五块钱 Token 翻一本专业书：我怎么让大肥鱼给我打工

最近拿 DSH 做了个挺有意思的实验：把一本英文专业书《Match Mentality》直接丢给它，让 deepseek 给我整本翻成中文。

这件事最后的效果比我一开始预想的好不少。

不是说“AI 翻译已经能用了”这种大家都知道的事，而是我第一次比较完整地跑通了：

原始 PDF → Agent 自己解析 → 整本翻译 → 参考专业例书统一术语 → 另一个模型二次验收

这么一条流水线。

而整本书最后吃掉的 Token 成本，大概也就是几块钱。

所以跑完之后，我的感想逐渐从：AI 现在翻译挺厉害。

变成了：没有中文版？那我为什么不自己生产一个？

第一件意外：我以为要先帮它处理 PDF

一开始其实没想得这么远。

我原本的预期还是比较传统的 AI 用法：先自己把 PDF 抽成文本或者 Markdown，整理好以后再交给 DSH。

毕竟整本书不是复制几段文字进去就完事了。

PDF 里面有章节、页眉页脚、排版，后面还得面对十几万字的长任务。我甚至已经默认，文档预处理这部分可能得自己先干。

结果把原始文档丢进去之后，DSH 的 Skill 自己开始想办法了。

它发现需要解析 PDF，直接去跑 Python，然后准备安装 PyMuPDF，再用它 parse 整个原始文档。

我当时看到这一步其实有点：你还会自己装这个？

也就是说，我原本以为我要提供的是：“这里有整理好的文本，请开始翻译。”

实际上可以直接给它：“书在这里，你自己处理。”

这算是我第一次比较直观地意识到，现在这种 Agent 和普通聊天模型已经有点不一样了。

它不一定非得等我把所有前置工作做好。

缺工具，它会尝试补工具；原始输入不方便直接处理，它会尝试自己转换。

然后大肥鱼被我锁在沙箱里了

当然，事情也没顺到“一键完成”那个程度。

它后来在装依赖和处理文档的时候卡了挺久。

开始我还以为是不是 Skill 哪里抽风，或者 Python 环境有什么问题。

看了半天思维链才发现：不是大肥鱼不会干活。

是我只给了她工作区权限，没有给全局权限。

所以她知道应该装 PyMuPDF，也知道下一步该怎么处理，但每次想执行相应操作就被沙箱门禁一脚踹回来。

然后继续试。继续撞。我就在旁边看着她反复撞墙。

最后看清楚报错以后，我手动把需要的全局权限放开，这条链才终于继续跑下去。

这段虽然折腾了挺久，但后来回想其实还挺典型的。

以前用聊天模型，报错通常意味着：它回答错了。

现在用 Agent，有时候报错只是：它知道该怎么办，但是你没给它门禁卡。

这种感觉很像请了个女仆过来干活，然后跟她说：厨房你随便用。

过了一小时你发现她站在仓库门口发呆。

最后才想起来：哦，我没给仓库钥匙。

所以后来我对这种 Agent 的理解也稍微变了一点。不能只看模型够不够聪明。

它真正开始干活以后，文件、依赖、执行环境和权限边界这些以前只有写程序时才会在意的东西，也开始变成实际体验的一部分。

第二件意外：它真把整本书干完了

PDF 解析问题解决以后，后面的任务反而朴素很多。

我给的要求大概就是：

• 整本处理，不要漏章；
• 保留 Markdown 结构；
• 不要随便删原文；
• 专业术语尽量保持一致；
• 必要的英文专名可以保留；
• 最后给我一份能连续阅读的中文稿。

然后放大肥鱼出去干活。

说实话，一开始我真正担心的不是某一句会不会翻错。

单句翻译现在已经不是什么难事。

我担心的是长任务稳定性。

几十章、十几万字以后，会不会：

• 前面认认真真，后面开始敷衍；
• 偷偷漏掉几段；
• 某个词第一章叫 A，第十章突然改叫 B；
• Markdown 越翻越乱；
• 章节中间莫名其妙被截断；
• Agent 自己觉得某些东西“不重要”，于是替我总结掉。

所以我其实一直抱着一种：先看看大肥鱼到底会不会吃白饭的心态。

结果它真的一路做完了。

而且最后出来的不是那种“只能作为辅助理解”的破碎译稿，而是真的已经到了：

我可以从第一章一路往后看。

这条线一旦跨过去，我对这件事的看法就完全变了。

以前看到一本没有中文版的专业书：好吧，那只能啃英文。

现在则变成：有原版 PDF 吗？

只要有原版，好像剩下已经不是“有没有人愿意翻译”的问题了。

而是：我愿意喂多少 Token。

更离谱的是，这一整本下来成本其实也没多少。

于是我自然就跑去跟朋友分享：现在不用预约专业翻译了，一本书让大肥鱼吃五块钱 Token 就行。

然后也正是在这里，我突然发现前面的工作流其实还有个很蠢的问题。

我为什么还让 AI 猜术语？

这是整个过程中我觉得最有价值的一个转折。

因为翻完以后，我一开始觉得最主要的问题是：怎么让术语前后一致？

但在和朋友分享的时候，我突然反应过来：不对啊。

我手上明明已经有同领域的 IPSC Action Air 2026 年繁体中文版（HKG）例书。

既然有现成例书，为什么还要让它第一次看到专业名词的时候临场发挥？

我原来的 Prompt 其实相当于：“遇到专业术语请翻译准确，并保证前后一致”。听起来挺合理。

但仔细想想，这句话实际上就是：“第一次请你自己猜，后面记得一直坚持第一次的猜法。”

这显然不是最优解。

尤其是 IPSC / USPSA 这种东西，这类书里面并不是普通英语。

有大量：

• 比赛术语；
• 枪械操作表达；
• 训练方法名称；
• 射击动作；
• 圈内习惯用语；
• 组织、赛制、人名和专有名词。

很多东西其实已经存在约定俗成的译法。

模型如果自己翻，未必“错”。但特别容易出现一种很烦的状态：

英文意思是对的，中文就是不像圈里的人会这么说。

更麻烦的是，同一个词隔了十章以后它还可能换一种表达。

这时候我突然意识到：我手上的例书，不就是现成答案吗？

那为什么还让大肥鱼抓瞎？

例书不是“参考读物”，而是一份翻译规范

这个想法出来以后，整个翻译任务的思路就变了。

之前是：你自己翻，但是尽量一致。

后来变成：先看例书。

例书里面已经出现过的术语，优先沿用成熟译法。只有例书没有覆盖到的东西，再允许模型自己判断。

这么一来，那本书的作用就不只是“给 AI 多看一点上下文”。它其实同时承担了几个东西：

术语表、风格样本、专名规范和行业语料。

我后来觉得这个思路甚至比“怎么写一个更好的翻译 Prompt”更重要。

因为这里真正做的不是让模型更聪明。而是：有标准答案的地方，干脆不要让它发挥。

这一点其实和写程序很像。

如果一个东西可以查表，就别每次重新推理。
如果已有成熟实现，就别每次从零发明。
如果前人已经把正确叫法整理好了，就不要指望大肥鱼每次扔骰子都掷到同一个数字。

能减少随机性的地方，就直接减少随机性。

大肥鱼交稿以后，我又找 ChatGPT 当质检员

虽然 DSH 最后确实把整本书做完了，我还是不太想让生产模型自己给自己盖章：

“翻译完成，质量良好。”

这听起来就不太靠谱。

所以第二步是把成品扔给 ChatGPT，再重新做一次验收。

我当时给 ChatGPT 的任务大概就是：

你看看这次大肥鱼到底是吃白饭了，还是真的有好好干活。

主要检查几个东西：

• 有没有明显漏译；
• 专业术语有没有前后冲突；
• 有没有特别生硬或者明显错误的句子；
• 章节结构有没有问题；
• Markdown 有没有被破坏；
• 有没有一眼就能看出来的模型手滑。

结果确实还能抓出来一些。

有些属于翻译本身的问题，有些更像是模型“脑子想对了但手写歪了”，还有一些小范围的术语和格式异常。

不过整体看下来，我对结果反而更放心了。

因为最终结论基本可以归纳成一句：这次大肥鱼确实没吃白饭。

主体已经到了完全够自用阅读的程度。

剩下需要人处理的，不再是十几万字正文，而只是少量异常点。

这个区别非常大。

以前如果我要得到一本中文稿，人做的工作是：把十几万字英语全部翻成中文。

现在人做的工作变成：看看里面哪里可疑。

前者是生产。后者只是 QA。

最后形成的流水线

跑完这一轮以后，我现在大概会这么处理类似东西：

原始 PDF
↓
DSH 自己调用 Skill / Python 处理文档
↓
缺依赖就装依赖
↓
权限确实挡住合理操作时人工放行
↓
读取专业例书作为术语和文风参考
↓
DSH 负责整本翻译
↓
ChatGPT 做独立二次验收
↓
人工只处理异常点

说穿了其实没什么神秘的。

真正有用的也不是某一句“祖传神 Prompt”。

而是把几个环节都补齐：

让 Agent 有工具。
让它能读原始材料。
让它有参考答案。
让它不要在有标准答案的地方胡乱发挥。
干完以后再找另一个模型验收。

至于我自己，逐渐从翻译员变成了：甲方 + 系统管理员 + 责任编辑。

工作内容主要是：

你干这个。
这里权限没开，我给你开。
这个术语别自己发明，去看例书。
做完了别急，我找别人检查一下。

大肥鱼负责劳动。我负责拿着饭碗（蓝绿修改器）跟着喂白饭（token）。

然后我开始研究大肥鱼到底吃了多少

流水线跑通之后，我的关注点很快又发生了一次非常自然的变化。

最开始是：它能不能干？
然后是：它干得好不好？
再然后：等等，它到底吃了多少 Token？

尤其 DSH 还有 thinking level 之类的东西以后，我很快就开始研究：

• 思考过程是不是也算输出 Token；
• 翻译这种任务真的需要把思考等级拉很高吗；
• High 和更高等级的质量差异值不值额外消耗；
• 文档解析这种机械步骤是不是根本没必要让贵模型多想；
• 参考资料给得越完整，是不是越可以减少无意义推理。

非常有一种工厂终于建好了，现在开始研究怎么降低每件产品成本的感觉。

最开始还担心女仆不会干活。
后来发现她会自己装 PyMuPDF。
然后发现她甚至可以一口气干完整本书。

最后我的问题已经变成：你会干归会干，但能不能少吃点？

最后：现在我看到英文专业书的想法已经变了

这次最大的收获其实不是“AI 翻译一本书只需要几块钱”，而是几件事连起来以后，我对 Agent 的使用方式有了点变化。

第一：原始材料可以直接交给 Agent。

不一定什么东西都需要我事先加工成“AI 友好格式”。

第二：不要让 AI 重复解决已经解决过的问题。

有例书就给例书。有术语表就给术语表。有成熟项目就让它参考成熟项目。

不要一边握着标准答案，一边让模型现场发挥。

第三：生产和验收最好拆开。

一个模型负责狠狠干活。另一个模型负责挑刺。

反正现在模型成本足够便宜，多一道检查往往比人自己从头校对划算得多。

所以现在如果再看到一本我很想看的英文专业书。

我第一反应已经不太是：“有中文版吗？”

而是：“原版在哪？”

有原版就行。剩下的——大肥鱼，别吃白饭，开工。

最先出现在Tempest。