翻译代理：基于反思工作流的智能体翻译

这是一个用于机器翻译的反思型智能体工作流的 Python 示例。主要步骤如下：

1. 调用大语言模型将文本从 source_language 翻译为 target_language；
2. 让大语言模型对翻译结果进行反思，提出改进翻译的建设性建议；
3. 根据这些建议优化翻译结果。

可定制性

通过将大语言模型作为翻译引擎的核心，该系统具有高度可调控性。例如，只需调整提示词，与传统的机器翻译（MT）系统相比，使用这种工作流可以更轻松地：

• 修改输出风格，如正式或非正式；
• 指定如何处理习语以及专有名词、技术术语和缩略语等特殊词汇。例如，在提示中加入术语表，可以确保特定术语（如“开源”、“H100”或“GPU”）被一致翻译；
• 针对目标受众指定特定地区的语言用法或方言。例如，拉丁美洲使用的西班牙语与西班牙本土的西班牙语不同；加拿大使用的法语也不同于法国本土的法语。

这并非成熟软件，而是 Andrew 在过去几个月的周末时间里对翻译进行的一些尝试，同时感谢合作者（Joaquin Dominguez、Nedelina Teneva、John Santerre）协助重构代码。

根据我们在传统翻译数据集上使用 BLEU 分数进行的评估，该工作流有时能与领先的商业产品相媲美，但有时也会逊色于它们。不过，我们也偶尔会获得非常出色的翻译结果（优于商业产品）。我们认为这仅仅是智能体翻译的一个起点，这一方向充满潜力，仍有巨大的提升空间。因此，我们发布这个示例，以鼓励更多讨论、实验、研究和开源贡献。

如果智能体翻译能够产生比传统架构（例如直接输入文本并输出翻译的端到端 Transformer 模型）更好的结果——而后者通常比我们的方法运行得更快、成本更低——那么它还可以提供一种自动生成训练数据（平行语料库）的机制，这些数据可用于进一步训练和改进传统算法。（另请参阅 The Batch 上的这篇文章，介绍如何利用大语言模型生成训练数据。）

欢迎大家提出改进意见和建议！

快速入门

要开始使用 translation-agent，请按照以下步骤操作：

安装：

• 安装需要 Poetry 包管理器。Poetry 安装指南 根据您的环境，您可以尝试：

pip install poetry

• 运行该工作流需要一个包含 OPENAI_API_KEY 的 .env 文件。请参考 .env.sample 文件作为示例。

git clone https://github.com/andrewyng/translation-agent.git
cd translation-agent
poetry install
poetry shell # 激活虚拟环境

使用：

import translation_agent as ta
source_lang, target_lang, country = "English", "Spanish", "Mexico"
translation = ta.translate(source_lang, target_lang, source_text, country)

您可以在 examples/example_script.py 中找到一个示例脚本供试用。

许可证

Translation Agent 采用 MIT 许可证 发布。您可以自由地将此代码用于商业或非商业目的，并对其进行修改和分发。

扩展思路

以下是一些我们尚未尝试，但希望开源社区能够探索的方向：

• 尝试其他大语言模型。 我们主要使用 gpt-4-turbo 进行原型开发。我们非常期待其他人也能尝试其他大语言模型及不同的超参数设置，看看在特定的语言对上是否会有更好的表现。
• 术语表的创建。 如何高效地构建术语表——或许可以借助大语言模型——来确保最重要的术语被一致翻译？例如，许多企业会使用一些不常见于互联网的大语言模型不了解的专业术语，而且很多术语还有多种翻译方式。以“开源”为例，在西班牙语中既可以是 “Código abierto”，也可以是 “Fuente abierta”；这两种说法都正确，但在同一份文档中最好统一使用其中一种。
• 术语表的使用与实现。 已经有了术语表后，如何将其最有效地融入提示中？
• 不同语言的评估。 该方法在不同语言上的表现有何差异？是否存在针对某些源语言或目标语言的优化方案？（需要注意的是，对于 MT 系统已经接近的高水平性能，我们并不确定 BLEU 是否是一个理想的评估指标。）此外，其在低资源语言上的表现仍需深入研究。
• 错误分析。 我们发现，明确指定语言和国家/地区（例如“墨西哥口语化的西班牙语”）对于我们的应用场景效果相当不错。那么当前方法的不足之处在哪里呢？我们也特别感兴趣的是了解其在专业领域（如法律、医学）或特殊类型文本（如电影字幕）上的表现，从而更好地认识其局限性。
• 更优的评估方法。 最后，我们认为更完善的评估方法是一个非常重要且亟待研究的课题。与其他生成自由文本的大语言模型应用类似，现有的评估指标似乎存在不足。例如，我们发现，即使在某些文档中，我们的智能体工作流能够更好地捕捉上下文和术语，生成的人工评分者更青睐的翻译结果，但在句子级别的评估中（使用 FLORES 数据集），智能体系统的 BLEU 分数反而较低。我们能否设计出更好的评估指标（比如利用大语言模型来评估翻译质量），从而在文档级别上更准确地反映人类的偏好？

相关工作

目前，一些学术研究团队也开始关注基于大语言模型和智能体的翻译方法。我们认为这一领域尚处于早期阶段！

• ChatGPT MT：在高资源（而非低资源）语言上具有竞争力，Robinson 等人（2023），https://arxiv.org/pdf/2309.07423
• 如何为 ChatGPT 设计翻译提示：一项实证研究，Gao 等人（2023），https://arxiv.org/pdf/2304.02182v2
• 超越人工翻译：利用多智能体协作翻译超长文学文本，Wu 等人（2024），https://arxiv.org/pdf/2405.11804

Translation Agent 快速上手指南

Translation Agent 是一个基于“反思工作流（Reflection Workflow）”的 AI 翻译工具。它通过让大语言模型（LLM）先进行翻译，再自我反思并提出改进建议，最后根据建议优化译文，从而实现比传统机器翻译更可控、风格更自然的翻译效果。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux、macOS 或 Windows（需支持 Python 环境）。
• Python 版本：建议使用 Python 3.8 及以上版本。
• 前置依赖：
  • Poetry：本项目强制使用 Poetry 进行依赖管理。
  • API Key：需要拥有 OpenAI API Key（或其他兼容接口的大模型密钥），用于驱动翻译引擎。

安装步骤

1. 安装 Poetry 如果尚未安装 Poetry，请使用 pip 进行安装：

   pip install poetry
   

   (国内用户若下载缓慢，可尝试配置国内镜像源或使用官方安装脚本)

2. 克隆项目代码 从 GitHub 获取源代码：

   git clone https://github.com/andrewyng/translation-agent.git
   cd translation-agent
   

3. 配置环境变量 在项目根目录下创建 .env 文件，并填入您的 API Key。您可以参考自带的 .env.sample 文件：

   OPENAI_API_KEY=your_actual_api_key_here
   

4. 安装依赖并激活环境 使用 Poetry 安装项目依赖并进入虚拟环境：

   poetry install
   poetry shell
   

基本使用

安装完成后，您可以在 Python 脚本中直接调用该工具。以下是最简单的使用示例：

import translation_agent as ta

# 定义源语言、目标语言以及目标地区（用于适配方言和习惯）
source_lang = "English"
target_lang = "Spanish"
country = "Mexico"
source_text = "Hello, how are you doing today?"

# 执行翻译
translation = ta.translate(source_lang, target_lang, source_text, country)

print(translation)

说明：

• source_lang: 源语言名称（如 "English", "Chinese"）。
• target_lang: 目标语言名称。
• source_text: 待翻译的文本内容。
• country: 目标地区（可选但推荐），用于指定特定的语言变体（例如区分“墨西哥西班牙语”和“西班牙西班牙语”）。

更多详细用法请参考项目中的 examples/example_script.py 文件。