kaiandUser <human>
1b47b50d3c
架构变更：把 dr-translator 从 opencode agent 降级为 Python 脚本编排下的 LLM
调用。根本原因是 agent 一次性处理 19k 英文词整文，单次 output token 接近
Sonnet 4.6 上限（~32k），多次重跑都卡在同一个坑里——问题是架构本身，不是
prompt。
新架构：
scripts/lib/zenmux_client.py HTTP 客户端，指数退避重试、token 统计
JSONL 日志、secrets.env 自动加载
scripts/lib/markdown_chunker.py 按 H1/H2 切块，稳定 anchor ID（order+title
sha1），支持合并/统计
scripts/prompts/translate_system.txt 英译中 prompt，用自定义 <<<TRANSLATION>>>
分隔符格式（规避 Markdown-in-JSON 问题）
scripts/prompts/polish_system.txt 中文润色 prompt（留给下一步 polish.py）
scripts/translate.py 主入口：章节级切块 → 逐块翻译 → 拼接
关键设计：
- 0 依赖 LLM 遵从性：Python 控制切块/循环/重试，LLM 只做单块翻译
- 断点续传：每块翻译完立即写 phase4/zh_chunks/<order>-<anchor>.md
- 术语表累积：每块的 glossary_patch 合并回 phase4/glossary.json
- 失败隔离：单块失败不影响其他块，重跑只补缺
- 调试友好：--only N,M / --limit K / --force
实测（dual-target-rnai-pipeline-2026）：
- 63 块全部成功，17 分钟，$1.70
- 33,441 中文字（符合"研究类 ≥30,000 字"硬标准）
- 310 条双语术语
- 翻译质量：接近母语咨询分析师写作
下一步：polish.py（按 H2 section 润色）、merge_chapters.py（从 phase2/drafts
合并生成 final_en.md）、重构 dr-editor-in-chief 调度脚本、更新 /dr-finalize。
Co-authored-by: User <human>
1.1 KiB
1.1 KiB
附录
A. 研究方法
本报告采用四阶段研究流程完成：
- 框架规划 — 主题界定、10章大纲、63篇文献初步扫描。
- 深度研究 — 以15,000英文字为预算并行起草各章节，内嵌来源追踪（[src_xxx]格式），并由独立模型对每章进行反证审查。
- 编辑审核 — 对全部10章进行端到端一致性核查。
- 定稿 — 章节合并、执行摘要/摘要/词汇表撰写、英译中及输出规范验证。
所有来源按权威性、时效性、原始性、可核实性和利益冲突五个维度进行0–10分评分。最终数据集共收录44篇独立文献：14篇第一层级（一次文献、监管文件），25篇第二层级（咨询报告、系统综述、行业数据库），5篇第三层级（行业媒体、预印本）。
B. 排除范围
以下主题经审慎评估后不纳入本报告：
- 超出管线标注范围的临床疗效与安全性细节
- 非siRNA模式（mRNA、ASO、saRNA、基因编辑），仅在比较背景下作参照
- 市场规模、收入预测或投资估值
- 疾病机制与药理学讨论