LQE Translator

路径变量（每次会话开始时定义）：

SCRIPTS=~/.claude/skills/lqe-translator/scripts

---

首次启动

1. 收集参数

询问用户选择接入方式：

方式 A：接入 AIPE

• AIPE 导出的 CSV 路径（GET /translate/task/{id}/csv）
• AIPE 服务地址（如 http://localhost:8000）

方式 B：独立使用

• 输入 Excel 路径
• 原文列名/索引、译文列名/索引
• 风格指南路径（.docx/.txt/.md/.xlsx，可选；xlsx 多 sheet 自动转 markdown：sheet=章节、行=规则、空表头首列=分类前向填充）
• 术语表路径（.xlsx/.csv/.tsv/.json，可选；词条零宽字符自动清理；含 CJK 的 2 字词条参与 pre-check 匹配；json 词条可带 status 字段透传到报错注记）
• 词数基准 --wordcount-basis：target-words（默认，译文空格分词，适用 EN）/ source-chars（源文 CJK 字符+拉丁词，泰语等无空格译文必选，否则词数低估数倍、98 阈值失真）
• 目标语言 --target-lang（可选，en/th）：挂载 languages/<code>/ 语言属性（词数基准默认、检查适用性推导、评估关注点），见方式 C 语言层说明

方式 C：项目档案（同项目多文件复用，优先推荐）

• read --project <game>/<lang>（如 nrc/th）：从 projects/<game>/<lang>/profile.json 带出 SG/术语/背景/词数基准/阈值/checks/adjudications，显式 CLI 参数优先。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/SG/术语，common 素材天然共享）
• projects/<game>/<lang>/ 结构（游戏级共享素材放 projects/<game>/common/）：
  • profile.json：{name, language_pair, 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
• 语言层 languages/<code>/（skill 根，与 projects/ 平级；已建 en/th，固定文件名 attributes.json + eval_notes.md，schema 与新语言接入指南见 languages/README.md）：按 profile language_pair 后缀自动挂载，或 read --target-lang 显式指定。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；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/en 禁破折号、nrc/en 允许）
• 已建项目：nrc/th（洛克王国中→泰）、nrc/en（中→英）、wwm/en（燕云十六声中→英，官方术语库 terminology_0618.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

方式 A：

python "$SCRIPTS/lqe_io.py" from-aipe \
  --aipe-csv "<CSV路径>" \
  --aipe-url "<AIPE地址>" \
  --out "jobs/<文件名>/state.json"

方式 B：

python "$SCRIPTS/lqe_io.py" read \
  --input "<Excel路径>" \
  --source-col "<原文列>" \
  --target-col "<译文列>" \
  --style-guide "<SG路径>" \
  --terminology "<术语表路径>" \
  --out "jobs/<文件名>/state.json"

<文件名> 取输入文件的 stem（去扩展名）。read 会自动创建 jobs/<文件名>/ 目录，并将 SG 写入 sg.txt，术语表写入 terms.json。

方式 C 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；方式 B 无 profile 时把 locked: true 直接写进 jobs/<名>/terms.json 对应词条
• 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，不由脚本硬编码列名。

识别信号：

• 列名含 rag / tm / memory / match / score / exact / locked / 100%
• 值含 100% / 1.0 / exact / perfect / locked / true / yes

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":[…]}）即 Step 5 apply-fixes --locked-file 的锁定来源，与上面「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
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 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（见 languages/README.md）。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：

=== MANDATORY TERMINOLOGY (deviation = Terminology [Major]) ===
长鸣玉    → Echo Jade
师傅/公子 → Master
...

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/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：

[
  {
    "id": 0,
    "errors": [
      {"category": "Mistranslation", "severity": "Major", "comment": "说明，引用原文/译文片段"}
    ],
    "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。

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。

---

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（~200/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：

1. 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）
2. 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 ~200 段 → chunks/chunk_NN.json
3. 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。
   • 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。
   • 小批波次派发（防限流连锁，铁律）：agent 分波发，每波 ≤5–6 并发（chunk×lens），一波落盘验证后再发下一波；严禁一次性 fire 全部 chunk×lens——实证 30 并发→服务端限流 + 账号会话上限连锁，~29/30 全挂、耗掉一天。p2/第二遍必须等 p1 全齐再发，不叠加并发。
   • 存活只认落盘：判断 agent 在跑/成功只看磁盘 chunk_NN.*.json 或完成通知，禁止读 task .output transcript 推断存活（127 字节是缓冲假象，曾据此误判"全死"而过早弃用其实在跑的 agent）。
   • 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。
4. 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）
5. 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）
6. 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）
7. 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.xlsx：原始文件结构，target 列替换为修正后译文，其余列不变。

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

languages/<code>/         语言属性层（attributes.json + eval_notes.md；en/th 已建，schema 见其 README.md）
projects/<game>/<lang>/   语言轨档案（方式 C；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.xlsx     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：

• 子 job 落 jobs/<文件名>/<sheet>/（各自 state/errors/报告，文件名自带 <文件名>_<sheet> 前缀）
• 各子 job 独立走完评估 + finalize 后，一键聚合跨 sheet 交付物到父目录：

  python "$SCRIPTS/aggregate_sheets.py" --job <文件名> [--sheets 剧情,功能,社媒] [--threshold 98]

  自动发现父目录下含 state.json 的子 job（--sheets 可指定顺序/子集）→ 产出 <文件名>_corrected.xlsx（镜像原始多 sheet 结构，仅替换译文列）+ <文件名>_LQE报告.xlsx（汇总各子表分数 + 各子表 LQE Results 明细）。
• 跨 sheet 的合并交付物（汇总报告、还原原结构的修正文件）放父目录 jobs/<文件名>/，不得散落在 jobs/ 根
• 还原的修正文件须镜像原始多 sheet 结构（含空行/全部列），仅替换译文列