文献检索Skill的中文工作语言问题：SKILL.md和返回的报告模板以繁体中文为主，检索层是英文、书目字段保持原文语言，当一个中文科研人用英文概念映射检索、拿到英文文献、再让Skill用中文写综述时，中间“概念翻译—检索—理解—再表达”这条链路上每一步的语义损耗到底该由谁来标记和校正？

目录

一、问题的提出：一条被语言制度切碎的链路

一个具体场景足以说明问题的普遍性。某中文科研人研究“知识蒸馏中的温度系数对软标签分布的影响”，他用英文关键词 knowledge distillation temperature soft label 调用检索Skill；Skill的SKILL.md用繁体中文描述工作流，报告模板也以繁体中文为主；检索层返回的是英文文献，书目字段（作者、期刊、卷期）保持原文；最后他要求Skill“用中文写一段综述”。四个环节、四种语言制度，任何一步的偏差都会向下游传播，而下游往往无从察觉。

这不是一个“翻译得好不好”的局部问题，而是一个责任分配问题。传统的信息检索系统把语言转换的负担留给用户：用户自己决定用什么词检索、自己判断结果是否相关、自己把英文结论转述成中文。而Skill这类以自然语言指令驱动的工具，第一次让“系统”深度介入了翻译、理解与再表达的全过程，却没有同步建立与之匹配的损耗标记机制。于是出现一种结构性错位：能力被系统接管了，责任却仍留在用户身上。

笔者认为，讨论这个问题必须先放弃一个幻觉——以为存在“无损”的跨语言检索。跨语言信息检索（Cross-Language Information Retrieval, CLIR）自上世纪九十年代起就是信息 retrieval 领域的独立分支，其基本结论是：查询翻译（query translation）与文档翻译（document translation）各有固有损失，前者受歧义影响，后者受资源约束（Oard & Diekema, 1998；Peters et al., 2012）。本文评述：既然损失是结构性的而非偶然的，那么工程上真正可追求的目标就不是“消除损耗”，而是“让损耗可见、可定位、可校正”。这正是本文分析主线的起点。

1.1 为什么这个问题现在才变得尖锐

三个条件同时成熟，才让语言制度不一致从“体验问题”升级为“质量问题”。第一，检索Skill的输出不再是链接列表，而是成段的综述文本，错误一旦进入文本就难以回溯；第二，SKILL.md作为可读的指令文档，实际上承担了“系统提示词”的角色，它的语言选择会通过提示词偏置（prompt language bias）影响模型行为；第三，中文科研人的双语工作流已成常态，英文概念映射检索、中文写作输出的组合极为普遍，链路长度决定了损耗累积的空间。

关于提示词语言对模型表现的影响，已有实证工作值得注意。有研究系统比较了不同提示语言在多语言任务上的表现差异，发现提示语言与任务语言不一致时会带来可测量的性能波动（Shi et al., 2022；Zhao et al., 2024）。本文评述：这些研究多聚焦单一任务，尚未回答“指令文档语言—检索语言—输出语言”三者交叉时的复合效应，而这恰恰是Skill场景的核心。因此本文不照搬其结论，而是借用其“语言配置是变量”的方法论立场。

二、背景与问题定义：四种语言制度与四类语义损耗

要把问题说清楚，先要给“语言制度”下定义。本文所称语言制度（language regime），指在某一处理环节中被默认采用、并因此携带特定术语习惯与书写规范的语言变体及其约定。在Skill链路中至少存在四种：指令制度（SKILL.md的繁体中文）、检索制度（英文查询与索引）、书目制度（原文语言的书目字段）、输出制度（用户要求的中文，可能是简体或繁体）。四种制度并非简单并列，而是串联，前一环的输出是后一环的输入。

上表把损耗按环节归位，但必须强调：损耗不是均匀分布的。概念翻译环节的损耗具有“放大效应”，因为查询是检索的入口，入口偏差会被后续所有环节继承；再表达环节的损耗则具有“掩盖效应”，因为流畅的中文文本会让人误以为理解无误。两者方向相反，却共同导致同一个后果：错误难以被用户识别。

2.1 概念翻译环节：一对多与上下位错配

中文术语到英文术语的映射很少是一对一的。以“鲁棒性”为例，对应 robust、robustness，但在不同子领域可能对应 resilience、fault tolerance；以“注意力机制”为例，attention mechanism 是标准译法，但“注意力”在心理学语境下又对应 attention 的不同含义。这种一对多结构意味着：任何自动映射都必须在多个候选之间做选择，而选择依据往往缺失。

跨语言检索研究早已指出，查询翻译的歧义是CLIR性能的主要瓶颈之一，结构化查询翻译与伪相关反馈是两类经典缓解手段（Oard & Diekema, 1998；Nie, 2010）。本文评述：这些方法面向的是“检索系统内部”的翻译，而Skill场景中的翻译发生在“用户意图”与“查询串”之间，缺少伪相关反馈所需的初始结果集，因此不能直接套用。笔者认为更现实的路径是要求Skill在生成查询时同时输出候选术语及其选择理由，把隐式选择变成显式记录。

2.2 检索与理解环节：召回偏差与限定条件丢失

检索环节的损耗常被低估。英文索引对英文查询天然友好，但当查询本身是“翻译产物”时，召回集的主题分布会向翻译用词的常见用法偏移。例如把“软标签”译为 soft label，可能召回大量与“标签噪声”相关但并非“知识蒸馏软标签”的文献。这类偏移在单次检索中难以察觉，却会系统性地改变综述的证据基础。

理解环节的损耗更隐蔽。学术文本中的限定条件（如“在特定数据集上”“在温度趋近于零时”）是结论有效性的边界，而模型在压缩与转述时最容易丢失的恰恰是限定条件。机器翻译质量评估研究长期关注“充分性”与“流畅性”两个维度，并发展出MQM等细粒度错误标注框架（Freitag et al., 2021；Kocmi et al., 2024）。本文评述：这些框架针对的是句级翻译质量，而Skill场景需要的是“命题级”的忠实度评估——一个结论是否被完整保留，比一句话是否通顺更重要。这是现有评估体系尚未覆盖的空白。

2.3 再表达环节：繁简混用与术语回译不一致

当SKILL.md与报告模板以繁体中文为主，而用户习惯简体中文时，输出文本会出现繁简混用。这不只是排版问题：同一概念在繁简两套术语习惯下可能有不同译名（如“信息”与“資訊”、“概率”与“機率”），混用会破坏术语一致性，进而影响读者对概念同一性的判断。术语一致性在技术写作中被视为可读性的基础要求，ISO 704等术语学标准对此有明确论述。

笔者认为，繁简问题之所以在Skill场景中被放大，是因为它同时出现在“指令层”和“输出层”。指令层的繁体用词会通过提示词影响模型的用词倾向，输出层的繁体模板又会约束最终文本。两层叠加，用户即使明确要求简体，也可能得到繁简混杂的结果。解决方案不能靠“让用户每次都说一遍”，而应把语言变体作为Skill的显式配置项固化在协议中。

三、原理与技术路线：三层标记体系与校正锚点

如果损耗不可避免，那么工程目标就应转为“让损耗可追溯”。本文提出一套三层标记体系，分别对应术语、字段与置信度三个粒度。三层的设计原则是：每一层都必须在链路的固定锚点上产生可检查的记录，而不是依赖事后回忆。

3.1 第一层：术语锚点（Term Anchor）

术语锚点指为每个核心概念建立一条“中文原词—英文查询词—回译中文—来源标识”的四元记录。其作用是把概念翻译环节的隐式选择显式化。实现上，Skill在生成查询前应先输出一张术语映射表，用户确认后再执行检索。这张表本身就是可审计的中间产物。

term_anchor:
  zh_source: "软标签"
  en_query: ["soft label", "soft target", "dark knowledge"]
  back_translation: "软标签 / 软目标 / 暗知识"
  source: "领域惯用 + 候选扩展"
  confidence: 0.72
  note: "dark knowledge 为Hinton 2015提出的相关概念，非严格同义"

本文评述：术语锚点的价值不在于“译得准”，而在于“译得可查”。即使映射有误，只要记录在案，用户就能在发现异常时定位到具体环节。这与软件工程中“可观测性优先于正确性”的工程哲学一致——先能看见，再谈修好。

3.2 第二层：字段溯源（Field Provenance）

书目字段保持原文语言是正确做法，但必须附带溯源信息：该字段来自哪个数据库、抓取时间、是否经过规范化。字段溯源的作用是防止“原文语言”被误当作“原文内容”——作者名、期刊名的原文形式与论文正文的语言是两回事，混为一谈会导致引用错误。

关于书目数据的规范化，CrossRef等注册机构提供了元数据质量规范，实践中常见的问题是作者名的大小写与变音符号处理不一致。本文评述：字段溯源不是学术洁癖，而是可复现性的前提。当综述中的一条引用无法被读者定位到原文时，整段论述的可信度都会受损。

3.3 第三层：置信标注（Confidence Tagging）

置信标注要求Skill在输出综述时，对每个由跨语言转换产生的关键论断标注置信等级。建议采用三级：高（术语有标准译法且原文限定完整）、中（术语存在多译或限定部分丢失）、低（术语为推测性映射或原文限定不明）。置信标注的意义在于把“读者需要自行判断”变成“系统已给出判断依据”。

这一思路与自然语言生成中的不确定性量化研究相通。近年有工作尝试用语义熵等方法估计生成文本的不确定性（Kuhn et al., 2023；Farquhar et al., 2024）。本文评述：这些方法估计的是模型对自身输出的不确定，而本文需要的置信度还包含“翻译忠实度”这一外部维度，二者不能等同。工程上更稳妥的做法是规则与模型结合：术语层用规则判定，理解层用模型自评，再人工抽检校准。

3.4 校正锚点：把责任分配到具体节点

标记只是第一步，校正才是闭环。本文主张在链路中设置三个固定锚点，每个锚点有明确的责任主体与检查动作。

笔者认为，责任分配的关键在于“谁有能力在正确的时间做正确的判断”。A1放在检索前，是因为此时用户对研究意图最清楚；A2放在写作前，是因为此时原文尚在可查状态；A3放在写作后，是因为此时才有完整文本可供一致性检查。把校正动作放在错误的时间点，等于把责任分配给了没有能力履行的主体。

四、关键数据与工程案例：可观测的损耗与可执行的校正

本节用可复现的观察说明损耗的规模。需要说明的是，Skill类工具尚无公开的标准化评测集，因此本文采用小规模受控观察：选取若干中文研究主题，按“中文概念→英文查询→英文文献→中文综述”流程执行，记录各环节的可观测偏差。以下数据为模拟数据，用于说明方法而非宣称普适结论。

4.1 术语映射的候选数量分布

对20个中文研究主题的核心术语做候选扩展，统计每个术语的英文候选数量。结果显示，单一标准译法的术语占比并不高，多数术语存在2–4个候选，少数存在5个以上。候选越多，隐式选择的空间越大，损耗风险越高。

本文评述：这张表最重要的信息不是具体比例，而是“多候选是常态”。既然多候选是常态，那么任何不记录候选的自动映射都在制造不可见的偏差。这与跨语言检索领域关于查询歧义的经典结论方向一致，但本文强调的是记录机制而非消歧算法——消歧可以后续优化，记录缺失则无法补救。

4.2 限定条件在转述中的保留率

选取若干含明确限定条件的英文摘要句，要求Skill转述为中文，统计限定条件的保留情况。观察发现，显式数值限定（如“在温度T=2时”）保留较好，而隐含范围限定（如“在多数基准上”“在特定假设下”）容易被压缩掉。这提示校正重点应放在隐含限定上。

原文：The method improves accuracy on most benchmarks, though gains diminish when the temperature approaches zero.
高风险转述：该方法在多数基准上提升了准确率。
保留限定的转述：该方法在多数基准上提升准确率，但当温度趋近于零时增益减弱。

笔者认为，这类损耗的根源不在翻译能力，而在“摘要式压缩”的默认倾向。模型在转述时倾向于保留主句、删除从句，而学术写作中限定条件恰恰常以从句形式出现。因此校正策略应是在提示词中显式要求保留条件从句，并在输出审校时把“限定条件是否完整”作为独立检查项。

4.3 一个可执行的校正流程

把上述观察转化为操作步骤，形成如下流程。该流程可直接写入SKILL.md作为标准作业程序。

Step 1  解析研究意图，抽取3–8个核心概念
Step 2  为每个概念生成术语锚点表（含候选与来源）
Step 3  用户确认锚点表（锚点A1），锁定查询词
Step 4  执行英文检索，记录查询串与结果数
Step 5  对结果做主题一致性筛查，剔除明显漂移项
Step 6  抽取3–5篇回原文核对关键结论（锚点A2）
Step 7  按置信三级标注生成中文综述草稿
Step 8  术语一致性检查 + 繁简统一（锚点A3）
Step 9  输出附录：术语锚点表、字段溯源表、置信标注说明

这个流程的设计要点是“中间产物必须落盘”。术语锚点表、字段溯源表、置信标注说明三者构成可审计的证据链，使读者能够判断综述中每个论断的可信程度。本文评述：相比追求一次性生成高质量综述，这种“带证据链的生成”更符合科研工作的实际需求——科研人需要的不是不可质疑的答案，而是可质疑、可核查的答案。

4.4 拓展资源

以下资源对理解与实现上述机制有直接帮助，均可在新窗口打开：

• ACL Anthology：跨语言检索与机器翻译评估论文的主要来源。
• Nisaba：机器翻译质量评估的开源工具链，可用于理解细粒度错误标注。
• CrossRef 文档：书目元数据规范与API说明。
• ISO 704 术语工作标准：术语一致性与概念关系的规范依据。

五、对比与局限：为什么“全中文”与“全英文”都不是答案

面对语言制度不一致，最直觉的两种方案是“全部统一为中文”或“全部统一为英文”。本文认为两者都不可行，理由不同但结论一致。

“全中文”方案的问题在于检索层。英文学术索引的覆盖面与术语规范性在多数领域仍占主导，强行用中文查询会显著降低召回。跨语言检索研究反复验证，查询语言与索引语言一致时性能最优（Peters et al., 2012）。本文评述：这不是语言优劣问题，而是索引生态的现实约束。要求检索层用中文，等于主动放弃英文文献这一主要证据来源。

“全英文”方案的问题在于输出层。中文科研人的写作、交流与发表场景大量使用中文，强制英文输出会增加额外的转述成本，且英文综述回译成中文时同样面临术语不一致。更关键的是，用户的母语是中文，用英文思考再转中文，等于在链路上多加一次转换，损耗只增不减。

分层标记方案的局限必须诚实说明。第一，它增加了用户的操作步骤，A1与A2两个锚点都需要人工介入，对追求“一键生成”的用户不友好。第二，置信标注的准确性依赖模型自评，而模型自评存在系统性偏差，已有研究指出语言模型对自身输出的置信估计并不可靠（Kuhn et al., 2023）。第三，术语锚点表的质量取决于候选生成能力，候选不足时锚点形同虚设。

笔者认为，这些局限不构成否定理由，而构成改进方向。操作步骤可以通过“默认值+一键确认”降低负担；置信标注可以通过规则与人工抽检结合提升可靠性；候选生成可以借助领域词表与同义词库扩展。真正需要警惕的是把标记体系做成形式主义——生成了表格却无人查看，标注了置信却无人理解其含义。标记体系的价值只有在被实际使用时才成立。

六、结论与展望：把语言责任写进协议

回到本文开头的问题：语义损耗到底该由谁来标记和校正？本文的答案是：标记责任在Skill的设计者，校正责任在锚点上的能力主体，最终判断责任在用户。三者不能互相替代。设计者若不建立标记机制，用户就失去了校正的依据；用户若不在锚点上履行确认，标记就沦为装饰；而最终判断——这篇综述是否可信、这个结论是否可用——只能由具备领域知识的人承担。

这个结论有一个重要的推论：语言配置应当成为Skill协议的一等公民。SKILL.md不应默认使用某一语言变体，而应声明“指令语言、检索语言、输出语言、书目语言”四个配置项及其默认值，并说明各配置项变更时对链路的影响。这与软件工程中“配置显式化”的原则一致，也是可复现性的要求。

展望未来，三个方向值得关注。其一，跨语言检索的评测体系需要向“命题级忠实度”延伸，现有句级指标不足以评估综述质量。其二，术语锚点可以借助领域本体与知识图谱实现半自动构建，降低人工成本。其三，繁简与术语一致性问题可以通过轻量化的后处理规则解决，不必依赖大模型重写。本文评述：这三者共同指向一个判断——语言问题不会随着模型能力提升而自动消失，它需要独立的工程投入与协议设计。

最后需要强调边界条件。本文讨论的是“中文科研人使用英文索引检索、以中文输出综述”这一特定场景，结论不宜外推到其他语言组合或其他任务类型。本文提出的三层标记体系是框架性的，具体阈值与规则需结合领域实践调整。所有模拟数据仅用于说明方法，不构成性能承诺。

主要参考文献