导读：游戏公司的 AI 翻译流程搭建，可能 99% 的火力都集中在如何提升机翻质量上了，却往往忽略了最基础的文档工程能力。一旦遇上稍微带点排版的文档格式，就当场歇菜。很多时候，明明机翻质量就能凑合用的文档，只因为全员“没手”（没人愿意干预处理和排版），最后索性外包给乙方，只为了买个“格式整齐”。机翻这头大象并不难装，难的是怎么把冰箱门打开（原文提取），再把冰箱门关上（译文回填）。
缘起：一次睡前冲浪引发的脑洞
昨晚刷手机时，无意间瞥见 Kimi 宣传其办公文档能力的广告，一个“偷懒计划”瞬间在脑海中成型。
今早直接拉 Kimi（云端代码解释器）和 Antigravity（本地强执行 Agent）同步展开两组测试，并得出了最终方案。结果令人大跌眼镜：有时候，更“轻”的工具反而更能打。
解题思路：ETL 工作流
PPT 翻译一直是本地化流程里的“隐形刺客”。直接扔进翻译引擎？排版炸裂。人工复制粘贴？Ctrl+C/V 按到肌腱炎。
最科学的解法是借鉴数据工程的 ETL (Extract-Transform-Load) 思路：
- Extract (提取)：把文字精准提取到 Excel，并生成唯一身份证（Key）。
- Transform (转换)：用 Excel 格式舒舒服服地衔接原有的 AI 翻译流程。
- Load (回填)：带着身份证号，把译文精准填回 PPT 原位，且保留格式。
为了实现这个自动化闭环，我们给两位 AI 选手下达了相似的指令。
🟢 选手一：Kimi (网页版/代码解释器)
战术风格：保姆级微操，逻辑理解满分。
我给 Kimi 投喂了一个包含复杂排版（角色立绘、多文本框组合）的“某游戏角色设定 PPT”，并附带了一段精心设计的 Prompt（文末附赠）。
1. 提取阶段：令人惊艳的“语境侦探”
Kimi 并没有简单地调用 python-pptx 瞎抓一通，而是完美执行了我的核心诉求：
- 视觉排序 (Visual Sorting)：它真的听懂了！它没有按 PPT 默认的图层顺序（谁先画谁在前面）提取，而是按“从上到下、从左到右”的人类阅读顺序排列。翻译时，上下文终于连贯了！
- 智能打标 (Context Note)：这是最“AI”的地方。Kimi 自动分析了文本特征：
- 只有一两个字的，标记为
[Attribute]（属性）；
- 颗粒度把控：它将 PPT 拆解成了 71 条 独立的句段（Segment），完美符合 CAT 工具的口味。
2. 回填阶段：完美的“无缝衔接”
当我把翻译好的 Excel 扔回给 Kimi，要求它生成新 PPT 时，它展现了极强的稳定性。下载回来的 PPT，格式几乎未动，字体颜色保留，文字精准归位（内容涉密，不便截图）。
Kimi 表现总结：
🔴 选手二：Antigravity (本地 Agent)
战术风格：直男程序员，推一下动一下。
我对 Antigravity 采用了更开放的“甲方策略”：告诉它意图，让它自己规划路径。结果，它演示了什么叫“过度工程化”和“甚至不如不干”。
1. 提取阶段：灾难现场
Antigravity 在本地目录里生成了一堆中间文件，噼里啪啦跑了一通代码，最后交出来的 Excel 让人两眼一黑：
- 幽灵字符：原文里莫名其妙混入了
[Row 1, Col 1] 这种代码残留，清洗这些比翻译还累。 - 逻辑粗暴：它把一整页甚至一大块文本框的内容“硬拼”在了一个单元格里。71 条细分句段被它压缩成了 22 条大文本块。这对翻译记忆库（TM）来说是毁灭性的打击。
- 视觉脏乱：生成的 Excel 毫无美感，纯粹是数据的堆砌。
2. 交互体验：心累
- 权限狂魔：每一步操作都要问我“允许吗？”，仿佛一个没断奶的实习生。
- 效率低下：写计划 -> 确认 -> 报错 -> 修正 -> 再确认。虽然它很严谨，但在这个轻量级任务上显得极其笨重。
Antigravity 表现总结：
- 结论：在流程没跑通前，就被我“快刀斩乱麻”终止了测试。
⚔️ 赛后复盘：为什么 Kimi 赢了？
这次对比揭示了一个深刻的道理：在办公自动化领域，"懂业务" 比 "懂代码" 更重要。
Prompt 的胜利： Kimi 的成功，很大程度上归功于我们那段“保姆级 Prompt”。提示词明确定义了“视觉排序”、“Key 生成规则”和“语境判断逻辑”。Kimi 的长文本理解能力让它完美消化了这些需求，并转化为了 Python 代码。
- 启示：把 AI 当成高级工程师，而不是许愿池。你给的逻辑越细，它干活越漂亮。
云端一体化的优势： 对于 PPT 处理这种不需要极高算力、但需要环境配置（Python 库）的任务，Kimi 这种“开箱即用”的 Sandbox 环境，比需要在本地配置环境、确认权限的 Agent 要丝滑太多。
颗粒度的艺术： Antigravity 输在“太像程序员”。程序员看到 PPT，想到的是 Object 和 Container；而 Kimi（在我们的引导下）看到了 Segment 和 Context。前者是数据搬运，后者是本地化工程。
🎁 附赠：价值百万的“Kimi 炼金咒语”
想复刻 Kimi 的完美表现吗？这是本次测试我采用的 Prompt，拿走不谢：
第一步：智能提取（Extract）
（上传 PPT 后发送）我需要你对上传的 PPT 进行“智能本地化提取”。核心任务：解析 PPT，提取所有文本，并生成 Excel。关键逻辑（请严格执行）：
- 视觉排序：请务必按文本框的物理位置（先 Top 后 Left）排序，模拟人类阅读顺序，不要按图层顺序。
- 智能 Key：新增 Key 列，从 MT056 (按需调整) 开始自增，作为唯一身份证。
- 语境侦探：新增 Note 列。根据字数和位置推测功能（如 [Title], [Body], [UI]）。
- 输出列：Key, Slide_Idx, Shape_ID (用于回填), Source_Text, Note, Target_Text (留空)。
第二步：精准回填（Load）
（上传翻译好的 Excel 后发送）请读取 Excel，根据 Slide_Idx 和 Shape_ID 将 Target_Text 的内容填回原 PPT。要求：保留原文本框的字体、颜色和排版格式。
