位（命名/带索引允许重排）[R1] | Markup | Major |
\n 数量不匹配 | Markup | Major |
| 数值漏译/改值（源阿拉伯数字未在译文出现，如伤害 100→1000）[R6] | Mistranslation | Major |
max-length 列存在且译文超长 [R3] | Length | Major |
| 译文 > 1.5× 源（无 max-length 列时回退，仅非 CJK 源） | Length | Major |
| 千位分隔符缺失 | Locale convention | Minor |
| 首尾空白 / 双空格 / 译文含全角 CJK 标点（含「」『』；CJK 目标语言在语言层关）[R5] | Punctuation | Minor |
| 术语表 source 命中但 target 缺译 | Terminology | Major |
| 术语表 source 命中且 target 已出现，需排除子串/语境误匹配 | Other | Neutral |
句尾终止标点不对齐（源有译无 / 源无译加 .）[N5] | Punctuation | Minor |
| 中文数字+量词漏译（三次→译无 3/three；泰文数字/数词均认）[N6] | Mistranslation | Major |
| 单词连续重复（the the；白名单豁免 had had 等）[N7] | Grammar | Minor |
| 词内大小写混乱（AppLe；TB 词形/iPhone/PvP/Mc 豁免）[N8] | Spelling | Minor |
半角成对标点不完整 ()[]" （源平衡译不平衡才报；' 撇号豁免）[N9] | Punctuation | Minor |
通用标签数量对账 <…>/[…]（项目特殊格式用 custom count_match）[#3] | Markup | Major |
| 术语全大写缩写大小写错（TB 含 HP 而译 hp）[#7] | Company style | Major |
省略号样式混用（文件内 … 与 ... 并存，少数派段报）[#10] | Inconsistency | Minor |
| 拼音残留（专名大写头+≥2音节+强特征 zh/x/q 或撇号分隔；弱信号交 AI）[N1] | Mistranslation | Critical |
| 同源异译 / 异源同译（后者涉及源文须全部 ≥20 字；首段为基准不报）[N2] | Inconsistency | Minor |
max-length 列自动识别表头：maxlen/max_length/char_limit/限长/字符上限 等。输出作为本轮 errors.json 的基底。项目档案的 checks.json 在此生效：builtin 开关可关闭与项目规范冲突的内置项（如 Em-dash 允许的项目关 em_dash），custom regex 追加项目专属检查；术语报错带 [TB:status] 注记；带 [LOCKED]（profile lock_statuses 命中，见「术语锁定确认」）的跳过二次 review——不可移除、不可改判，corrected 必须采用锁定译法；其余术语报错无论 status（含 Approved）评估时均可按语境甄别。pre-check 术语匹配最长词条优先：长词条命中且译法正确时不报被包含子词；若译文已出现候选 target，pre-check 仍追加 TERM REVIEW 的 Other/Neutral 线索交给 AI 排除子串/重叠/语境误匹配，不作为扣分。若 pre-check 命中 locked segment，Agent 评估时必须移除该段 actionable error，保持 errors=[], corrected=null。R6 数值检查仅在源含阿拉伯数字时触发；N6 中文数字仅在「中文数字+量词」强模式触发（一起/三思类虚用不报）。语言属性自动推导：泰语等无句号/无空格分词/非拉丁语言自动关闭 N5/N7/N8/#7。全部确定性报错 Agent 评估时均可按上下文甄别移除（locked 除外）。
Step 2：评估所有段落
读取 $JOB/errors.json（pre-check 输出），对非 locked 段补充 AI 判断类错误，同时给出修正译文。locked 段不提供 corrected。
术语注入
从 terms_path 加载术语表，格式化注入评估上下文；多义词条（同一 source 有多个候选译法）列出全部候选 + 消歧信息，结合段落语境判断该用哪个，译文都不匹配才报 Terminology：
=== MANDATORY TERMINOLOGY (deviation = Terminology [Major]) ===
长鸣玉 → Echo Jade
师傅/公子 → Master
里奥 → ลีโอ（Creature Individual） | ไลเอล（Creature Species）
...
风格指南
优先使用 sg_path 文件内容。若不存在，使用以下内置规则：
大小写
- Title Mode（UI/技能/道具/地名/角色/成就）：名词/代词/动词/形容词/副词/≥5字母介词首字母大写；冠词/并列连词/＜5字母介词小写（首尾词除外）
- Sentence Mode（对话/描述/提示文本）：首词 + 专有名词
标点
- 严格对齐原文标点（原文无句号则译文不加）
- 全部使用半角标点
- 禁用破折号
—，改用 -（两侧空格）
- 中文
· → -（如：猫猫·珍珠 → Cat - Pearl）
数字
- 千位分隔符：2,000 非 2000
- 物品数量：
Item ×N（× 前空格，× 后无空格）
Markup
- 颜色标签
#G...#E #C...#E #Y...#E 保持相对位置
- 变量
{} %s {slot_name} 原样保留，前后加空格
\n 换行符保留
文化术语（强制）
- 枪→Spear，火药→Explosive Powder，师傅/公子→Master
- 龙/凤/蛟→Dragon/Phoenix/Serpent，笔→Brush，火铳→Fire Lance
- 侠→Hero，大侠→Great Hero，少侠→Young Hero
LQE 错误分类
| 子类别 | 权重 | 说明 |
|---|
| Mistranslation | 1.5 | 含义偏离原文 |
| Omission | 1.5 | 漏译 |
| Addition | 1.5 | 多译 |
| Untranslated | 1.5 | 未翻译，始终 Major |
| Grammar | 1.5 | 语法错误 |
| Inconsistency | 1.5 | 不一致 |
| Company style | 1.5 | 违反项目风格 |
| Unidiomatic | 1.5 | 表达不自然 |
| Terminology | 1.5 | 术语不符，始终 Major |
| Markup | 1.5 | 标签/变量错误，始终 Major |
| Culture specific reference | 1.5 | 文化本地化错误 |
| Audience appropriateness | 1.5 | 译文准确但不符目标受众/语域/世界观期待 |
| Punctuation | 1.0 | 标点错误 |
| Spelling | 1.0 | 拼写错误 |
| Locale convention | 1.0 | 数字/日期格式 |
| Length | 1.0 | 超出原文1.5倍字符数，始终 Major |
| Other | 1.0 | 其他 |
严重级别：Neutral（0分）/ Minor（1分）/ Major（5分）/ Critical（10分）
父维度对齐：17 个子类别归入 MQM-Core / ISO 5060:2024 七个一级维度 —— Terminology / Accuracy / Linguistic Conventions / Style / Locale Conventions / Audience Appropriateness / Design and Markup（+ Other）。Culture specific reference 与 Audience appropriateness 归入 Audience Appropriateness（不再错置于 Accuracy）。
注意：Terminology / Untranslated / Markup / Length 的 severity 由脚本强制纠正，无论 AI 填写什么值。
Critical 门（可选）：lqe_calc.py --critical-gate 开启后，任一 Critical 错误直接 FAIL（MQM/ISO 5060/LISA 行业硬规则）；默认关，向后兼容。--severity-scale mqm 切换 0/1/5/25 指数严重度档。
评估关注点全集（事项5）
首轮评估前 Read docs/质量检查项清单.md（项目中立方法论：23 项确定性检查类别表、17 子类→MQM 映射、三点法则、Word Choice 判定边界、严重度三级基准、计分/成组规则）。项目实判案例、强制译名、拼音保留名单、历史报告分析见该项目 adjudications.md + lqa_notes.md（如 projects/wwm/zh-en/）。效力顺序：客户裁决 > SG > 清单方法论。
成组文本评估（事项6）
segment 带 group 字段（read --group-col 注入）时，同组段落合并评估：对联看对仗押韵、题目与答案看对应关系，逐句独立直译破坏成组结构是 0512 报告 26 条 Critical 的主因。无 group 字段时，相邻成对短句（祝词/对联特征）自行按组判断。
归类决策规则
单一归属：每条错误只记一个类别（避免重复计分）。同一处可落多类时，按下表取最具体 / 最严的一个（对齐 MQM 决策树单维度归属）。
| 现象 | 归类 |
|---|
| 含义偏离原文 | Mistranslation |
| 漏内容 / 多内容 | Omission / Addition |
| 整段未译、中文残留 | Untranslated（始终 Major） |
| 错词命中术语表 或强制文化映射（枪→Spear、师傅→Master 等） | Terminology（始终 Major） |
| 不在术语表的普通错词 | Mistranslation |
| 文化专有概念译错（龙的内涵、典故、节气） | Culture specific reference |
| 译文准确但口吻 / 语域 / 世界观不符（仙侠敬语→现代俚语） | Audience appropriateness |
| 违反明文风格指南 | Company style |
| 无明文、仅表达不自然 | Unidiomatic |
| 与同文件他处译法冲突 —— 涉及术语表词条 | Terminology |
| 与同文件他处译法冲突 —— 其余 | Inconsistency |
| 句子不合语法（破句） | Grammar |
| 标点符号本身 | Punctuation |
| 数字 / 日期 / 货币格式 | Locale convention |
| 标签 / 变量 / 换行 | Markup（始终 Major） |
| 超长 / 截断 | Length（始终 Major） |
严重度判定（非强制类）
- Critical：卡上线 / 崩溃 / 冒犯性 / 法律风险。
- Major：改变含义、破坏功能、砸品牌（误译、术语、漏译）。
- Minor：表面瑕疵、偏好问题（轻微不自然、标点）。
- 存疑取重（J2450 元规则）：不确定 Major / Minor → 取 Major。
- 数值错误（技能 / 战斗数值，如 100→1000）默认 Major（归 Mistranslation）。
- Terminology / Untranslated / Markup / Length 由脚本强制 Major，无需手判。
Step 3：写入评估结果
Write $JOB/errors.json，所有段落都必须写入，无错误写空数组：
errors[].comment 必须统一使用英文。可以短引原文/译文片段，但解释、错误描述和修正理由都用英文；不要写中文 comment。
[
{
"id": 0,
"errors": [
{"category": "Mistranslation", "severity": "Major", "comment": "The target mistranslates '原文片段' as 'target phrase', changing the meaning."}
],
"corrected": "修正后的完整译文"
},
{
"id": 1,
"errors": [],
"corrected": null
}
]
corrected 字段规则：
- 有错误且非 locked → 必须提供修正后完整译文
- 无错误 →
null
- TM/memory 100% locked → 必须为
null，不得修改
Step 4：计算分数
python "$SCRIPTS/lqe_calc.py" \
--state "$JOB/state.json" --errors "$JOB/errors.json" --threshold 98
输出：SCORE=XX.XX STATUS=PASS/FAIL ERRORS=N WORDCOUNT=N CRITICAL=N REPEATED=N NPT/1000=X，以及错误分布。
已通过 lock-segments 写入 state.segments[].locked=true 的段会自动跳过计分；若只持有 locked ids 文件且尚未落 state，可额外传 --locked-file "$JOB/tm_locked.json"。
N4 重复错误计分（默认开，--no-repeat-dedup 关）：相同源译文段的同类同级错误仅首段计分，其余自动标 repeated（写回 errors.json，报表 repeated 列呈现、罚分不计）——客户评分卡口径。
Step 5：判断与处理
STATUS=PASS：
python "$SCRIPTS/lqe_io.py" write \
--state "$JOB/state.json" --errors "$JOB/errors.json" \
--score <分数> --threshold 98
报告输出文件路径，停止 /loop。
STATUS=FAIL：（仅当用户在「迭代模式确认」选了启用自动迭代时，才执行下列 apply-fixes 循环；若不启用，改为：用 write 出首轮报告 + 导出建议修正后停止，不回写迭代）
python "$SCRIPTS/lqe_io.py" apply-fixes \
--state "$JOB/state.json" --errors "$JOB/errors.json" \
--score <分数> --threshold 98 \
--locked-ids "<逗号分隔的TM 100% match segment ids>"
Agent 识别到 TM/memory 100% match 后，必须通过 --locked-ids 或 --locked-file 传给脚本。脚本会强制跳过 locked 段修正，并在 LQE 表中显示 TM Protected / TM Evidence。自动存档本轮 errors → errors_iter{N}.json，生成 *_lqe_iter{N}.xlsx，将非 locked 修正写回 state。报告结果，等待下一次 /loop。
优先在 Step 1.2 用 lock-segments 持久化 locked 状态；Step 5 的 --locked-ids/--locked-file 只作为未提前落 state 时的兼容入口。
大文件分块评估 + 聚合 + 边界处理（标准流程）
段数多（≳300）时 Step 2 改用 subagent 分块并行，避免单上下文爆窗。脚本：lqe_chunk.py（split 去重+覆盖过滤+kind 标记 / merge-lenses 合 lens / merge 广播）、finalize_job.sh、mastertb_to_terms.py（Master TB→terms）、aggregate_sheets.py（多 sheet 各子 job finalize 后一键合并跨 sheet 交付物，见「文件结构 › 多 sheet」）。
分批方式二选一：lqe_chunk.py split 按段数（默认 100/块）切，适合多数；lqe_batch.py plan/merge 按输出 token 体量自适应分批 + 断点续跑（写 manifest.json），适合每段产出大（如泰文剧情/对话整段完整修正、易超 64K）的场景——批级失败只重跑该批、merge 幂等缺批占位。
Step 2 改用多 lens（召回靠结构，非嘱咐）：一个 agent「找所有类型错」会锚定显眼类（术语/名字），系统性漏挖语义/机制/语法（实证：何老师批，单轮漏 21 条含 5 Major 机制误译）。拆成 4 个窄 lens 各只管自己几类、互不可见，规范在 docs/lenses/（_common.md + T/A/G/R.md）：
| lens | 类别 owner | 跑哪些段 | 输出 |
|---|
| T 术语一致 | Terminology, Inconsistency, Company style + pre-check 甄别 | 全部段 | 全部段（含无错段，merge 基准轴） |
| A 准确机制 | Mistranslation, Omission, Addition, Untranslated | 全部段 | 只命中段 |
| G 语法拼写 | Grammar, Spelling, Punctuation(语义) | kind=desc 段 | 只命中段 |
| R 语域自然 | Audience appropriateness, Culture specific reference, Unidiomatic | kind=desc 段 | 只命中段 |
A 是召回命门（旧单轮的盲区）；门控由 kind（split 自动标 name/desc）决定，存疑偏 desc。
流程：
- pre-check：
lqe_io.py pre-check --state $JOB/state.json（省略 --out，默认写 errors_precheck.json 作 merge 基底；勿沿用 Step 1.5 的 --out errors.json——errors.json 留给 merge 输出，否则 finalize 找不到基底、空译文 Untranslated 漏注入）
lqe_chunk.py split：① 按 (源,译) 去重——完全相同句段只评一次（写 dedup_map.json），省冗余 + 杜绝同句异判；② term_hits 最长匹配覆盖过滤——被同位置更长术语覆盖的子词不喂（如 绒光优优 不带 优优）；③ 每段标 kind（name/desc）供 lens 门控。每块 ~100 段 → chunks/chunk_NN.json（默认值，--size 可调）。大/密集 job 防单 agent 过载/崩溃：加 --char-budget N（按源+译字符量切块，密集段自动少装、各块负载均匀；--size 仍作段数硬上限）——实证固定 200 段时块负载 14K–20K 字严重不均、最密块（如术语机制密集段）撑爆 A agent；--char-budget 把每块压到 ~N 字、配「断点优先」即细粒度断点（崩/中断只丢一小块）。单个 chunk×lens 若仍反复失败，见下方「就地二分」。- 每块 × 每个适用 lens 派 1 subagent，读
docs/lenses/_common.md + 自己的 lens 文件（T/A/G/R.md）+ 各自 background/sg/lang_notes/adjudications + chunk，写 chunk_NN.<L>.json（如 chunk_03.A.json）。lens 分工见上表（T/A 跑全部段，G/R 跑 desc 段）。每个 lens 先 pilot 1 块验证格式再 fan-out；T 是基准轴必须先齐。派发 prompt 必含输出纪律（防 64K 崩）：评估结果只用 Write 写进 chunk_NN.<L>.json、最终聊天回复 ≤3 行纯文本统计、绝不把 JSON/修正译文/逐条明细写进回复——实证某 A agent 把整块结果怼进聊天响应触发 64K output 上限而崩、整块进度丢失。
- 断点优先（省 token，铁律）：派发/判译每块前先查其输出文件（
chunk_NN.<L>.json 或 chunk_NN.out.json）是否已存在且 json 合法（可解析、有 findings）——已存在即跳过该块，只处理缺失块。落盘的 chunk 文件就是断点：agent 超时/限流/中断后只补缺的，禁止重跑已完成块；改用 inline 兜底时同样先查断点再判。
- 并发数不设上限：直接一次性 fire 全部 chunk×lens，无需分波。批量同时失败先查本地网络是否切换/断线，孤立单个超时按下条续跑处理；全新 lens/prompt 设计首次仍先 pilot 1-2 个验证格式。详见 [[lqe_concurrency_no_hard_cap_20260701]]。
- 存活只认落盘，绝不杀活 agent：agent 停没停只认该 ID 的完成/失败通知，没通知=还在跑，运行时长/空磁盘都不算死亡证据。慢就等或 Monitor 轮询；想更快就另派替补并行，绝不 TaskStop 原 agent；TaskStop 仅用于通知确认失败或用户明确放弃时。见 [[feedback_no_kill_live_agent]]。
- 通知报错（timeout/ECONNRESET）永远 SendMessage 续跑同一 agent，不新起：文件未落盘 ≠ 要重派——
SendMessage(to: <该 agent 的 agentId>, ...) 原地续跑（保留已读上下文，省重读成本）。失败几次都续跑同一个，不设"重试N次就换新agent"的门槛——失败原因（网络/超时）与 agent 实例无关，换新只会多付一遍读取成本、不会更容易成功。除非该 agentId 本身失效（SendMessage 报错找不到该 agent），才新起。见 [[feedback_resume_agent_before_redispatch]]。
- 单个 chunk×lens 反复失败（同一单元连续 3+ 次超时/64K）就地二分，不再无限续跑同尺寸：
lqe_chunk.py split-half --outdir chunks --chunk <NN> --lens <L> 把该 chunk 原地拆成 chunk_NN_p1.json/chunk_NN_p2.json（各半量段，继承原 chunk 已算好的 precheck/term_hits，不重新预处理）；带 --lens 时若该 chunk 该 lens 已有断点续写攒下的 chunk_NN.<L>.ckpt.jsonl，按 id 归属拆给 chunk_NN_p1.<L>.ckpt.jsonl/chunk_NN_p2.<L>.ckpt.jsonl，已判过的段不因二分作废——新派的两个小 agent 一开局查断点就跳过这些，只接着判各自剩下的。当两个新 chunk 各派 1 个该 lens 的新 agent（读一半段落，生成量减半，直接压低撞 5 分钟超时/64K 输出上限的概率，段数仍 >30 就继续用断点续写）；两份都出结果后 lqe_chunk.py join-parts --parts chunk_NN_p1.<L>.json chunk_NN_p2.<L>.json --out chunk_NN.<L>.json 拼回原本该有的单一文件，后续 merge-lenses 无感。
- inline 兜底（agent 全不可用时）+ 降级不出裁决（铁律）：限流/会话上限致 agent 不可用时，用
mastertb_prep.py view 生成精简视图（id|类别|性别|中文|EN|定义|译文，密度高 10×，免读 ~38K/块原始 chunk 爆窗），主上下文按同一 _RUBRIC.md 逐块判、写回 chunk_NN.out.json（守断点）。但单判=低召回，只作下限、不可当 lens 双遍的替代：实证本轮单遍 inline 仅复现 0624 双遍 210 问题中的 29 个（召回 ~14%），漏 135 个真问题，单遍得 98.71 PASS 实为假阳（补全双遍真分≈95 FAIL）。故凡未跑完整 4-lens/双遍的运行，分数只报"临时下限"、不报 PASS/FAIL 裁决，报告须显著标注"单遍/低召回、待额度恢复补遍"+置信 medium。
lqe_chunk.py merge-lenses --outdir chunks：以 T 为基准 union A/G/R 命中 → chunk_NN.out.json（自动归并扁平 schema lens 文件；多 lens 同段取优先级最高的非空 corrected 作底 A>T>G>R，保证 Suggest translation 不空，全部候选存 corr_candidates 待可选整合）lqe_chunk.py validate-lenses --outdir chunks（合并前结构守门：缺 id/坏类别/T 脊柱不全→非零退出，防静默丢数据）→ reconcile --outdir chunks（A_OWNED 类 Mistranslation/Omission/Addition/Untranslated 仅留 A 确认项、剔 T 透传并存档 reconcile_dropped.json）lqe_chunk.py merge：按 dedup_map 把代表判定套到同组所有段；从 pre-check 基底补回确定性 Untranslated（空译文/中文残留——A lens 沉默≠甄别为 FP，防落 T↔A 职责缝隙被丢，实证虚高 0.9 分）；校验全 id 覆盖（缺 id 退回 pre-check）finalize_job.sh <job> <nchunks> [single|iterate] 一键 merge-lenses→validate-lenses→reconcile→merge→calc→report→export（幂等，T 脊柱齐了才跑）；单轮传 single——FAIL 也只 write、不 apply-fixes（建议修正由 write 回退 errors.json + export --errors 显示）
术语表/glossary 当待处理文件审校（如 Master TB 自身译文）：① 跳过术语检查——read --project 后置空 state.terms_path（无外部 TB 可比，T 轴转纯内部一致性）；② chunk 必带 EN/类别/性别/定义上下文——标准 split 只带 source/target，专名音译缺 EN 锚判不准，须预处理建 context.json 注入；③ 仍按 lens 跑、A 轴（准确）不可省，禁用单 judge 代替——原子短词同样锚定漏挖（单 judge + “保守少报”导向实测漏 ~3 倍，须高召回 + 双判/单判置信分级兜底）；④ 表头偏移（顶部有说明/图例行、真表头不在第 1 行）须先删顶部行再 read。
小文件（不分块）：单 agent 一轮即可，但 prompt 须把 background/lang_notes/adjudications 注入（与大文件 lens 同口径，Step 1 已 Read）+ A 的「必查清单」（占位符角色/机制动词/数值/条件）+ G/R 关注点并入，否则同样锚定漏挖。
finalize_job.sh 注：已内置 merge-lenses→validate-lenses→reconcile→merge 全链（无需手动先跑）；第 3 参数 single=单轮、缺省=迭代。
边界处理（段触发，不做全库扫描；操作规则见下，完整决策表见 dev 仓 Langlobal docs/lqe_boundary_cases.md）：
- 范围口径（PM 0615 定）：凡不一致或错误一律列出——含 ① 不在 TB 的术语各段译法不一致（→ Inconsistency）② TB 占位符/垃圾值（如
音碟吼→ตัวสัตว์）③ TB 自身错误。不静默、不只 FYI。
- 整词在 TB：最长匹配——与最长那条 TB 比，一致判对、不一致报 Terminology + 给 TB 译法（M1/M2/M3/M5）。被包含子词若与整词译法不一（如
优优 in 绒光优优）不报，属客户库自身问题。
- 整词不在 TB：缺词（M9）或被含部件在 TB 内冲突（M7）→ AI 出最佳但标"缺词"，关键专名或出现分歧 → 拦人工裁决；部件自洽（M6）→ 用部件译法拼整词 + 标待入库。
- 同源同译重复 → 去重套用（D2）；同源异译 → 报 Inconsistency（D4）；聚合后仍分歧 → 不自动取 severity 最高者、一律人工核（D5，防 AI 幻觉错译被当结果）。
- severity 口径：表面拼写（叠声调/缺字符等）= Minor（S1）。
- 人工裁决回填：拦下的项出
待人工裁决_<job>.xlsx 给 PM；PM 定后 → 写 terms_*.json（status=Approved）+ adjudications.md → 下次直接命中、不再问。
辅助命令
导出修正译文（PASS 后）：
python "$SCRIPTS/lqe_io.py" export --state "$JOB/state.json"
输出 *_corrected.<源扩展名>：原始文件结构，target 列替换为修正后译文，其余列不变；Excel 输出 .xlsx，CSV/TSV 保持原文本格式。
术语查询（评估前可用）：
python "$SCRIPTS/lqe_io.py" lookup-terms \
--state "$JOB/state.json" [--ids "0,1,5"]
评分公式
K_per_category = Σ severity_points（每条错误独立）
L_per_category = weight × K
最终得分 = MAX((1 - ΣL / 固定词数) × 100, 0)
阈值 = 98
词数在第一轮锁定，迭代过程不变
文件结构
target_languages/<code>/ 目标语言属性层（attributes.json + eval_notes.md；en/th/zh 已建；source 语言层接口预留）
projects/<game>/<track>/ 语言对轨档案（<source>-<target>；游戏级共享素材在 <game>/common/）
├── profile.json SG/术语/词数基准/阈值/checks/adjudications 配置
├── checks.json 内置检查开关 + 自定义 regex 检查
├── adjudications.md 客户裁决记录（评估前必读）
└── terms_*.json 项目术语（可带 status）
jobs/<文件名>/ 单文件任务（多 sheet/需拆分见下「多 sheet」）
├── state.json 初始化一次；跨轮持久化（译文、词数、迭代历史）
├── sg.txt 风格指南全文
├── lang_notes.md 语言级评估关注点（语言层带入，可无）
├── background.md 项目背景（profile.background 带入，可无）
├── terms.json 术语表（仅当源需转换 xlsx/csv、或要打锁定标时才落此副本；**项目 json 源 + 无锁定 → terms_path 直接引用项目 TB，不复制**）
├── errors.json 当前轮评估结果（每轮覆盖）
├── errors_precheck.json pre-check 输出（首轮自动生成）
├── errors_iter{N}.json 各 FAIL 轮存档（apply-fixes 自动生成）
├── <job标签>_lqe_iter{N}.xlsx 各 FAIL 轮报告
├── <job标签>_corrected.<ext> 最终修正译文；locked 段保持原 target
└── <job标签>_lqe.xlsx 最终 PASS 报告
输出文件名必须标注任务来源：<job标签> = 该 job 在 jobs/ 下的子路径用 _ 连接，由 lqe_io._job_label() 统一生成（单文件 jobs/A/ → A；多 sheet jobs/A/剧情/ → A_剧情）。apply-fixes/write/export 均据此命名，禁止再出现 src_lqe_iter0.xlsx 这种看不出来源的名字。
多 sheet / 需拆分的输入：read 只读 active sheet，且各 sheet 列名/内容类别（剧情/功能/社媒…对应不同 SG 规则）常不同 → 按 sheet 拆为子 job：
