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
第一章 — 为何第二条链的意义远不及其底层制造体系
RNA干扰（RNAi）这一治疗模式从诺贝尔奖级别的基础科学走向商业化药物，历经近二十年。如今，七款产品已获批上市，首个双功能分子也已进入一期临床，这一领域正步入新的发展阶段。然而，表面上最引人注目的创新——将两条沉默序列整合进同一分子——恰恰是当前变革中最不关键的部分。真正意义深远的转变，发生在必须为此重构的制造体系之中：多价GalNAc簇（multivalent GalNAc cluster）组装、酶连接（enzymatic ligation）、固定化生物催化（immobilized biocatalysis），以及一批GMP级质控生物催化剂（QC biocatalyst）——这些酶的供应能力在单靶点需求时代便已捉襟见肘。对于上游供应商而言，问题并不在于双靶点RNAi药物（dual-target RNAi drug）能否在临床上取得成功——这几乎是确定无疑的。真正的问题在于：谁将掌控那些当前已在结构上供给不足的关键工艺节点。