Paper translation

Paper Translation

Pre-flight Check (MANDATORY — runs every time, before anything else)

Step 0: Determine if API extraction is needed

If mineru_output/full.md already exists (paper was already extracted by MinerU):

• Skip the token check entirely — no API call is needed.
• Jump directly to 1. Prepare.

If mineru_output/full.md does NOT exist (need to call MinerU API):

• Proceed to the token check below.

Token check (only when API extraction is needed)

Check for the MinerU API token. Try these methods in order:

1. First, try bash:

   source ~/.claude/skills/paper-translation/config 2>/dev/null; echo $MINERU_TOKEN
   

2. If bash is unavailable, read the config file directly:

   Read ~/.claude/skills/paper-translation/config and extract MINERU_TOKEN= value
   

If MINERU_TOKEN is empty or not set → respond with:

⚠️ 需要配置 MinerU API Token 才能提取 PDF。

获取步骤（约 2 分钟）：
1. 打开 https://mineru.net ，注册/登录账号
2. 登录后访问 https://mineru.net/apiManage/token
3. 创建并复制 JWT Token（以 eyJ... 开头的长字符串）

配置方法：
  cp ~/.claude/skills/paper-translation/config.example ~/.claude/skills/paper-translation/config

然后用编辑器打开 config，将 Token 填入 MINERU_TOKEN= 后面。

或直接告诉我你的 Token，我帮你写入配置文件。

Do NOT proceed until the user confirms MINERU_TOKEN is set.

If MINERU_TOKEN is set or full.md exists → proceed to Overview.

---

Overview

Systematic workflow for extracting academic PDFs via MinerU API and translating them to Chinese Markdown while preserving formulas, images, tables, and code blocks. Core principle: plan first, translate in order, verify every invariant.

HARD RULE: Before ANY translation work, you MUST invoke Plan mode (EnterPlanMode / /plan) to create a structured implementation plan. Never translate directly — the plan catches missing invariants and term conflicts before they become rework.

When to Use

• Translating academic papers (CS, ML, robotics) from PDF to Chinese Markdown
• Extracting PDFs with formulas and images via MinerU Precision API
• Need consistent terminology across multiple related papers
• Want a repeatable translation pipeline with verification checkpoints

Workflow (5 Stages)

1. Prepare

# Count source lines and images before starting
wc -l mineru_output/full.md
grep -c '!\[.*\](images/' mineru_output/full.md
# Check for null bytes (MinerU OCR artifacts that break grep)
python -c "print(open('mineru_output/full.md','rb').read().count(b'\x00'))"

• Clean up output_*: After MinerU extraction, move contents to <论文名>/mineru_output/, then delete output_*/. This intermediate dir must not linger.
• Formula sanitization (NEW): MinerU API 产出的 LaTeX 常有渲染问题（$$ 跨行断裂、内联 $ 内下划线未转义、分隔符空格异常）。翻译前先扫描并修复：

  # 检查 $$ 数量是否为偶数（奇数 = 有断裂）
  grep -c '\$\$' mineru_output/full.md
  

  常见修复：
  • $$ 被换行拆开 → 合并到同一行
  • $x_i$ 中 _ 导致 Markdown 斜体误识别 → 改为 $x\_i$
  • $$ 前后缺空格导致与前文粘连 → 补空格
  • $x _ { \tau }$ → $x_{\tau}$（移除 LaTeX 数学模式下的多余空格）
  • \begin{array}{r} x \end{array} → 单行公式去除多余 array 包装
  • \begin{array}{l l} → \begin{cases}（cases 环境是常见误用 array 的目标）
  • 判断标准：数学模式内多余空格/包装属于可读性问题；花括号内的下标/上标内容本身不可改动。 拿不准的改动标记出来人工复核。
• Build terminology table for core terms before translating
• Confirm source file paths, line counts, image counts
• Pseudocode detection & extraction check: MinerU 可能完全不提取伪代码块（PDF 中的 Algorithm 在 full.md 中消失）。

  # 检查 full.md 中是否有伪代码特征
  grep -c -E "(Algorithm [0-9]|^ [0-9]+: )" mineru_output/full.md
  # 如果返回 0 但论文标题/摘要提到算法 → MinerU 遗漏，标记【伪代码缺失，需手动提取】
  

  如果伪代码存在但未被 包裹，手动包入 `text ` 代码块。如果完全不存在，在译文中标注位置并告知用户。

2. Plan (MANDATORY)

REQUIRED: Invoke Claude Code Plan mode (EnterPlanMode) before touching any translation work. Do NOT skip this step.

If EnterPlanMode tool is unavailable (e.g., in agent/sub-agent context), manually present the plan as text: list all tasks, dependencies, output paths, and verification criteria. This text-based plan serves the same purpose.

The plan must include:

• One task per paper translation (shorter paper first)
• One task for terminology consistency check
• One task for format & path verification
• Dependencies set correctly (verification → consistency → both translations done)
• Source file line counts and image counts recorded as baselines
• Output naming convention (*_zh.md) explicitly stated
• Image path correction rule documented (images/ → medias/)

Red flags that mean STOP and enter Plan mode:

• "This is just a simple translation"
• "I know what to do"
• "Let me just start translating directly"

All of these mean: Stop. Enter Plan mode first.

3. Execute

Translation order: For multiple papers, translate the shorter one first to accumulate term experience, then the longer one. For a single paper, skip this consideration.

⚠️ 逐行翻译，不要凭理解概括： 翻译时必须逐行对照 full.md，确保每个图片引用、公式、表格都被保留。最常见的 bug 是"理解后概括写译文"导致图片引用批量丢失。翻译完一段后回头扫一眼 full.md 对应段落，确认没有遗漏。

LaTeX formulas — preserve content, fix rendering:

• 保留数学内容（符号、结构、编号），但必须修复 MinerU 产出的渲染问题
• 常见修复：合并断裂 $$、转义内联 $ 中的裸下划线、修正分隔符间距
• \text{...} 内的英文：属于公式一部分则不翻译（如 \text{maximize}），属于自然语言注释则翻译（如 \text{subject to} → \text{满足}）。拿不准时保留原文。
• 拿不准时不要改数学内容，标记出来人工复核
• 翻译后做闭合检查：grep -c '\$\$' *_zh.md 必须为偶数；grep -c '\\\[' *_zh.md 与 grep -c '\\\]' *_zh.md 必须相等

Must preserve unchanged:

• Image references ![...](images/xxx.jpg)
• Tables (MinerU 输出 HTML <table>，用 html_table_to_md.py 批量转 Markdown pipe 语法：python ~/Desktop/paper-translation/html_table_to_md.py mineru_output/full.md --in-place。合并单元格在 pipe 格式中不可表示，拆分为独立行列)
• Code blocks (fenced and indented)
• Pseudocode / algorithms: MinerU 产出的伪代码通常没有 ``` 包裹，呈裸文本形态。识别特征：连续多行以 数字: 或 Algorithm / 算法 开头。只翻译标题（如 "算法 1: xxx"），伪代码正文（Input/Output/1:/2:/...）保留原文不动。 如果伪代码正文被 MinerU 胡乱换行打断，可以手动将其包入 ```text 代码块以便 Markdown 正确渲染。
• <details> collapsible blocks — 保留结构和标签（<summary>）不翻译。内部文本：自然语言描述翻译；纯数据保留原文。Mermaid 图：节点标签保留英文原文不翻译（属于图表结构，不是自然语言）。
• References: 保留英文原文不动（作者、标题、期刊/会议名均不翻译）
• Heading hierarchy # / ## / ###

Output location: 翻译结果放在源 PDF 所在目录（即论文原始存放位置），而非 paper-translation 仓库目录。

Output directory structure (per paper):

<源PDF所在目录>/<论文名>/
├── medias/             # 图片，供 _zh.md 引用
├── <论文名>_zh.md       # 中文译文
├── <论文名>.pdf         # 源 PDF
└── mineru_output/      # MinerU 解析原始输出（原封不动）
    ├── full.md
    └── images/

Must change:

• Image paths: images/xxx.jpg → medias/xxx.jpg
• Image copy (precise): Use copy_images.py to copy only referenced images:

  python ~/Desktop/paper-translation/copy_images.py <paper_dir>
  

  Or manually: grep -oP 'images/\K[^)]+' mineru_output/full.md | sort -u | while read img; do cp "mineru_output/images/$img" "medias/$img"; done
• Body text: English → Chinese (academic style)
• Figure/Table captions: English → Chinese (e.g., "Figure 1. Overview of..." → "图1. ...概览")
• Template noise handling: 期刊模板残留（如占位性 "Journal Title", "XX(X):1-18", "Keywords: Class file, LATEX 2e" 等）— 保留原文并添加 [模板残留] 标记，不要翻译为正常内容。
• English abbreviations: 首次出现时保留英文缩写（如 "back-propagation through time (BPTT)" → "通过时间反向传播（BPTT, back-propagation through time）"），术语表可补充常用缩写对应关系。
• Reference links: MinerU 不会解析出参考文献的 URL 或 DOI——输出是纯文本。需要从参考文献文本中手动提取 arXiv ID 构造链接：
  1. 扫描 References 章节每条文献，查找 arXiv:XXXX.XXXXX 或 arxiv preprint arXiv:XXXX.XXXXX 模式
  2. 提取 arXiv ID，构造 https://arxiv.org/abs/XXXX.XXXXX。注意 MinerU 可能截断 ID（如 "arXiv, YYYY" 只剩年份），此时标记该文献为 [arXiv ID 缺失]，不做猜测。
  3. 在正文中查找对应引用，将纯文本引用改为可点击链接格式
  4. 没有 arXiv ID 的文献保留原文不加链接，不做猜测
  • 引用格式多样性: 学术论文的引用格式不限于 [N] 数字编号。常见还有 author-year 格式（[Fujimoto et al., 2019]）、混合格式。处理策略：
    • 先为 References 列表添加数字编号 [1], [2], ...
    • 正文中 author-year 引用映射到对应编号
    • 仅对有 arXiv ID 的文献添加链接
  • ⚠️ 现实预期: arXiv ID 覆盖率视论文领域而定：ML 预印本约 70-80%，会议论文（IJCAI/AAAI/ICRA）约 20-40%。无 arXiv ID 的文献保留无链接形式。逐一提取 arXiv ID 耗时较长，可作为可选步骤。

Terminology consistency: 翻译开始前，扫描原文构建术语表（不要使用下面的示例术语——它们仅适用于特定领域）。术语表格式：

English	Chinese	备注
<原文核心术语>	<中文译法>	<可选：首次出现位置>

构建原则：1) 全篇同一术语用同一译法 2) 专有名词（算法名、框架名）保留英文 3) 首次出现时中英对照。以下仅为 RL 领域示例，实际翻译时根据论文领域自行构建：

English	Chinese
reinforcement learning (RL)	强化学习
policy optimization	策略优化
constrained Markov decision process (CMDP)	约束马尔可夫决策过程
logarithmic barrier function	对数障碍函数
interior-point method	内点法
Lagrange multiplier	拉格朗日乘子
trust region	信任域
advantage function	优势函数
value function	价值函数
cost function	代价函数
generalized advantage estimation (GAE)	广义优势估计
proximal policy optimization (PPO)	近端策略优化
sim-to-real	仿真到现实

3.5. Appendix Strategy (附录超过正文40%时启用)

当附录行数超过正文（不含 References）的 40% 时，启用分级处理。阈值判断：

BODY_END=$(grep -n "^# References\|^# REFERENCES\|^## References" mineru_output/full.md | head -1 | cut -d: -f1)
echo "Body: $BODY_END lines, Appendix: $((TOTAL - BODY_END)) lines"

附录类型	处理方式
理论证明（大量 $$ 公式）	所有 $$ 公式保持原样；段落文字翻译为中文；证明步骤英文叙述可选翻译
训练曲线图（Figure 5-15）	保留  引用，仅翻译图注；<details> 内数据表不翻译（纯数值）
环境截图	保留图片引用，英文描述可选择性翻译
超参数表	HTML → Markdown pipe，表头翻译，数值不变
补充讨论	正常翻译

约束: 即使附录极长（>500行），也不得完全跳过翻译。至少处理：① 所有 $$ 公式保留 ② 所有 ![](medias/...) 图片引用保留 ③ 段落文字翻译。如果实在无法完整翻译，在对应位置标注 [附录详细内容见原文附录]。

4. Fix

Common issues and their fixes:

Issue	Detection	Fix
Placeholder text left in output	Manual review of figure captions	Read each section, insert actual images
Missing images	grep -c '!\[.*\](images/' mismatch	Compare counts vs original, add missing figures
Image path pointing to wrong directory	Visual inspection	Correct to medias/ prefix
Inconsistent terminology	grep key terms in both outputs	Align to glossary
Formula rendering broken	$$ count odd, _ inside $...$ not escaped, delimiter spacing wrong	Fix rendering: rejoin split $$, escape bare _ → \_, fix spacing. Do NOT change math content. Flag uncertain cases for manual review.
Pseudocode translated as body text	Algorithm lines (e.g., 1: for ... do) appear in Chinese	Scan mineru_output for Algorithm / 算法 / consecutive 数字: lines. Wrap in ```text if not already fenced. Restore original English for pseudocode body; only translate title/header.
Reference [N] has no link	Plain [1] in text, not clickable	首选方案：调用 MCP 工具 resolve_reference 单条查找或 batch_resolve_references 批量补全 DOI/URL。回退方案：扫描参考文献文本中的 arXiv ID 模式（arXiv:XXXX.XXXXX）手动构造链接。无 arXiv ID → leave unlinked。
OCR artifacts in output	Control chars (^C), broken text (Fujimoto and \n\n Gu), char substitutions (\textcircled{2} → 2)	Scan for [\x00-\x08\x0b\x0c\x0e-\x1f] control chars → delete. Rejoin text split by spurious newlines. Flag suspicious substitutions for manual review.

5. Verify

Run these checks before declaring done. Windows 注意: grep -P 不可用，统一使用 grep -E。

# Image count (if appendix truncated per Section 3.5, count will differ — note in report)
SRC_IMG=$(grep -c '!\[.*\](images/' mineru_output/full.md)
TRG_IMG=$(grep -c '!\[.*\](medias/' *_zh.md)
echo "Source images: $SRC_IMG  Translation: $TRG_IMG"
# TRG_IMG < SRC_IMG 且差异 >10% → 逐行检查 full.md 漏了哪些图

# Formula integrity (must be even; count should be close to source)
SRC_FM=$(grep -c '\$\$' mineru_output/full.md)
TRG_FM=$(grep -c '\$\$' *_zh.md)
echo "Source $$: $SRC_FM  Translation $$: $TRG_FM"
# 偏差 >30% = 公式丢失，逐行检查

# Terminology consistency (multi-paper only; skip for single paper)
grep -o "约束马尔可夫\|对数障碍\|内点法\|拉格朗日\|信任域" *_zh.md | sort | uniq -c

# Image files actually exist in medias/
ls medias/ | wc -l

# Reference links (use -E not -P for Windows compatibility)
grep -cE '\[[0-9]+\]' *_zh.md | head -5
grep -cE '\[[0-9]+\]\(' *_zh.md | head -5

MinerU API Quick Reference

提取脚本: extract_pdfs.py（与本 SKILL.md 同目录）— 批量上传 PDF → 轮询解析状态 → 下载解压 ZIP 结果。

⚠️ 安全提示: 不要在命令行中直接传入 Token（会留在 shell 历史中）。始终：

1. 先用 Write 工具将 Python 脚本写入文件（脚本内从 config 文件读取 Token）
2. 再用 Bash 工具执行脚本文件
3. 这样 Token 不会出现在命令日志中

使用方法:

cd ~/.claude/skills/paper-translation
# 编辑 extract_pdfs.py 中的 PDFS 列表，添加要解析的 PDF
# 然后运行:
python extract_pdfs.py

输出目录为 output_<论文名>/，后续按 Prepare 步骤移到 <论文名>/mineru_output/。

Token 获取: https://mineru.net/apiManage/token
API docs: https://mineru.net/apiManage/docs

Effective Guiding Patterns

These instructions produced the best results:

Instruction	Effect
"Don't modify the original files"	Established _zh suffix naming convention
"Make a plan first"	Triggered Plan mode → task breakdown → ordered execution
"Use skills frequently" (stored in memory)	Auto-triggered writing-plans, subagent-driven workflows
Approve plan before execution	Prevented directional rework
Explicit terminology requirements	Ensured cross-paper consistency

Common Mistakes

• Batch-translating both papers at once — First paper's translation choices inform the second; translating shorter one first builds a term base
• Skipping image path correction — MinerU outputs images/ but _zh.md is at paper root level; always change to medias/ and copy images over
• Relying on grep alone for image verification — Some images are in <details> blocks; also check figure captions manually
• Using placeholder text — "实验图表保持不变" is not acceptable; every image and caption must be present in the translation
• Not verifying formula closure — A single unclosed $$ breaks all subsequent Markdown rendering; always check even counts
• Leaving HTML tables unconverted — MinerU outputs <table> HTML tags, which render poorly in most Markdown viewers; always convert to | pipe syntax
• Leaving output_* directories behind — After moving contents to <论文名>/mineru_output/, always delete the intermediate output_*/ directory
• Translating pseudocode body — MinerU outputs algorithms as bare text (no ```). Only translate the title (e.g., "Algorithm 1: ..."); the pseudocode body (Input/Output/lines like 1: for...) must stay in English. If the mineru output has no code fence, add ```text around the pseudocode block.

MCP Tools (参考文献链接解析)

本 skill 提供一组 MCP 工具，通过 CrossRef 和 arXiv API 自动查找论文的 DOI 和 URL，弥补 MinerU 不输出参考文献链接的缺陷。

可用工具

工具	用途	调用时机
resolve_reference	输入论文标题（+ 可选作者），返回 DOI、URL、期刊、年份	Fix 阶段逐条补全参考文献链接
batch_resolve_references	输入参考文献列表，批量查 CrossRef 返回 DOI	Fix 阶段一次性补全整篇论文的参考文献
lookup_arxiv	输入 arXiv ID，返回标题、作者、DOI、PDF 链接	Execute 阶段验证 arXiv 引用；Fix 阶段补全 arXiv ID 截断的文献
search_arxiv	输入关键词，在 arXiv 搜索匹配论文	Prepare 阶段发现相关论文；Fix 阶段确认模糊引用

使用示例

单条查找（Fix 阶段逐条处理）：

调用 MCP 工具 resolve_reference
  title: "Attention Is All You Need"
  author: "Vaswani"
返回: DOI: 10.xxxx, URL: https://doi.org/...
→ 在译文中将纯文本引用改为可点击链接格式

批量查找（Fix 阶段一次性处理）：

调用 MCP 工具 batch_resolve_references
  references: ["Attention Is All You Need", "BERT: Pre-training of Deep...", ...]
返回: 共 30 条，找到 21 条 DOI (70%)
→ 有 DOI 的添加链接，无 DOI 的保留原文

arXiv ID 补全（Fix 阶段修复截断）：

调用 MCP 工具 lookup_arxiv
  arxiv_id: "1910.09615"
返回: Title, Authors, DOI, PDF link
→ 如原文 arXiv ID 被截断（只剩年份），用完整信息补全引用

注意事项

• CrossRef API 免费但有限速：单条查找无限制，批量查找建议每次 ≤50 条
• arXiv API 在国内网络可能超时——如 lookup_arxiv 失败，回退到手动构造 https://arxiv.org/abs/<ID> 链接
• MCP 查找结果仅供参考，标题匹配不精确时需人工验证 DOI 正确性
• 会议论文（IJCAI/AAAI/ICRA）CrossRef 覆盖率 60-80%，预印本覆盖率 90%+，无 DOI 的保留无链接形式