NeuroDock Translation

neurodock-mcp-translation

作为 MCP 服务的沟通与翻译工具。与 @neurodock/extension-browser 共享其架构和提示词库（Phase 2）。

版本： 0.0.2（开发者预览版，确定性基线）。

状态

v0.0.x 实现了 ADR 中指定的四种工具： 0005 — 翻译工具设计：

工具	状态
translate_incoming	确定性基线 + LLM 精炼提示词
check_tone	确定性基线 + LLM 精炼提示词
rewrite_outgoing	确定性基线 + LLM 精炼提示词
brief_meeting	确定性基线 + 原文锚点强制校验

设计理念：确定性基线 + 可选的 LLM 精炼

根据 ADR 0005 §1，此服务不包含任何 LLM SDK（不导入 anthropic、openai 或 ollama）。其底层设计从一开始就与提供方无关。每种工具都会返回如下格式的封装：

{
  "deterministic_analysis": {
    /* v0.1.0 output shape, populated heuristically */
  },
  "prompt_for_llm_refinement": {
    "role": "user",
    "content": "<rendered prompt template>",
    "output_schema_ref": "packages/mcp-translation/schemas/<tool>.schema.json"
  },
  "eval_corpus_slice": "packages/evals/corpora/translation/<slice>.jsonl"
}

调用方的 MCP 客户端（Claude Desktop、Claude Code、自定义 MCP 主机）可以：

1. 仅使用确定性分析——在没有可用 LLM、延迟至关重要，或用户尚未配置提供方时很有用。确定性基线已能检测常见的含糊表达模式（circle back、let's revisit、next week），通过简单的词表启发式规则评估语气，并通过说话人前缀和正则表达式匹配来划分会议记录。
2. 通过自己的 LLM 进行精炼——将 prompt_for_llm_refinement.content 提供给调用方配置的模型（Claude、GPT、本地 Llama），并要求其返回符合 output_schema_ref 中架构的 JSON 响应。将确定性分析替换为精炼后的对象，再呈现给用户。

这样一来，即使没有连接 LLM，此服务也能发挥作用；连接 LLM 时，它也不受供应商限制。

原文锚点强制校验（brief_meeting）

brief_meeting.ambiguous_items[].quoted_span.text 必须等于 input.transcript[start_char:end_char]。服务会在每次响应时验证这一点（包括自身的确定性输出）；若不符合，则抛出 VERBATIM_ANCHOR_FAILED，而不会捏造记录中不存在的含糊内容。这是 plan.md §7 要求的防幻觉保障。

参考资料

• 规范：第 7 节。
• 工具设计依据：docs/decisions/0005-translation-tool-design.md。
• 权威架构：packages/mcp-translation/schemas/。

运行

uv run neurodock-mcp-translation

此服务使用 MCP stdio 传输。

冒烟测试：

uv run python -c "from neurodock_mcp_translation import server; print(server.app.name)"
# neurodock-mcp-translation

开发

uv sync --all-packages --all-extras
uv run pytest packages/mcp-translation/tests/ -v
uv run ruff check packages/mcp-translation/
uv run ruff format --check packages/mcp-translation/
uv run mypy --strict packages/mcp-translation/src/

已知限制（v0.0.2）

• 没有语言包。确定性启发式规则仅支持英语。接受 BCP-47 target_language，但仅将其传递给提示词。
• 没有来自真实 LLM 的 model_provenance。确定性分析会在每个响应中设置 mode="unknown"；已连接的 LLM 客户端负责在精炼后的响应中设置该值。
• 尚未集成评测语料。每个响应都会记录 eval_corpus_slice 路径，但语料片段由 eval-curator 负责，并将在 Phase 2 中交付。
• 不支持流式处理。较长的会议记录（>200k 字符）必须由 调用方分块。
• schemas/ 下的四个架构是 v0.1.0 的线格式契约；v0.0.2 的封装会包装这些架构，并将在 Phase 2 的 LLM 精炼流程成为默认路径后并入线格式契约。