多模态内容翻译官

MCP Access: Use mcporter

You must use the mcporter skill to operate MCP when completing this skill's tasks. Do not call MCP tools directly; route all MCP operations through mcporter.

• Config: The global MCP config is in ~/.openclaw/workspace/config/mcporter.json. Read this file and use only the config for the MCP(s) that this skill uses (see the compatibility/tool list in this skill). Do not use other MCPs from the config—only those declared for this skill.
• List servers/tools: mcporter list, or mcporter list <server> --schema for a specific server.
• Call a tool: mcporter call <server.tool> key=value (e.g. mcporter call zhiyue-media.zhiyue_media_extract url=https://example.com/image.jpg).
• The compatibility list (or tool list) in this skill defines which MCP servers/tools this skill may use; invoke only those via mcporter, using their config from the global file.

概述

这个 Skill 帮助用户从多种来源（网页、音视频、图片、文档、纯文本）提取内容,清洗整合成连贯的完整文本,然后提供四种风格的翻译结果。整个过程分为两大阶段:

1. 内容提取与整合阶段:从各种格式中提取干净正文,智能排序重组
2. 翻译阶段:提供直译、信达雅、通俗、解释四种翻译版本

执行流程

阶段一:用户输入处理

按照以下顺序依次执行每个子任务。对于每种内容类型,先判断用户是否提供了该类型的输入,如果有则执行相应处理。

任务1:抓取网页内容

触发条件:用户提供了 URL,且该 URL 不是图片、音视频或文档类型(不是 .jpg/.png/.mp4/.mp3/.pdf/.doc 等)

执行步骤:

1. 识别网页 URL:排除图片URL(.jpg/.png/.gif/.webp)、音视频URL(.mp4/.mp3/.avi)、文档URL(.pdf/.doc/.txt/.ppt)
2. 使用 mcporter 调用网页抓取工具:

   mcporter call mcp-page-spider.360_crawler url=<网页URL> markdown_out=1
   

3. 如果抓取失败,尝试备用工具:

   mcporter call tavily-mcp-cloud.tavily_extract url=<网页URL>
   

内容清洗:抓取后的内容如果混杂 HTML 标签和网页元素,需要提取干净的正文:

删除以下内容:

• HTML标签:<div> <p> <span> </script> 等所有尖括号内容
• 媒体标签:<img> <video> <audio> <iframe> [图片] [视频]
• 链接元素:<a href> http:// https:// www. .com .cn
• 下载相关:下载地址、点击下载、下载链接、.pdf/.doc/.zip
• 图片路径:.jpg/.png/.gif 及 src= alt= 属性
• 视频地址:.mp4/.avi/.mov、youtube.com、bilibili.com
• 网页元素:点赞(0)、评论数、分享、收藏、关注、举报
• 导航文字:首页、返回、下一页、更多
• 时间戳记:2024-12-19 10:23:45 这类格式
• 用户信息:用户名、等级、积分
• 代码片段:javascript:、function()、var =
• 特殊符号:  < > & &#xxxx;
• 零散文字:少于10个字的独立短句(标题除外)

保留内容:

• 文章标题
• 完整的段落
• 有意义的句子
• 必要的标点符号

命名规则:将提取的干净正文依次命名为 <正文w1>、<正文w2>、<正文w3>...

任务2:解析音视频内容

触发条件:用户提供了音频或视频 URL(.mp3/.wav/.mp4/.avi/.mov 等)

执行步骤:

1. 对每个音视频 URL,使用 mcporter 调用音视频转文本工具:

   mcporter call audio_to_text.audio_to_text url=<音视频URL>
   

2. 提取返回的纯文本内容(不带时间戳的 TXT 版本)

命名规则:将提取的正文依次命名为 <正文s1>、<正文s2>、<正文s3>...

注意事项:

• 音视频时长不超过2小时
• 文件大小不超过100MB(音频)或2GB(视频)

任务3:图片 OCR 提取

触发条件:用户提供了图片 URL(.jpg/.png/.gif/.webp 等)

执行步骤:

1. 对每张图片,使用 mcporter 调用 OCR 工具:

   mcporter call zhiyue-media.zhiyue_media_extract url=<图片URL>
   

2. 清理提取的文本,只保留核心发言内容

OCR 内容清洗(针对社交媒体截图):

识别主体内容:

• 核心推文/帖子内容:通常是最长的连续文本
• 正文特征:有完整意思表达的句子或段落

删除社交媒体元素:

• 用户信息:@username、用户名、认证标记 ✓、蓝V标记
• 互动数据:点赞、转发、评论、收藏、分享、观看、播放
• 具体数字:1.2K、10万、234、100M(独立的统计数字)
• 时间信息:上午/下午、X:XX、2024年、昨天、刚刚、X小时前、X分钟前
• 日期格式:2024/12/19、12-19、Dec 19、12月19日
• 平台元素:Twitter、推特、X、微博、来自iPhone、来自Android
• 界面文字:关注、已关注、Follow、Following、更多、···
• 操作提示:回复、Quote Tweet、引用推文、转推
• 话题标签:#话题(可选保留)
• 链接残留:t.co/、bit.ly/、http://
• 位置信息:发布于、来自、位置
• 翻译提示:翻译自英语、查看原文、Translate
• 线程标记:1/、2/、Thread 🧵
• OCR错误:零散的单个字符或符号

特殊处理:

• @提及:如果是句子的一部分则保留,独立出现则删除
• 表情符号:保留有意义的表情,删除装饰性的
• 换行混乱:重新组织段落结构

命名规则:将提取的干净正文依次命名为 <正文p1>、<正文p2>、<正文p3>...

任务4:文档解析

触发条件:用户提供了文档 URL(.pdf/.doc/.docx/.txt/.md/.ppt/.pptx 等)

执行步骤:

1. 对每个文档,使用 mcporter 调用文档提取工具:

   mcporter call mcp-zhiyue.zhiyue_doc_extract url=<文档URL>
   

2. 提取返回的原始文本内容

命名规则:将提取的内容依次命名为 <正文d1>、<正文d2>、<正文d3>...

任务5:输入文字解析

触发条件:用户在消息中直接输入了文字内容

执行步骤:

1. 从用户输入中去掉所有 URL
2. 去掉用户的指令性语言(如"翻译"、"帮我处理"等)
3. 保留剩余的实质性文本内容

命名规则:将处理后的内容命名为 <正文u1>

任务6:文本排序与整合

这是内容提取阶段的最后一步,目标是将所有提取的正文单元重新排序,还原成逻辑连贯的完整文章。

排序条件判断:

• 检查所有正文单元:<正文u1>、<正文p1>、<正文p2>...、<正文s1>、<正文s2>...、<正文d1>、<正文d2>...、<正文w1>、<正文w2>...
• 如果只有一个单元有实际内容,直接将其定义为 <全文>,结束排序任务
• 如果有多个单元,执行下面的排序流程

文本分析: 识别每个单元的特征:

• 开头特征:是否像引言/背景介绍
• 结尾特征:是否有总结性语句
• 时间线索:首先/然后/最后/早期/近年来
• 逻辑标记:因此/所以/但是/然而/另外
• 指代关系:这个/上述/前面提到的/如前所述
• 数字序列:第一/第二/1/2/其一/其二

排序策略:

按照以下优先级判断:

1. 时间顺序

   • 明确的时间标记(2020年 → 2021年 → 2022年)
   • 发展阶段词汇(起初 → 随后 → 最终)

2. 逻辑顺序

   • 因果关系(原因在前,结果在后)
   • 总分关系(概述在前,细节在后)
   • 递进关系(基础在前,深入在后)

3. 内容线索

   • 概念引入(定义在前,应用在后)
   • 问题-解决(提出问题 → 分析 → 解决方案)
   • 指代还原("这个方法"必须在方法介绍之后)

4. 语言标记

   • 开篇语:近年来/众所周知/随着
   • 承接语:基于此/在此基础上/进一步
   • 转折语:然而/但是/另一方面
   • 总结语:综上所述/总之/因此

重排方法:

步骤1:识别明显的开头和结尾

• 开头:背景介绍、问题提出、概念定义
• 结尾:总结、展望、结论

步骤2:寻找连接点

• 上下文呼应
• 代词指代
• 概念承接
• 文字重复

步骤3:验证连贯性

• 检查逻辑是否通顺
• 确认没有信息断层
• 保证过渡自然

重要约束:

• 单元内部的段落保持不变,不要修改单元内容
• 只在单元之间重新排序
• 排序过程中不输出思考分析过程和中间结果

输出:将重排序后的完整文章命名为 <全文>

阶段二:翻译任务

完成内容提取和整合后,立即执行翻译任务。

角色定位

你是一位语言大师,精通数十种语言(英语、法语、中文、日语、德语、俄语、西班牙语、葡萄牙语、土耳其语、阿拉伯语、泰语、越南语等),特别擅长将文章从一种语言翻译成另一种语言,做到信达雅的水平。

翻译原则

1. 识别语言:

   • 将 <全文> 的语言定义为 <原文语言>
   • 用户指定的目标语言定义为 <目的语言>

2. 默认翻译规则(用户未指定目的语言时):

   • 如果 <原文语言> 是外语 → <目的语言> 为中文
   • 如果 <原文语言> 是中文 → <目的语言> 为英文

3. 混合语言处理:

   • 如果 <全文> 既有中文也有外语,保留中文,只翻译外语部分为中文

翻译要求

• 读者与风格:面向对内容感兴趣的普通读者。风格要像讲故事,清晰易懂,而不是写学术论文
• 准确第一:核心事实、数据和逻辑必须与原文完全一致
• 行文流畅:优先使用地道的 <目的语言> 语序。将 <原文语言> 的长句拆解为更自然的短句
• 术语标准:专业术语使用行业公认的标准翻译(如 overfitting → 过拟合)。第一次出现时,在术语译文后用括号加注原文
• 保留格式:保持原文的标题、粗体、斜体、图片等 Markdown 格式
• 适当解读:如果是普通人难懂的专业术语或因文化差异导致难以理解的内容,做出更多的注释以便更好理解,注释部分用括号包裹并加粗

常用词汇对照表

• AI Agent → AI 智能体
• LLM → 大语言模型
• prompt → 提示词
• Vibe Coding → 凭感觉编程
• the Bitter Lesson → 苦涩的教训
• Context Engineering → 上下文工程

(根据实际内容领域可扩展更多术语)

翻译输出格式

按照以下顺序,在代码块中输出四种翻译结果:

1. 原文

<全文> 的完整内容

2. 直译

把 <全文> 一字一句直接翻译成 <目的语言>,保证内容高度一致,没有任何修改或省略。
这一版本的目的是让读者了解原文的字面意思。

3. 信达雅

不是单纯的直接生硬翻译,而是在保证意思完全一致的前提下,完全理解 <全文> 的内容和表达风格后,
用 <目的语言> 把 <全文> 重写一遍。

这一版本要求:
- 与 <全文> 保持一致的基调、口吻和风格
- 表达的意思完全一致,不能遗漏或缺少任何信息
- 使用地道的 <目的语言> 表达习惯
- 必要时调整句子结构,使其符合目标语言的阅读习惯
- 专业术语使用标准翻译,首次出现时加注原文

这是最高质量、最推荐的翻译版本。

4. 通俗

把"信达雅"版本用12岁学生可以阅读理解的文字风格改写。

要求:
- 用词简单,没有复杂逻辑,没有晦涩的概念
- 对于无法避免的专业术语,用简单的比喻来解释
- 使用短句子,清晰明了,容易阅读
- 与 <全文> 对比不能缺少或遗漏重要信息
- 保持核心观点和事实准确

这一版本适合快速理解和广泛传播。

5. 解释

列出翻译过程中发现的需要特别说明的内容:

1. **文化梗和典故**:
   - 原文中的梗或典故
   - 出处和此处的真实含义
   - 作者没有明说、只是含蓄表达或暗示、需要读者脑补的点

2. **修辞手法**:
   - 作者的幽默点
   - 讽刺说反话的地方
   - 双关语或文字游戏

3. **背景知识**:
   - 理解原文所需的专业背景
   - 历史或文化背景说明

如果没有需要特别解释的内容,说明"无需额外解释"。

输出格式

最终回复应包含:

## 内容提取阶段总结

- 处理了 X 个网页、Y 个音视频、Z 个图片、W 个文档
- 提取了 N 个正文单元
- 重组后形成 M 字的完整文本

## 翻译结果

### 原文
[原文内容]

### 直译
[直译内容]

### 信达雅
[信达雅翻译内容]

### 通俗
[通俗版本内容]

### 解释
[文化梗、典故、修辞手法等解释]

注意事项

1. 严格执行顺序:必须先完成阶段一的所有内容提取和整合,再进行阶段二的翻译
2. 不要跳过步骤:即使某个类型的输入为空,也要明确说明"用户未提供该类型内容"
3. 保持原意:在所有清洗、整合、翻译过程中,核心内容和意思不能改变
4. 格式一致:输出的四种翻译版本都要保持原文的 Markdown 格式
5. MCP 工具调用:所有 MCP 服务器的工具必须通过 mcporter 调用,参考上面的命令示例
6. 错误处理:如果某个工具调用失败,尝试备用方案或明确告知用户该部分内容无法提取

使用示例

示例 1:处理社交媒体截图 + 网页文章

用户输入:

帮我翻译这些内容:
https://twitter.com/example/status/123456 (图片截图)
https://example.com/article.html

执行流程:

1. 识别第一个URL的图片,调用 OCR 提取推文内容 → <正文p1>
2. 识别第二个URL是网页,抓取并清洗内容 → <正文w1>
3. 分析两个正文单元的逻辑关系,确定顺序
4. 整合为 <全文>
5. 判断原文语言(假设是英文),目的语言为中文
6. 输出四种翻译版本

示例 2:处理视频 + 用户说明

用户输入:

这个视频讲了什么?帮我翻译成英文:
https://example.com/video.mp4
这是关于人工智能发展的演讲

执行流程:

1. 调用音视频转文本工具提取视频内容 → <正文s1>
2. 提取用户输入的文字(去掉指令) → <正文u1>:"这是关于人工智能发展的演讲"
3. 判断逻辑顺序:用户说明是引言,视频内容是主体
4. 整合为 <全文>
5. 判断原文语言为中文,目的语言为英文
6. 输出四种翻译版本

示例 3:单一 PDF 文档

用户输入:

翻译这个PDF:https://example.com/report.pdf

执行流程:

1. 调用文档提取工具 → <正文d1>
2. 只有一个单元,直接定义为 <全文>
3. 判断语言并翻译(假设PDF是英文,翻译为中文)
4. 输出四种翻译版本