CommunitySchreiben & Editierengithub.com

tzwkb/game-loc-translator

Agent-Fertigkeit – RAG-basierte Spiel-Lokalisierungs-Übersetzungsmaschine (Neuübersetzung + MTPE).

Was ist game-loc-translator?

Dieses Skill orchestriert eine mehrstufige, agentengestützte Übersetzungspipeline für Spielelokalisierung. Es verwendet eine Hauptagent-Architektur, die Aufgaben an spezialisierte Unteragenten delegiert: einen Ingest-Agenten für Datenerfassung und -aufbereitung, einen Process-Agenten für die tatsächliche Übersetzung (einschließlich API-Aufrufen und Glossar-Ersetzungen) und einen QA-Agenten für Qualitätskontrolle, Überprüfung und Export. Die Kernsatzfolge umfasst: Startscan, CLI-basierte Aufnahme (`cli.py ingest`), Übersetzungsausführung (`cli.py process`), Glossar-Erzwingung (`cli.py glossary`), Qualitätskontrolle, Differenz-Endprüfung (im Modus B) und abschließendes Review und Export (`cli.py export`). Es integriert eine RAG-Engine (Retrieval-Augmented Generation), die zuvor übersetzte Korpusse aus einer Vektordatenbank abruft, um Konsistenz zu gewährleisten und Few-Shot-Referenzen für die Übersetzung bereitzustellen. Das Skill behandelt Entscheidungen zur Qualitätskontrolle (PASS, REWRITE, MANUAL) und ermöglicht Re-Routing-Flows für Korrekturen, mit einer maximalen Anzahl von Wiederholungen pro Charge von 5. Es unterstützt Multi-File-Workflows und eine Wissensdatenbankverwaltung (Glossare, Korpusse). Entwickler müssen die Dateien `SUB_ingest.md`, `SUB_process.md` und `SUB_qa.md` als Unteranleitungshandbücher referenzieren, und die Haupt-Agent-Regel lautet: Keine direkten Skript-/API-/Dateioperationen – jegliche Ausführung muss delegiert werden.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add tzwkb/game-loc-translator

Installed? Explore more Schreiben & Editieren skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Spiel-Lokalisierungs-Agent – Hauptsteuerungshandbuch

Haupt-Agent = Steuerung. Direkte Bedienung von Skripten, Dateien, APIs ist verboten. Alle Ausführungsaktionen müssen an Unter-Agenten delegiert werden.

Architektur: Haupt-Agent Entscheidung → Unter-Agent Ausführung → Ergebnisrückmeldung → Haupt-Agent Prüfung/Entscheidung

Pfade zu den Unter-Agenten-Handbüchern: SUB_ingest.md / SUB_process.md / SUB_qa.md


0. Architektur und Verbote

0.1 Verbote für den Haupt-Agenten

  • Darf cli.py oder ein beliebiges Skript nicht direkt ausführen
  • Darf Projekteingabedateien, Glossare oder Wissensdatenbanken nicht direkt lesen/schreiben
  • Darf die LLM-API nicht direkt für Übersetzung/Optimierung aufrufen
  • Darf die Datenbank oder exportierte xlsx-Dateien nicht direkt ändern

0.2 Aufgabenverteilung der Unter-Agenten

Unter-AgentVerantwortungExklusive Berechtigungen
ingest-agentStartscan, Spaltenerkennung, Glossar-Vorprüfung, Umgebungscheck, ingest/scout, Korpusbetrieb, Wissensdatenbank-EditierungDatenerfassung und -archivierung
process-agentprocess / run, API-Aufrufe, Parallelitätsmanagement, Trunkierung und Wiederholungen, glossary-Glossar-ErsetzungAPI-Aufrufe und erzwungene Glossar-Ersetzung
qa-agentQualitätskontrolle, stichprobenartige Prüfung, Differenz-Endprüfung (Modus B), Ausgabeprüfung, Export, Formatkorrektur, RAG-KonsistenzvergleichQualitätskontrolle und Lieferung/Export

0.3 Kontextweitergabe-Spezifikation

Vom Haupt-Agenten bei Aufgabenverteilung müssen mitgeliefert werden:

  1. Projektkennung (Workspace-Pfad, Projektname)
  2. Aktuelles Phasenziel
  3. Zusammenfassung oder Schlussfolgerungen des vorgelagerten Unter-Agenten
  4. Bekannte Risikopunkte (Glossarkonflikte, Formateinschränkungen, Verlauf von max_length-Überschreitungen usw.)
  5. knowledge_profile_path: Pfad zu workspace/knowledge_profile.json
  6. rag_enabled: Ob das aktuelle Projekts-Korpus >= 10 ist
  7. Rückmeldeanforderung: Strukturierte Zusammenfassung + Dateipfad + Ausnahmekennzeichnung

Beispiel für eine Aufgabenverteilung:

【Aufgabe】Ingest ausführen
【Projekt】workspace/PROJECT_001
【Phasenziel】Startscan + Parsen und Einlesen
【Eingabedatei】input/game.xlsx
【Glossar】input/glossary.txt
【Wissensdatenbank】input/kb.txt
【Bekannte Risiken】Keine
【Vorgelagerte Schlussfolgerung】Keine
【Rückmeldeanforderung】Strukturierte Zusammenfassung + Dateipfad + Ausnahmekennzeichnung

Vom Unter-Agenten bei Rückmeldung müssen bereitgestellt werden:

  1. Ausführungszusammenfassung (Erfolg/Fehler/Ausnahme)
  2. Schlüsseldaten (Zeilenanzahl, Glossar-Treffer, Ausnahmezeilennummern, Bewertung)
  3. Pfad zur Ausgabedatei
  4. Nächste Schritte / Blockaden

1. Start

Haupt-Agent Aktion: Beauftragt den ingest-agent mit der Durchführung des Startscans.

ingest-agent Rückmeldung: Historische Parameter/Leerzustand, Spaltenzuordnung, Glossar-Probleme, Umgebungsstatus (inkl. Vektorisierungsmodell-Status), Parameter-Material.

Haupt-Agent Entscheidung:

  • Historie vorhanden → PM die historischen Parameter melden, Bestätigung für Fortführung oder Anpassung einholen
  • Glossar-Anomalie → PM melden, nach Bestätigung fortfahren oder korrigieren
  • Mehrere Modelle → PM Optionen auflisten, Bestätigung einholen, welches verwendet werden soll
  • Kein Modell → PM fragen, ob Download gewünscht; Ablehnung → rag_enabled=false setzen
  • PM sagt "Weiter" = Bestätigung, Übergang zu Node 1

2. Scan (Node 1)

Haupt-Agent Aktion: Beauftragt den ingest-agent mit der Ausführung von cli.py ingest.

ingest-agent Rückmeldung: Gesamtzeilenanzahl, Glossar-Treffer, Liste neuer Begriffe, Konfliktzeilennummern, Bestimmungsmodus (Mode A/B), Stilanker-Beispiele, Pfad zu knowledge_profile.json.

Haupt-Agent Entscheidung:

  • Scout beauftragen (optional) → Mode A/B bestätigen → Übergang zu Node 3

3. API-Ausführung (Node 3)

Haupt-Agent Aktion: Beauftragt den process-agent mit der Übersetzung/Optimierung. Übergibt Stilanker, Glossar-Einschränkungen, knowledge_profile_path, rag_enabled.

process-agent Rückmeldung: Erfolgreiche Zeilenanzahl, fehlgeschlagene Zeilennummern, Trunkierungswarnung, RAG-Treffer/Wiederverwendungsstatistiken, API-Ausnahme-Zusammenfassung.

Haupt-Agent Entscheidung:

  • Fehler/Trunkierung → Entscheidung über Wiederholung, Parameteranpassung oder Kennzeichnung als MANUAL
  • Erfolg → Übergang zu Node 4

4. Nachbearbeitung (Node 4)

4.1 Erzwungene Glossar-Ersetzung

Haupt-Agent Aktion: Beauftragt den process-agent mit der Ausführung von cli.py glossary.

process-agent Rückmeldung: Ersetzungsstatistiken, verbleibende Abweichungszeilennummern.

Haupt-Agent Entscheidung: Verbleibende Abweichungen → Entscheidung, ob Rückfluss zur erneuten Bearbeitung.

4.2 Qualitätskontrolle

Haupt-Agent Aktion: Beauftragt den qa-agent mit der Durchführung der Qualitätskontrolle.

qa-agent Rückmeldung: Bewertungsverteilung (PASS/REWRITE/MANUAL), Ausnahmebeispiele, Zeilennummern mit Wissensdatenbank-Verstößen, Zeilennummern mit RAG-Inkonsistenzen, empfohlene Aktionen.

Haupt-Agent Entscheidung:

  • REWRITE → Rückfluss zu Node 3, process-agent beauftragen, Prompt anzupassen und erneut zu senden (max. 5 Wiederholungen pro Charge)
  • MANUAL → Blockade kennzeichnen, PM melden
  • PASS → Übergang zu 4.3 (Mode B) oder Node 5

4.3 Differenz-Endprüfung (Mode B)

Haupt-Agent Aktion: Beauftragt den qa-agent mit der Durchführung der Endprüfung.

qa-agent Rückmeldung: Korrekturliste, Fehlentscheidungsrate.

Haupt-Agent Entscheidung: Fehlentscheidungsrate >5% → Stichprobenumfang erweitern oder Rückfluss; sonst Übergang zu Node 5.


5. Endkontrolle + Export (Node 5)

Haupt-Agent Aktion: Beauftragt den qa-agent mit Endkontrolle, Prüfung und Export.

qa-agent Ausführung: Strukturierte Ausgabeprüfung (Details siehe SUB_qa.md Prüfpunktliste) → cli.py export.

Haupt-Agent Entscheidung (Rückfluss bei nicht bestandener Prüfung):

  • Glossar-Abweichung → process-agent erneutes glossary
  • Stil/Kontext → process-agent relevante Chargen erneut process
  • Format/Platzhalter/Länge → qa-agent reparieren und dann erneut export
  • Nach Rückfluss muss qa-agent erneut mit der Prüfung beauftragt werden

6. Entscheidungs-Schnellübersicht

AuslösebedingungEntscheidungsaktionBeauftragtes Objekt
Umgebungscheck fehlgeschlagen / Vektorisierungsmodell nicht gecachedPM melden, blockieren—
Glossar-AnomaliePM melden, nach Bestätigung fortfahren—
PM sagt "Weiter"Parameter bestätigen, zum nächsten Knoten übergehen—
API wiederholt fehlgeschlagenAls MANUAL kennzeichnen—
Trunkierungswarnungmax_tokens anpassen oder Zeilen aufteilen und wiederholenprocess-agent
REWRITE (0.7–0.9)Rückfluss zur Neuübersetzung (max. 5 Wiederholungen pro Charge)process-agent
MANUAL (<0.7)Als Blockade kennzeichnen, PM melden—
Glossar-AbweichungErneutes glossaryprocess-agent
Stil-AbweichungRelevante Chargen erneut processprocess-agent
Format/Platzhalter/Längen-AnomalieSkript-Reparatur und dann re-exportqa-agent
Fehlentscheidungsrate >5%Stichprobenumfang erweitern oder Rückflussqa-agent
Prüfung vollständig bestandenLieferung—

7. Betrieb

Korpus-Ablagerung/Austausch: Haupt-Agent beauftragt ingest-agent.

Wissensdatenbank-Editierung: Haupt-Agent entscheidet über Umfang → beauftragt ingest-agent. Vor der Bearbeitung .bak-Backup erstellen, Haupt-Agent bestätigt, dann erneutes ingest.

Mehrere Dateien: Jede Datei unabhängig steuern, keine Zusammenführung in workspace.db.


8. Anhang

8.1 Ressourcenpriorität

  1. Projekt-Glossar (höchste Priorität, skriptgesteuert erzwungen)
  2. Projekt-Wissensdatenbank (ingest strukturiert → process Prompt-Injektion → qa Checklisten-Abgleich)
  3. RAG-Historie-Korpus (process Few-Shot-Referenz → qa Konsistenzvergleich)
  4. LLM freie Generierung (niedrigste Priorität, Notlösung)

8.2 Steuerungsablaufdiagramm

Haupt-Agent
  │
  ├─→ ingest-agent  ←───────────────────────────┐
  │       ├─→ Startscan / Spaltenerkennung / Glossar-Vorprüfung  │
  │       ├─→ cli.py ingest                      │
  │       │   └─→ knowledge_profile.json ──┐     │
  │       ├─→ cli.py scout (optional)       │     │
  │       └─→ Rückmeldung Parameter / Ausnahmen  │
  │                                         │     │
  ├─→ process-agent ←───────────────────────┘     │
  │       ├─→ Wissensdatenbank in Prompt injizieren  │
  │       ├─→ RAG retrieve → few-shot (automatisch)  │
  │       ├─→ cli.py process / run                │
  │       ├─→ cli.py glossary                     │
  │       └─→ Rückmeldung Übersetzungsergebnisse  │
  │                                               │
  ├─→ qa-agent ──→ Rückfluss-Entscheidung ────────┘
  │       ├─→ Wissensdatenbank-Checkliste abgleichen │
  │       ├─→ RAG-Konsistenzvergleich               │
  │       ├─→ Qualitätskontrolle / Endprüfung / Review │
  │       ├─→ cli.py export                        │
  │       └─→ Rückmeldung Qualitätskontrolle / Export  │
  │
  └─→ Endentscheidung: Lieferung / PM melden / Rückfluss

Verwandte Skills