shadow 人工智能代理 版

MCP本地化服务器用于开发管道中的上下文感知翻译

shadow，来自Ghostwright，是一个MCP服务器，旨在将AI驱动的文本本地化引入开发者工作流程。它将大型语言模型连接到本地化文件，以便模型可以读取和写入字符串，并生成保留语气和技术限制的上下文感知翻译。该工具包括原生MCP集成、直接文件交互、可配置的术语规则和自动本地化更新。它的目标是软件开发人员和本地化工程师，寻求与协议对齐的、上下文敏感的翻译，集成到现有的开发流程中。文档和配置示例随存储库一起提供，以帮助设置。

你实际上可以用它做什么任务？

shadow 充当语言模型与本地化工作流程之间的协议桥梁，使得具体任务得以实现，例如翻译 UI 字符串、将习语调整到目标市场，以及更新多语言资源文件。服务器允许连接的模型 通过 MCP 读取和写入本地化文件，这支持对字符串资源的直接模型编辑，而不是手动导出和重新导入 CSV 或 JSON。这适合批量更新和迭代字符串修正。

与手动操作相比，输出的准确性如何？

该工具使用大型语言模型生成 上下文感知的翻译，旨在减少传统机器翻译在处理习语和技术术语时常见的错误。准确性取决于提示质量和使用的模型；输出反映模型模式，因此仍需人工审核法律、医疗或高度技术性的文本。在测试场景中，上下文提示减少了模糊选择，但并未消除验证的必要性。

它接受什么文件格式和主机？

shadow 需要一个符合 MCP 的主机和一个 Node.js 环境进行安装，并且它被构建为与软件项目中使用的常见本地化格式一起操作。服务器通过 MCP 接口公开文件 I/O，因此连接的客户端（如 MCP 主机）可以提供文件并接受更新。这种架构意味着兼容性取决于主机的 MCP 支持和模型客户端配置。

它自然融入开发者本地化工作流程吗？

面向开发者的设计包括灵活的配置，以强制执行术语和品牌措辞，以及自动化工作流程来管理多语言字符串更新，这有助于将翻译工作保持在以代码为中心的流程中。 配置文件让团队定义模型应如何处理特定术语。对于已经使用 MCP 工具的工程团队，服务器可以减少手动文件编辑，并在基于仓库的工作流程中集中 AI 辅助的本地化。

适合接受 AI 辅助输出的协议优先团队的实用选择

Shadow 适合那些优先考虑协议合规和基于代码的本地化管道的团队，并希望拥有一个可审计、可配置的服务器来将模型连接到字符串。该项目的开源特性支持审查和集成到开发工具中，尽管团队必须分配审查能力，因为翻译是由语言模型生成的，并且在敏感环境中需要人工验证。