doc-translator · 文献/专利全文翻译（8 语种，保格式）

读取各种格式的文献原文与专利原文，进行全文翻译，并保留源文件的格式结构
（标题层级、段落、表格、图片、分页）。支持 8 种语言任意互译：

> 扩展离线语言：除上表 8 种语言外，离线 tesseract.js OCR + 子代理内联译中管线
> 已验证支持 葡萄牙语（PT）、繁体中文/台湾专利（zh-TW / TWI）、日语（JA）、
> 韩语（KO）、俄语（RU） 等专利/文献翻译（见下文各语言小节）。
> 其他罗曼语族语言（如意大利语、西班牙语）同样可经该离线管线处理。

语言参数接受多种写法（如 中文/chinese/zh-cn → zh，繁体 → zh-TW，
英文/english → en，日语/japanese/ja → ja 等），详见
references/languages.md。

何时使用

• 用户给出一篇论文 / 专利 / 报告 / 说明书，要求「全文翻译」「译成中文 / 英文 / 日文…」。
• 要求翻译后保留原格式（标题、表格、图片、页码结构），而不是只给纯文本。
• 需要在 8 语种之间互译，包括简↔繁、日⇄中、德/法/俄/韩 等任意方向。

支持的输入 / 输出格式

> PDF 的「保格式」指语义结构保真（标题层级、段落顺序、分页、图表位置、表格），
> 不是逐像素还原原排版——PDF 原生几乎无法无损反编译。需要像素级保真时，优先用
> DOCX 原稿或把 PDF 先导出为 DOCX 再翻译。

翻译后端

> 🚫 Google 翻译后端已永久停用（2026-09-20 起，勿再尝试）：本机沙箱内 Google 翻译
> 接口实测不可用（translate.google.cn 首页 200 但 /translate_a/single gtx 接口被
> 代理拦截 502，.com 超时）。任何情况下都不要请求 Google 翻译接口，也不要做连通性
> 探测——直接按下述优先级选择后端。

• llm（唯一脚本后端）：调用 OpenAI 兼容的 Chat Completions API，质量最高，
  推荐用于专利与学术文献（术语、专名更准）。仅需配置 base-url / key / model（可用环境变量
  DOC_TRANS_LLM_BASE / DOC_TRANS_LLM_KEY / DOC_TRANS_LLM_MODEL）。
  国内可填 DeepSeek / 智谱 / 火山 等兼容端点。
  ⚠️ 沙箱若未配置 key / base-url，不要试任何在线接口，直接走离线 AI 内联翻译管线
  （见下文「离线 / 沙箱环境的可用替代方案」）。
• 离线 AI 内联翻译（无 key 时的默认路径）：AI 在对话内按学术翻译规范逐段译出，
  配合 tesseract.js OCR / PyMuPDF 文本提取 + reportlab / python-docx 渲染，全流程本地完成。

离线 / 沙箱三件套检查清单

执行翻译前，尤其在受限网络 / 无 API key 环境下，先确认：

扫描件 / 图片型 PDF（OCR）

若 PDF 没有文本层（扫描件、图片型专利），脚本会自动检测到并启用 OCR：
将每页光栅化后用 Tesseract 识别文字，再走正常的「翻译 → 渲染」流程。
页面同时会以缩略图形式嵌入译文，保证附图 / 表格 / 图表在 HTML/PDF 中可见。

前置条件（用户本机需准备）

1. 安装 Tesseract 二进制并加入 PATH：
   - Windows：https://github.com/UB-Mannheim/tesseract/wiki （安装时勾选需要的语言包）
   - macOS：brew install tesseract tesseract-lang
   - Linux：sudo apt install tesseract-ocr tesseract-ocr-<lang>
2. 安装与源语言对应的 tessdata 语言包，代码对照见 references/languages.md
   （如源为英文 eng、简中 chi_sim、繁中 chi_tra、日 jpn、德 deu、法 fra、
   俄 rus、韩 kor）。可用 tesseract --list-langs 确认已就位。
3. OCR 依赖 pytesseract / Pillow，已随 requirements.txt 自动安装。

用法

--ocr 取值：auto（默认，自动判断扫描件并 OCR）/ tesseract（强制 OCR）/
off（关闭，按纯文本提取）。--ocr-dpi 控制识别分辨率（默认 300）。

# 扫描件专利：自动检测 + OCR + 简体中文译文（HTML）
python "<skill>/scripts/translate_doc.py" \
  -i "WO2004051251A1.pdf" -f en -t zh \
  -o "WO2004051251A1.zh.html" --ocr auto

> 提示：Tesseract 对专利密集排版识别率有限，OCR 草稿建议再用 --backend llm
> 重跑关键权利要求以保证术语准确。CJK 源语言会自动追加 eng
> 语言包（chi_sim+eng 等），以便同时识别正文中的拉丁专名。

离线 / 沙箱环境的可用替代方案（已验证 100% 本地）

当运行环境既没有系统级 Tesseract 二进制、也无法直连任何翻译 API
（如 translate.google.cn / googleapis.com 均超时或返回 404）时，本 skill 已验证
一套完全离线的可行管线，遇到同类受限环境可直接复用：

1. 本地 OCR（无需系统 Tesseract）：借助 ocr-local skill 的 tesseract.js
   （Node.js，纯本地，无 API Key）。先把 PDF 每页光栅化为 PNG（PyMuPDF，dpi≈250），
   再逐页 Tesseract.recognize(img, 'eng') 输出 page_NNN.txt。
   - 优先复用本机缓存：在运行前用 find D:/Workbuddy C:/Users/Lenovo -name '*.traineddata*'
   搜索历史会话遗留的字库（常见位置如 D:/Workbuddy/2026-08-26-19-01-20/patent_work/tw_patent/）。
   - tesseract.js v7 本地字库格式：使用 createWorker(lang, { langPath: '<dir>' }) 时，
   目录下必须是压缩格式 <lang>.traineddata.gz（不是解压后的 .traineddata）。
   若缓存只有 .traineddata，用 gzip -c -k chi_tra.traineddata > chi_tra.traineddata.gz 重新压缩即可。
   - eng.traineddata.gz 镜像：本环境实测 https://tessdata.projectnaptha.com/4.0.0/eng.traineddata.gz
   可直连（HTTP 200），而 GitHub / JSdelivr 镜像返回 404——优先用前者。
2. 内联翻译（不调外部 API）：当翻译端点全被墙时，由 AI 直接在对话内按
   学术翻译规范（直译 → 反思 → 雅化）逐段译出，而非调用任何外部接口。
   可保留出处、公式、专名与双语对照，适合专利/学术文献等高保真场景。
3. 长文档分批持久化：59 页这类大文档，用 master.jsonl
   （每行一条 {"page","en","zh","kind"}）+ 按 page 去重追加的 append_batch.py
   累积进度，最后 build_html.py 一次性生成自包含双语 HTML（附图以 base64 内嵌、
   双栏 原文 | 译文、可切换「双语 / 仅中文」、可打印导出 PDF）。

> 该管线的脚本与中间产物放在工作目录（如 patent_work/），可增量续跑、断点不丢；
> HTML 把附图页直接内嵌为 <img>，确保专利图纸可见。
> 专利后附的「国际检索报告 / 同族附件」等事务性页，文献号与日期照原文保留，
> 仅对说明性文字做中文化即可。
>
> 输出 PDF 时（reportlab）：注册内置中文字体
> pdfmetrics.registerFont(UnicodeCIDFont('STSong-Light')) 即可渲染简体中文，
> 无需外部字体文件；每页可「原版影像（PIL 转 JPEG 压缩后 RLImage 内嵌）+ 译文段落」。
> ⚠️ 不要 from reportlab.lib.units import pt——reportlab 没有 pt 单位
> （点即基准单位），会 ImportError，去掉该导入即可。
> 多语言场景同理：日文 HeiseiMin-W3、韩文 HYSMyeongJo-Medium、繁体中文
> MSung-Light（简体中文 STSong-Light）。
>
> 表格与公式在 PDF 中的保真渲染：
> - 不要依赖 ASCII 字符拼表格或拼分数式（如用 │ ─ 画框、用横线当分数线），
> 这在 PDF 中错位且不专业。应直接用 reportlab.platypus.Table 渲染：
> - 数据表格：表头浅灰底 + 全框线，单元格内放 Paragraph。
> - 分数公式：用一个 3 行 1 列的小 Table，依次为分子、HRFlowable 水平线、分母；
> 再与右侧算式拼成一行，即可得到规范的 E_Probe / E_Standard · 100 = ... 版式。
> 示例结构：Table([[Paragraph(分子)], [HRFlowable(线)], [Paragraph(分母)]])。

> 原文表格的保真提取与翻译（防拍平，已验证 EP805976B1 表 I/II）：
> - 问题：PyMuPDF 按 block 提取时，网格表格常被拆成多个文本块
> （表题一块、每行一块、单元格用 \n 逐个堆叠），译文若照此渲染，
> 表格会变成一列竖排文字，结构全失。
> - 提取阶段规则：发现文本块满足以下任一特征时，判定为「被拍平的表格」，
> 必须重组为结构化表格块 {"type":"table","table":[[...]]}（二维数组，行×列）：
> 1. 相邻多个短块呈现相同的行数/重复模式（如 块A=表头标签序列、块B=数值序列）；
> 2. 单块内 \n 分隔的短行呈列头+数据列的等长分组（如 SENSOR\nTYPE A\nTYPE B...
> + SLOPE\n-60.87\n-74.03... 两组等长序列）；
> 3. 原页面（page.find_drawings() 有大量正交矩形/线条）与文本 bbox 重叠。
> - 重组方法：把各块的 \n 行按顺序横排对齐成行——第 1 块的第 n 行 + 第 2 块的
> 第 n 行 + … = 表格第 n 行；表头行（第一行）单独一行。组完用
> len(set(len(r) for r in rows))==1 校验每行等长，不等长则回原文 PNG 人工对齐。
> - 翻译阶段规则：逐单元格翻译（保持行×列不变），不要整块连译；
> 数字、单位、Rsq./R² 等统计符号原样保留；列头类型名照译
> （TYPE A→A型）。⚠️ 翻译易产生词间空格丢失/粘连（如 TYPE D→TYPED），
> 重组时必须对照原文列头逐格校对修正。
> - 渲染阶段规则（reportlab）：Table(data, hAlign="CENTER") +
> ("GRID",(0,0),(-1,-1),0.7,colors.black) 全框线 +
> ("BACKGROUND",(0,0),(-1,0),#DDDDDD) 表头灰底；第一列左对齐、数据列居中
> （ParagraphStyle(alignment=1)）；行内 Paragraph 需 spaceAfter=0 防行高过大。
> HTML 输出同理用 <table border>，不要用 <pre> 堆文字。
>
> 附图 / 化学式 / 曲线图的文字原位翻译：
> - 对于扫描件 PDF 中的附图（如化学结构式、反应方程式、曲线图、流程图），仅把图整体嵌入译文
> 并另附中文图注是保底方案；更高的要求是：识别图中的文字，将其翻译后原位覆盖回图上，
> 保留原图版式。
> - 实现管线（已在本环境验证，实例见 werner_paper/）：
> 1. 取 word 级 bbox（无系统 Tesseract 二进制时用 tesseract.js）：
> js > const worker = await Tesseract.createWorker('deu'); > const { data } = await worker.recognize(img, {}, { blocks: true, text: true }); > // 遍历 data.blocks → paragraphs → lines → words，取 w.text 与 w.bbox{x0,y0,x1,y1} >
> ⚠️ tesseract.js v7 默认 blocks:false：直接 Tesseract.recognize() 只能拿到 data.text，
> blocks / tsv / box 全为空。必须 createWorker 并在第 3 个参数显式传 {blocks:true}。
> （若用户本机装有系统 Tesseract，也可用 pytesseract.image_to_data(..., output_type=Output.DICT)。）
> 2. 按术语表翻译这些文字块（化学结构式中的元素符号、数字、箭头保持不变，只译标签与图注，
> 如 Azin→吖嗪、Radikalkation→自由基阳离子、Azodikation→偶氮阳离子）；
> 3. 用 PIL 在原图上用背景色填充原文字区域（外扩 2–3px 清除抗锯齿），再用中文字体在 bbox 位置写入中文；
> - 背景色实测法：Counter(img.resize(小图).convert('RGB').getdata()).most_common(1)，
> 扫描件通常为纯白 (255,255,255)；
> - 中文字体：Windows 用 C:/Windows/Fonts/simhei.ttf（黑体，最清晰）；
> - 先统一擦除所有框，再统一写字，否则后擦的框会覆盖先写的字；
> - 字号按框宽高递减自动适配，短标签居中、图注左对齐；
> 4. 将处理后的图另存到 pages_zh/（保留原图），再嵌入 HTML/PDF。
> - 校验方法：用 ImageChops.difference(原图, 覆盖图) 检查目标框变化率（应 >3%）与框外改动（应为 0）。
> - 限制与注意事项：
> - OCR 对图中倾斜、手写、过密文字识别率有限，需人工校对；
> - 化学结构式、反应箭头、键线、坐标轴曲线等只译文字标签，不改动图形本身；
> - 若图中文字与背景对比复杂，建议先整体保留原图，再在译文段落中逐项对照翻译（如：
> “图 3 纵轴 E₄₀₅ 表示 405 nm 处吸光度；曲线标注 1:2 / 1:5 / 1:10 / 1:25 / 1:100 表示 ABTS 对葡萄糖的摩尔过量”）。
> - 推荐默认策略：高保真化学/生物/医学文献，先输出「原图 + 中文图注 + 图中文字对照说明」；
> 仅在用户明确要求“图中文字也要翻译覆盖”时，才执行 PIL 原位覆盖流程。
>
> OCR 两栏 / 多栏 PDF 的注意事项：
> - tesseract.js 对双栏或多栏扫描页会把左右栏按阅读顺序（通常自上而下）合并成一段文本，
> 极易导致右栏或左栏内容丢失/错位（本次 werner1970.pdf 第 5 页即因此漏译半页）。
> - 处理方案：翻译前必须对照原图（或渲染后的 PNG）检查每页 OCR 输出；若发现栏目错乱，
> 应按原图栏位手动拆分后再译；生成 PDF 译文时可用 [左栏]/[右栏] 标注帮助阅读。
>
> 输出 Word（.docx）时（python-docx，已验证）：当目标格式为 .docx（尤其是用户明确要求 Word 版）且环境离线/无 Word 时，用 python-docx 直接生成可编辑双语对照文档，无需系统 Word：
> - 安装：python -m pip install python-docx（放入隔离 venv，本环境实测 1.2.0 可用）。
> - 中文字体必须同时设置东亚字体，否则中文以默认西文字体渲染而乱码/方块：
> python > from docx.oxml.ns import qn > style = doc.styles['Normal'] > style.font.name = '宋体' # 或 'Microsoft YaHei' > rpr = style.element.get_or_add_rPr() > rpr.get_or_add_rFonts().set(qn('w:eastAsia'), '宋体') > # 每个 run 同样锁定：run._element.get_or_add_rPr().get_or_add_rFonts().set(qn('w:eastAsia'), '宋体') >
> - 每页结构：add_heading("第 N 页") → add_picture(原页PNG, width=Cm(15))（原图居中，保证附图/表格/化学式可见）→ add_paragraph("【中文译文】") → 逐段 add_paragraph(zh)。
> - 原图 PNG 直接复用 OCR 阶段渲染的 page_NNN.png（PyMuPDF dpi≈200）；docx 内嵌后文档较大（51 页约 25 MB）属正常。
> - 化学式、曲线图、数据表以原图保留（OCR 往往只抓到表头、漏掉表体，图中可见即可），正文做中文化，数字/专名不篡改。
> - 已校验实例：FR 2 875 409 A1（法语扫描件 51 页）→ tesseract.js(fra) OCR → 内联译中 → python-docx 生成 FR2875409A1_固体分散体药物组合物_中文译本.docx（51 张原图 + 约 22k 中文字），Word 打开中文显示正常、可检索。
> - 若仅要纯中文终稿（不要原图），去掉 add_picture 那一行即可；若要封面著录项，开头用 doc.add_paragraph() 写公开号/申请人/领域等。

英文医学/光谱类专利 EN→ZH 高频术语（脉搏血氧 / 血液成分监测，可复用）

此类专利（如 Masimo「ACTIVE PULSE BLOOD CONSTITUENT MONITORING」HK1009734B / EP0831738）属无创光谱检测，术语稳定。翻译子代理可直接复用此表，保证跨专利一致性：

• blood constituent = 血液成分；blood glucose = 血糖；noninvasive = 无创（的）；spectroscopic = 光谱（的）
• active pulse = 主动脉冲（主动诱导的血流脉冲，区别于人体自然脉搏）；electromagnetic radiation = 电磁辐射
• attenuation = 衰减；absorption = 吸收；Beer-Lambert law = 比尔-朗伯定律；extinction coefficient = 消光系数；path length = 光程（路径长度）
• oxygen saturation = 血氧饱和度；hemoglobin = 血红蛋白；oxyhemoglobin = 氧合血红蛋白；reduced/deoxyhemoglobin = 还原/脱氧血红蛋白；carboxyhemoglobin = 碳氧血红蛋白；methemoglobin = 高铁血红蛋白；hematocrit = 红细胞压积
• arterial = 动脉的；venous = 静脉的；cuff = 袖带；wavelength = 波长；optical characteristic = 光学特性；signal-to-noise ratio = 信噪比；calibration = 校准
• emitter = 发射器（发光器件）；detector = 检测器；photodetector = 光电探测器；probe = 探头；sensor = 传感器；LED = 发光二极管；pulse oximeter = 脉搏血氧仪
• therapeutic drug = 治疗药物；drug of abuse = 违禁药物；fleshy medium = 肉质介质（肉体组织）；volume = 体积；intensity = 强度；energy = 能量
• Claims = 权利要求；What is claimed is = 所要求保护的是；comprising = 包括；wherein = 其中；characterized in that = 其特征在于；embodiment = 实施方式；preferably = 优选地；approximately = 大约；substantially = 基本上
• 同族官方译文：德文 Patentansprüche = 权利要求；法文 Revendications = 权利要求（EP 专利常附，一并译出以覆盖整页）

特殊页处理经验（HK 双语封面 / 图纸页）：
- HK 标准专利封面含香港知识产权署的中文印章（OCR 常为乱码方块），正文为英文——只需把封面著录项（公开号/申请人/发明人/分类号）中文化，中文印章乱码忽略。
- 图纸页（figures / drawings，常占后半册，OCR 仅几十~几百字符：图号、附图标记数字、简短图注）翻译子代理应输出一句说明（如「（本实施例附图，主要为系统/电路框图，原文无文字说明，见原页影像）」），不臆造图纸内容；图表中文字以原图保留，正文仅中文化图注。
- 公式 OCR 噪声（如矩阵式、比尔-朗伯式错位）在译文中按光谱学/矩阵代数常识还原并注明「原式保留」，不篡改符号与编号。

意大利语生物/抗体专利 IT→ZH 高频术语（可复用）

此类专利（如 IT 102021000008201 B1「单链可变区抗体片段 scFv 用于鉴定 CD79B 细胞外区」Lexico Srl / Perriello）属抗体工程/肿瘤免疫治疗，正文意大利语为主、常附英文权利要求 + EPO 检索报告/书面意见。翻译子代理按页面实际语言译（意→中、英→中皆可），并复用下表保证跨专利一致性：

• frammento anticorpale della regione variabile a catena singola (scFv) = 单链可变区抗体片段（scFv）；single chain Fragment variable (scFv) = 单链可变区片段
• porzione extracellulare / extracellular (domain) = 细胞外部分（胞外区）；CD79B = CD79B（蛋白，保留符号）；anticorpo monoclonale = 单克隆抗体；monoclonal antibody = 单克隆抗体
• immunoglobuline del gruppo G = IgG 类免疫球蛋白；catena leggera / light chain = 轻链；catena pesante / heavy chain = 重链；regione variabile = 可变区；regione costante = 恒定区
• CDR (complementarity determining region) = 互补决定区（CDR）；sequenze amminoacidiche / amino acid sequence = 氨基酸序列；linker = 连接肽；dominio / domain = 结构域；epitopo / epitope = 表位
• linfomi / lymphoma = 淋巴瘤；immunoterapia / immunotherapy = 免疫治疗；anticorpo-drug conjugate (ADC) = 抗体-药物偶联物（ADC）；cellula / cell = 细胞；legante / binding = 结合；specifico / specific = 特异的
• descrizione = 说明书；rivendicazioni = 权利要求；Claims = 权利要求；riassunto = 摘要；titolo = 名称；campo = 领域；stato della tecnica = 现有技术；esempi = 实施例
• caratterizzato da / characterized in that = 其特征在于；comprendente = 包括；in cui = 其中；secondo (le rivendicazioni) = 根据（权利要求）；sequenza = 序列；preferibilmente = 优选地；essenzialmente = 基本上；in particolare = 特别地
• 检索报告/书面意见页：rapporto di ricerca = 检索报告；Written Opinion = 书面意见；documenti considerati di rilievo = 视为相关的文献；Citazione del documento = 文献引用；Categoria = 类别（X/Y/A 等保留）；Esaminatore = 审查员；Data di completamento = 完成日期；novelty = 新颖性；inventive step = 创造性；obvious = 显而易见的；prior art = 现有技术；% identical = 同一性百分比
• 行政/著录项：Ricevuta di presentazione = 申请受理回执；Depositante = 申请人；Inventore = 发明人；Rappresentante = 代理人；Ministero dello Sviluppo Economico - Ufficio Italiano Brevetti e Marchi = 经济发展部意大利专利商标局；Data di presentazione/deposito = 申请日；Numero di rivendicazioni = 权利要求项数；domanda = 申请；risposta alla comunicazione = 对通知的答复
• 序列页（SEQ ID NO: 1–22 等）：图号 Figura = 图；Sequenze amminoacidiche = 氨基酸序列；CDRs delle catene = …链的 CDR；同一性百分比（如 95% / 86.4%）与 SEQ ID NO 编号原样保留不篡改。

日语专利 JA→ZH 高频术语（可复用，已验证 JP3363150B2）

日本「特許公報」多为文本层可提取的 PDF（无需 OCR，PyMuPDF get_text() 即可），
仅扫描件才需 tesseract.js(jpn) OCR。正文日文为主，常含英文权利要求/同族对照。
翻译子代理按实际语言译（日→中、英→中皆可），并复用下表保证跨专利一致性：

• 特許公報 = 专利公报；特許番号 / 特許第〜号 = 专利号；発行日 = 授权公告日；登録日 = 登记日
• 出願番号 = 申请号；出願日 = 申请日；特願平4-507451 = 平成4年(1992)申请第507451号
• 特許権者 = 专利权人；出願人 = 申请人；発明者 = 发明人；代理人 / 弁理士 = 代理人 / 专利代理人
• 審査官 = 审查员；審査請求日 = 审查请求日；優先権 = 优先权；優先日 = 优先权日
• 国際出願番号 = 国际申请号；国際公開番号 = 国际公开号；国際公開日 = 国际公开日
• Int.Cl. = 国际专利分类；識別記号 = 标识符号；請求項の数 = 权利要求项数
• 発明の名称 = 发明名称；特許請求の範囲 = 权利要求书；【請求項N】 = 【权利要求N】
• 背景技術 = 背景技术；課題 = 课题（要解决的技术问题）；手段 = 手段；効果 = 效果
• 発明の詳細な説明 = 具体实施方式 / 发明的详细说明；実施の形態 = 实施方式
• 要約 = 摘要；図面の簡単な説明 = 附图简要说明；産業上の利用可能性 = 工业实用性
• 符号 = 附图标记 / 标号；図 = 图；段落 = 段落
• パルスオキシメータ = 脉搏血氧仪 / 血氧仪；プロセッサ = 处理器
• 光検出器 / 光電検出器 = 光检测器 / 光电检测器；アナログーデジタル変換器 = 模数转换器（A/D 转换器）
• 適応アルゴリズム = 自适应算法；最小自乗アルゴリズム = 最小二乘算法；最小自乗格子 = 最小二乘格型
• 適応ノイズキャンセラ = 自适应噪声消除器（ANC）；ノイズ基準信号 = 噪声参考信号
• 酸素飽和度 = 血氧饱和度；ヘモグロビン = 血红蛋白；動脈 = 动脉；静脈 = 静脉；カフ = 袖带
• 波長 = 波长；発光ダイオード(LED) = 发光二极管；エミッタ = 发射器；検出器 = 检测器
• プローブ = 探头；センサ = 传感器；ディスプレイ = 显示器；較正 = 校准
• 非侵襲 = 无创；分光 / スペクトル = 光谱 / 频谱；減衰 = 衰减；吸収 = 吸收
• ビール・ランベルトの法則 = 比尔-朗伯定律；信号対雑音比 = 信噪比；血液成分 = 血液成分
• 所望信号 / 複合測定信号 = 期望信号 / 复合测量信号；不期望信号 = 不期望信号（噪声/干扰）
• マシモ・コーポレイション = 迈心诺公司（Masimo Corporation）；ディアブ，モハメッド = Mohamed Diab（发明人）
• 句式：〜であって、 = 一种〜，其包括；〜を含む = 包括〜的〜；ことを特徴とする = 其特征在于；
  請求項Nに記載の〜 = 根据权利要求N所述的〜；さらに〜を含む = 还包含〜；好ましくは = 优选地；実質的に = 基本上
• 平成年换算：平成N年 = 1988 + N 年（平成4年=1992，平成15年=2003）

JP 公报文本层噪声修复（已验证）：
- 权利要求页眉常被拆坏：パ.（2 ）キシメータ → 应还原为 【請求項2】…血氧仪；
キシメータ 实为 オキシメータ（oximeter）首字错识，依血氧仪领域判读。
- 分类号空格插入：A6 1 B 5/145 = A61B 5/145；GO 6 F = G06F。
- 著录项音译（代理人「ナンバー •シイ」等）照音译保留即可。
- 图纸/扉页续页若原文几无文字，译文写「（本实施例附图，主要为系统/电路框图，原文无文字说明，见原页影像）」，不臆造。

脚本命名注意（已踩坑）：工作目录下的脚本不要命名为 inspect.py——会与 Python 标准库
inspect 模块冲突，导致 import fitz/pymupdf 触发循环导入 AttributeError: module 'fitz' has no attribute 'open'。
改用 check_pdf.py 等名称即可。

西班牙语/英语/德语 药物化学专利 ES/EN/DE→ZH（可复用，已验证 MXPA05005825A）

墨西哥 IMPI 专利申请多为西班牙文文本层 PDF（无需 OCR），常是 PCT 国家阶段：
西语正文 + 德语 PCT 扉页（第2页，WIPO 模板）+ 可能的英文摘要。本发明为 SGLT（钠-葡萄糖
协同转运蛋白）抑制剂类——芳香族氟代糖苷衍生物，用于治疗糖尿病等。翻译子代理按每页实际
语言译（西→中、德→中、英→中），并复用下表保证跨专利一致性：

• SOLICITUD de PATENTE = 专利申请；Fecha de publicación = 公开日；Fecha de presentación = 申请日
• Número de solicitud = 申请号；Número de solicitud PCT = PCT 申请号；Número de publicación PCT = PCT 公开号
• Int. Cl. = 国际专利分类；Prioridad = 优先权；Solicitante = 申请人；Inventor(es) = 发明人
• Descripción = 说明书；Estado de la técnica / Antecedentes = 现有技术 / 背景技术
• Reivindicaciones = 权利要求（西语专利用此词，不是 claims）；Resumen = 摘要
• Campo de la invención = 发明领域；Realización / Ejemplo = 实施例 / 实施方式
• Composición farmacéutica = 药物组合物；La presente invención = 本发明
• caracterizado por = 其特征在于；que comprende = 包括；en el que / en la que = 其中
• preferiblemente = 优选地；especialmente = 特别地；aproximadamente = 大约；sustancialmente = 基本上
• 德语扉页：Nach dem Vertrag über die internationale Zusammenarbeit auf dem Gebiet des Patentwesens (PCT) veröffentlichte internationale Anmeldung = 根据专利合作条约(PCT)公布的国际申请；Weltorganisation für geistiges Eigentum = 世界知识产权组织；Internationales Büro = 国际局
• 药物化学/碳水化合物：fluoroglicósido = 氟代糖苷；glucósido = 糖苷；derivado = 衍生物；aromático = 芳香族的；SGLT = 钠-葡萄糖协同转运蛋白；sal fisiológicamente tolerada = 生理上可耐受的盐；producto farmacéutico = 药物产品；formulación = 制剂；dosificación = 剂量；diabetes = 糖尿病；glucosa = 葡萄糖；inhibidor = 抑制剂；síntesis = 合成；reactivo = 试剂；disolvente = 溶剂；cristalino = 结晶的；amorfo = 无定形的；rendimiento = 产率；radical = 基团；sustituyente = 取代基；halógeno = 卤素；flúor = 氟；grupo alquilo = 烷基；arilo = 芳基；heterociclo = 杂环；enlace = 键；isómero = 异构体；estereoisómero = 立体异构体；enantiómero = 对映异构体；racemato = 外消旋体；hidroxi = 羟基；metilo = 甲基；fenilo = 苯基；ecoación = 式；fórmula = 式/化学式
• 英文摘要/权利要求：The invention relates to = 本发明涉及；comprising = 包括；wherein = 其中；characterized in that = 其特征在于；pharmaceutical composition = 药物组合物；therapeutically effective amount = 治疗有效量

OCR 化学记号校正（扫描/文本层噪声，已验证）：
- 文本层/扫描件的化学公式常混入 OCR 讹误，应据化学常识校正以利阅读（不篡改原编号）：
KjCO3→K2CO3、Hj→H2、CHjCIj/CHClj→CH2Cl2、HCI→HCl、[a]D→[α]D、
0aC/60eC→0°C/60°C、mi→ml、CHa→CH3、OCF.a→OCF3、NaHCOg→NaHCO3、
TMSq→TMSCl、NH?→NH4+、C4iH35FO9→C41H35FO9、ESI'→ESI⁻、(M+CHO2)j→[M+CHO2]⁻、
IC25→IC50、Rj→R²、0=→O-、(0=0)→(C=O)、beta(P)→β(D)、met¡l→metil。
- 化学式/结构式/Markush 通式（式 I、化合物 1–N、变量 R¹–R⁹、n、Cyc1/2）以原图保留，仅译连接文字；
单位（mg、°C、mmol、MPa、nm、ppm、MHz）与数字原样保留不译。
- 跨页接续的权利要求（如权 9→10、式 Ib 延续）按原文分页对应落盘，不跨页合并。
- 多语言混排文档：逐页判断实际语言再译，德/英扉页与摘要照译，保持著录项（申请人 SANOFI-AVENTIS、PCT/WO 号）准确。

韩语专利 KO→ZH（可复用，已验证 KR19940003311B1）

韩国特许厅早期专利公报多为扫描件（无文本层），需用 tesseract.js(kor) 或 kor+eng OCR。
正文韩文为主，著录项与机械/化学术语中夹杂英文。翻译子代理按实际语言译（韩→中、英→中），
并复用下表保证跨专利一致性：

• 대한민국특허청 = 韩国知识产权局（韩国特许厅）
• 특허공보 = 专利公报
• 공고일자 = 公告日 / 公开日；공고번호 = 公告号
• 출원일자 = 申请日；출원번호 = 申请号
• 우선권주장 = 优先权主张
• 발명자 = 发明人；출원인 = 申请人；대리인 변리사 = 代理人 / 专利代理人
• 발명의명칭 = 发明名称
• 도면의간단한설명 = 附图简要说明
• 발명의상세한설명 = 具体实施方式 / 发明的详细说明
• 청구항 / 청구범위 = 权利要求 / 权利要求书
• 요약 = 摘要；실시예 = 实施例；종래 = 现有 / 传统
• 본 발명 = 本发明
• 로타리 진공펌프 = 旋转真空泵
• 급속분해장치 = 快速分解装置 / 快速拆卸装置
• 펌프 = 泵（OCR 常讹为 필프 / 담프，按上下文还原为 泵）
• 진공 = 真空；로터 = 转子；스테이터 = 定子；스테이터캠 = 定子凸轮（cam）
• 작동모터 = 驱动电机 / 工作电机；작동모듈 = 工作模块 / 驱动模块；작업블록 = 工作滑块 / 工作块
• 스탠드 = 支架 / 支座；슬라브 = 滑板 / 滑块；커플링 / 카플링 = 联轴器 / 联轴节
• 축 = 轴；베어링 / 버어링 = 轴承；씰링 / 씬링 = 密封 / 密封环
• 칼라 = 轴环 / 套环（collar）
• 하우징 = 壳体 / 外壳；케이싱 = 壳体 / 箱体；오일블록 = 油块 / 油腔
• 가스켓 = 垫片 / 垫圈（gasket）
• 가동부 = 可动部 / 运动部件；고정부 = 固定部 / 固定部件；칼날 = 叶片 / 刮板
• 닥트 / 통로 = 通路 / 通道 / 管道
• 배출플랜지 = 排出法兰 / 出口法兰；흡입플랜지 = 吸入法兰 / 入口法兰
• 배출밸브 = 排出阀 / 出口阀；흡입밸브 = 吸入阀 / 入口阀
• 챔버 = 腔室 / 工作室
• 정상(위)영역 = 正常（上）区域 / 正常位置区域
• 자동(양판)(poppet)밸브 = 自动（阀瓣）提升阀 / 自动（瓣式）止回阀（poppet valve）
• 스프링 = 弹簧；고리모양링좌 = 环形环座 / 环状环座；냉각해 = 冷却鳍片 / 散热片（cooling fin）
• 링 = 环 / 密封环；직선안내(캐리지) = 直线导向（托架）/ 直线导轨（carriage）
• 천공고체상자 = 带孔固体箱 / 通气箱 / 油气分离箱
• 로드 / 롯드 = 杆 / 拉杆（rod）
• 레버 = 杠杆 / 手柄；관절 = 关节 / 铰接；정지 = 止动 / 限位

韩语 OCR 后处理（已验证 KR19940003311B1）：
- tesseract.js(kor) 对扫描件识别时，输出常把每个韩文音节用空格分开（如 로 타 리 진 공 펌 프），
需用 cleanup 脚本删除相邻韩文音节（U+AC00–U+D7A3）之间的空格，恢复为 로타리진공펌프。
- cleanup 原则：仅删除相邻韩文音节之间的空格，保留韩文与非韩文之间的空格及换行，保留段落结构。
- OCR 常见讹误校正（不篡改原编号）：디애 N → 제 N（第 N）；필프 / 담프 → 펌프（泵）；
고청 → 고정（固定）；카플링 → 커플링（联轴器）；버어링 → 베어링（轴承）；
60006[ → poppet（提升阀）；롯드 → 로드（杆）。
- 早期韩国公报扫描件质量不一，若某页识别率过低，可换更高 dpi（300）重渲染后重 OCR；
图纸页文字极少时按「本页主要为附图，原文无文字说明，见原页影像」处理，不臆造。
- 语言包来源：kor.traineddata 与 eng.traineddata 可从 https://tessdata.projectnaptha.com/4.0.0/<lang>.traineddata.gz
下载（本环境可直连），解压后放在工作目录，并在 Tesseract.recognize(img, 'kor+eng', { langPath: '...' }) 中指定。

韩语专利 Word 输出要点：
- 扫描件 Korean patent 输出 .docx 时，每页嵌入原图（PNG 250dpi）+ 中文译文，东亚字体设宋体；
页数较少（如本件 8 页）可直接合并为一个 Word 文档交付。

葡萄牙语专利 PT→ZH（可复用，已验证 PT728200E）

葡萄牙工业产权局（INPI）出版的欧洲专利葡萄牙语译本多为扫描件（无文本层），
正文葡萄牙语为主，夹杂英语基因/蛋白符号与序列数据。翻译子代理按实际语言译（葡→中、英→中），
并复用下表保证跨专利一致性：

• INPI = 葡萄牙工业产权局（Instituto Nacional da Propriedade Industrial）
• Número de Publicação = 公开号 / 公布号
• Classificação Internacional = 国际专利分类（Int.Cl.）
• FASCÍCULO DE PATENTE DE INVENÇÃO = 发明专利公报 / 发明专利册
• Data de pedido = 申请日；Prioridade(s) = 优先权
• Data de publicação do pedido = 申请公开日
• Data e BPI da concessão = 授权公告日 / 授权与工业产权公告日
• Titular(es) = 权利人 / 专利权人；Inventor(es) = 发明人；Mandatário = 代理人 / 受托人
• Epígrafe = 发明名称 / 标题；Resumo = 摘要；Reivindicações = 权利要求（葡萄牙语用法，与西语同）
• Descrição = 说明书；Antecedentes / Estado da técnica = 现有技术 / 背景技术
• Campo da invenção = 发明领域；Exemplos / Modos de realização = 实施例 / 实施方式
• Figuras / Desenhos = 附图 / 图；Descrição detalhada = 详细说明
• caracterizado por = 其特征在于；que compreende = 包括 / 包含；no qual / na qual = 其中
• segundo a reivindicação = 根据权利要求；preferivelmente = 优选地；aproximadamente = 大约
• gene = 基因；proteína = 蛋白质；sequência de nucleótidos = 核苷酸序列
• sequência de aminoácidos = 氨基酸序列；ácido nucleico = 核酸；cDNA = cDNA（互补 DNA）
• clone / clonagem = 克隆；vetor = 载体；plasmídeo = 质粒；célula hospedeira = 宿主细胞
• microrganismo = 微生物；bactéria = 细菌；cepa = 菌株；cultura = 培养物 / 培养
• meio de cultura = 培养基；expressão = 表达；expressão recombinante = 重组表达
• proteína recombinante = 重组蛋白；anticorpo = 抗体；antígeno = 抗原；vacina = 疫苗
• composição farmacêutica = 药物组合物；imunização = 免疫接种；imunogénico = 免疫原性的
• epítopo = 表位；domínio = 结构域；região = 区域；porção = 部分 / 片段
• fragmento = 片段；mutação = 突变；deleção = 缺失；inserção = 插入；substituição = 替换
• fusão = 融合；proteína de fusão = 融合蛋白；membrana externa = 外膜
• proteína da membrana externa = 外膜蛋白；afinidade = 亲和力；homologia = 同源性
• PCR (reacção em cadeia da polimerase) = PCR（聚合酶链式反应）
• enzima de restrição = 限制性内切酶；electroforese = 电泳；gel de agarose = 琼脂糖凝胶
• SDS-PAGE = SDS-聚丙烯酰胺凝胶电泳；sequenciação = 测序；nucleótido = 核苷酸
• aminoácido = 氨基酸；códon = 密码子；promotor = 启动子；terminador = 终止子
• sítio de ligação = 结合位点；marcador = 标记；antibiótico = 抗生素
• Haemophilus influenzae = 流感嗜血杆菌
• receptor de transferrina = 运铁蛋白受体 / 转铁蛋白受体
• transferrina = 运铁蛋白 / 转铁蛋白
• Transferrin-binding protein (TbpA/TbpB, Tbp1/Tbp2) = 运铁蛋白结合蛋白（保留符号 TbpA/TbpB/Tbp1/Tbp2）
• HpuA/HpuB、LbpA/LbpB = 保留原符号

葡萄牙语 OCR 与语言包：
- 葡萄牙语扫描件需 por.traineddata + eng.traineddata（por+eng），可从
https://tessdata.projectnaptha.com/4.0.0/<lang>.traineddata.gz 下载解压后放在工作目录，
并在 Tesseract.recognize(img, 'por+eng', { langPath: '...' }) 中指定。
- 葡萄牙语与西班牙语/意大利语同属罗曼语族，术语可相互参照；但权利要求词为 Reivindicações（非 Spanish Reivindicaciones/Italian rivendicazioni）。
- 早期拼写变体：seqüência → sequência（序列），Reqüisitos → Reivindicações。

生物/基因专利中的序列列表页处理（通用）：
- 基因/蛋白专利常附大量序列列表（Sequence Listing）页，页面布满单字母核苷酸/氨基酸代码（A/T/G/C 或 20 种氨基酸单字母），OCR 后几乎全为乱码，无连贯自然语言。
- 对此类页不要臆造译文：子代理应输出说明「（本页为序列列表/附图页，原文主要为单字母代码/图示及 OCR 残片，见原页影像）」。
- 若序列页表头含可辨识信息（如 SEQ ID NO:、基因名、长度），在说明中保留这些可读内容；序列正文以原图保留。
- 输出 PDF 时仍嵌入原页影像，确保序列与附图可查。

俄语专利 RU→ZH（可复用，已验证 RU2199723C2）：
- 俄罗斯专利（Rospatent 俄罗斯专利与商标局出版）多为文本层可提取 PDF（无需 OCR，PyMuPDF get_text() 即可）；仅扫描件才需 tesseract.js(rus) OCR。正文俄文为主，著录项/摘要页常含英文对照（如第 2 页 <12> ABSTRACT OF INVENTION）。
- 翻译子代理按实际语言译（俄→中、英→中皆可），并复用下表保证跨专利（尤其与同族 HK1009734B / JP3363150B2 光谱领域）一致性：
- РОССИЙСКОЕ АГЕНТСТВО ПО ПАТЕНТАМ И ТОВАРНЫМ ЗНАКАМ = 俄罗斯专利与商标局（Rospatent）
- ОПИСАНИЕ ИЗОБРЕТЕНИЯ К ПАТЕНТУ РОССИЙСКОЙ ФЕДЕРАЦИИ = 俄罗斯联邦发明专利说明书
- Заявка = 申请；Заявитель = 申请人；Изобретатель = 发明人；Патентообладатель = 专利权人
- Патентный поверенный = 专利代理人；Приоритет = 优先权；Дата начала действия патента = 专利权生效日
- Дата публикации заявки = 申请公开日；Дата публикации = 授权公告日；Ссылки = 引用文献 / 参考文献
- МПК / Int.Cl. = 国际专利分类（IPC）；Заявка РСТ = PCT 申请；Публикация РСТ = PCT 公布
- Дата перевода заявки РСТ на национальную фазу = PCT 申请进入国家阶段日；Адрес для переписки = 通讯地址
- (54) ИСТОЧНИК СВЕТА С РЕГУЛИРУЕМОЙ ДЛИНОЙ ВОЛНЫ ДЛЯ ОКСИГЕМОМЕТРА = (54) 用于血氧计的可调波长光源
- (57) = (57) 摘要；формула изобретения = 权利要求书；пункт формулы / з.п. ф-лы = 权利要求项
- Изобретение относится = 本发明涉及；настоящее изобретение = 本发明；в частности = 特别地
- отличающийся тем, что = 其特征在于；в котором = 其中；согласно пункту N = 根据权利要求 N
- предпочтительно = 优选地；приблизительно = 大约；по существу = 基本上；такой как = 诸如 / 例如
- 光谱 / LED 领域术语（复用 EN 光谱体系）：оксигемометр = 血氧计 / 血氧仪；оксигемометрическая система = 血氧测量系统；светодиод (СД) = 发光二极管（LED）；источник света = 光源；длина волны = 波长；регулируемая длина волна = 可调波长 / 可调谐波长；ток возбуждения = 驱动电流 / 激励电流；светоизлучающий элемент = 发光元件；зонд = 探头 / 探针（probe）；датчик = 传感器 / 检测器（sensor）；калибровка = 校准；сдвиг длины волны = 波长偏移 / 波长漂移；поглощение = 吸收；коэффициент поглощения = 吸收系数；коэффициент ослабления = 衰减系数；насыщение кислородом = 血氧饱和度；гемоглобин = 血红蛋白；оксигемоглобин = 氧合血红蛋白；дезоксигемоглобин = 脱氧血红蛋白；неинвазивный = 无创的；фотодетектор = 光电探测器；детектор = 检测器；интенсивность = 强度；отношение сигнал/шум = 信噪比；манжета = 袖带（cuff）；спектр = 光谱
- 人名 / 公司（音译保留）：МАСИМО КОРПОРЕЙШН = 迈心诺公司（Masimo Corporation）；ДИЭБ Мохамед Кеир = 穆罕默德·凯尔·迪亚布（Mohamed Kheir Diab）；КИАНИ-АЗАРБАЙДЖАНИ Есмаел = 埃斯梅尔·基亚尼-阿塞拜疆尼（Esmail Kiani-Azarbayjani）；РАГСДЭЙЛ Чарлз Роберт = 查尔斯·罗伯特·拉格斯代尔（Charles Robert Ragsdale）；ЛЕППЕР Джеймз = 詹姆斯·莱珀（James Lepper）
- 文本层噪声修复：个别词被拆空格（如「МПК7」「Int el?」），照原意还原；摘要页英文译文按英→中译、人名音译保留；「7 с. и 24 з.п. ф-лы, 15 ил.」= 7 页说明书和 24 项权利要求，15 幅图。
- 俄语 OCR 语言包：若遇俄语扫描件，需 rus.traineddata（可加 eng → rus+eng），从 https://tessdata.projectnaptha.com/4.0.0/<lang>.traineddata.gz 下载解压后放在工作目录，并在 Tesseract.recognize(img, 'rus+eng', { langPath: '...' }) 中指定。

子代理写批处理 JSON 的硬性约定（防 JSON 损坏）：
- 翻译子代理产出 batch_NNN.json（[{"page":N,"src":"<原文>","zh":"<译文>"}]）时，绝不能用 Write 工具直接写 JSON 文本——原文/译文里常含未转义双引号（如检索报告文献名 "Clinical development of..."）、字面换行，会破坏 JSON 字符串导致 JSONDecodeError。
- 必须让子代理用 Python 脚本 + json.dump(..., ensure_ascii=False) 落盘：src 由 open(txt).read() 原样读入、zh 用 Python 三引号字符串承接，转义全权交给 json.dump；脚本末尾 print(len(json.load(open(out)))) 自校验可解析。合并脚本读取时用 "src" 键（兼容 it/fr/en/es/de 回退）。
- 合并脚本 merge.py 用 {"page":N} 去重；build_pdf.py 用 reportlab 注册 UnicodeCIDFont('STSong-Light')，每页「原版影像（PIL→RLImage，按 A4 余幅缩放）+ 中文译文段落」，颜色用 colors.HexColor('#888888')（勿传整数 0x888888，会 ValueError）。

工作流

第 1 步：确认语言与文件

识别源语言（--from）与目标语言（--to）。若用户未指明源语言且原文是中文/英文，
可据内容判断，必要时反问。目标语言必须明确。

第 2 步：运行翻译

用 Bash 调用脚本（首次运行会自动创建隔离 venv 并安装依赖）：

python "<skill>/scripts/translate_doc.py" \
  --input "源文件.docx" \
  --from zh --to en \
  --output "输出.en.docx" \
  --backend llm \
  --mode target

• --backend llm：唯一可用的脚本后端（Google 已停用）。需加：
  --base-url <URL> --api-key <KEY> --model <MODEL>（或设环境变量）。
  未配置 LLM 端点时不要运行脚本，直接走离线 AI 内联翻译管线。
• --mode target|bilingual：target 只出译文；bilingual 原文+译文并列（便于校对）。
• --output 省略时，默认生成 <原名>.<src>2<tgt>.<同格式>。

LLM 后端示例：

python "<skill>/scripts/translate_doc.py" \
  -i "patent.pdf" -f zh -t en -o "patent.en.pdf" \
  -b llm --base-url "https://api.xxx.com/v1" --api-key "sk-..." --model "gpt-4o"

第 3 步：校验与交付

• 脚本成功会输出 TRANSLATED_OK: <路径>；据此把结果文件用 present_files 交付。
• 通读译文抽查：标题层级、表格、数字/单位/化学式/专名是否保真；bilingual 模式便于
  人工核对。

注意事项

• 长文档建议 --mode bilingual 先校对，确认无误再出 target 终稿。
• PDF 图片为结构占位提取；复杂双栏 / 浮动文本框可能顺序有偏差，属已知限制。
• 依赖首次运行自动安装（python-docx / PyMuPDF / reportlab / pytesseract / Pillow，
  均为标准库之外的必需项）。扫描件 OCR 还需系统级 Tesseract 二进制 + 源语言
  tessdata 包（见上节「扫描件 / 图片型 PDF（OCR）」）。
  若要预装或复用指定 venv，设环境变量 DOC_TRANS_VENV 指向已有 venv。
• 网络受限环境：不要尝试任何 Google 翻译端点（已停用）。若 llm 后端不可用
  （未配置可直连的 OpenAI 兼容端点），直接走离线 AI 内联翻译管线（PyMuPDF 文本提取
  或 tesseract.js OCR → 翻译子代理内联译出 → reportlab / python-docx 渲染），
  详见上文「离线 / 沙箱环境的可用替代方案」。

台湾专利 zh-TW → zh-CN + en（已验证 TW201644270A）

台湾（TW）智慧财产局 / TIPO 公布的发明专利 PDF 多为繁体中文扫描件，部分有文本层可直接 PyMuPDF get_text 抽取，但说明书的全页扫描图样几乎都是位图（53 页 TW201644270A 为典型示例）。本节给出针对台湾专利的双语翻译管线与术语映射。

1. 离线管线（与日/韩/葡/俄专利同构）

1. 环境：复用 D:/Workbuddy/2026-08-26-19-01-20/patent_work/.venv（PyMuPDF + reportlab + Pillow）；tesseract.js 位于 C:/Users/Lenovo/.workbuddy/binaries/node/workspace/node_modules/tesseract.js（v7）。
2. PDF 结构检查：fitz.get_text() 长度 = 0 → 扫描件；TIPO 公开本通常 50–60 页。
3. 逐页 PNG 渲染：PyMuPDF get_pixmap(matrix=Matrix(3,3), alpha=False) 直接 300dpi 写出到 pages/page_NNN.png，同时作为后续 PDF 内嵌影像。
4. OCR：chi_tra+eng 语言包（chi_tra.traineddata 约 59 MB，从 https://tessdata.projectnaptha.com/4.0.0/chi_tra.traineddata.gz 下载；首次约 5–10 分钟，缓存复用即可）。本地保留 eng.traineddata（如已存在于 patent_work/）。
5. 文本清洗：删除相邻 Han 字符之间的多余空格（tesseract.js v7 默认会把每个字单独占位），并对高频 OCR 噪字按下面「OCR 噪声表」批量校正。
6. 繁→简 + 译英：分批并行子代理内联译中 + 译英；输出 {page, src, zh, en} JSON 数组，必须用 json.dump(..., ensure_ascii=False, indent=1) 落盘，禁止直接用 Write 写 JSON（引号/换行易损坏）。
7. 合并 / 双语 PDF：merge.py → master.jsonl；build_pdf.py 用 TLANG=zh / TLANG=en 分别输出（中文 STSong-Light CID 字体，英文 Helvetica）。

2. 台湾专利 → 简体中文 / 英文 核心术语

> 台湾专利 → 简体译文的术语策略：以「繁转简 + 保留台湾术语」为主（如 记忆体、模组、调变、全像元素、视讯），仅在用户明确要求 mainland 风格时改为「存储器、模块、调制、全息/全息元素、视频」。之/係 等台湾文言可保留以贴近源文，但用户偏好 mainland 风格时改为「的/是」。

3. 繁体中文扫描件 OCR 噪声表（高频）

OCR (chi_tra+eng) 扫描件常见错字，按词义校正：

4. 关键坑位（来自 TW201644270A 验证）

1. 封面 / 书目前页（页 1–6）的子代理极易失败：OCR 噪化严重 + 书目字段命名（(71)/(72)/(54)/(57) 等）易让子代理误判为敏感信息而拒答；推荐主代理直接翻译这 6 页，把正文（页 7+）交给并行子代理。已在 TW201644270A 上验证：连续 3 个子代理对封面均失败，主代理直接读 ocr_clean/page_NNN.txt 内联译一次性产出 batch_01.json（6 条记录）。
2. 代表图符号清单（图 19）跨多页：第 1 页底部 + 第 2 页 + 第 4 页 三处出现同一个清单的不同片段。子代理若不交叉引用，会出现「同一编号多种命名」。做法：先抽取 body 内文（页 ≥ 7）中所有提到 1901–1969 的 EN 译句，以 body 的 EN 命名作为 ground truth 反推清单条目（如 1962 = Minc memory、1964 = seed aberration memory、1966 = seed hogel texture memory、1968 = hogel memory block、1969 = output memory module）。
3. chi_tra.traineddata 体积大：~59 MB 的 gz 包首次下载 5–10 分钟，强烈建议缓存到工作目录（patent_work/tw_patent/chi_tra.traineddata）跨会话复用；不要每会话重新下载。
   - 本机历史会话中若已存在 .traineddata 或 .traineddata.gz，优先 find 复用；
   - 若 tesseract.js v7 使用 langPath 指向本地目录，必须提供压缩格式的 .traineddata.gz，
   仅有解压后的 .traineddata 时，用 gzip -c -k chi_tra.traineddata > chi_tra.traineddata.gz 生成。
4. tesseract.js v7 createWorker 签名：createWorker(lang?, userOptions?)，第一参数是 lang 字符串（如 'chi_tra+eng'），不是 {langPath: ...}。v5 的 createWorker({langPath}) 在 v7 中被弃用，直接传 options 对象会抛 langsArr is not defined。正确：
   js const worker = await createWorker('chi_tra+eng', { langPath: './', workerPath: ... });
5. tesseract.js 输出每字独占位：chi_tra OCR 出来的 Han 字符之间会被插入多余空格，必须在进入翻译前用 Python 正则删除：re.sub(r'([\u4e00-\u9fff])\s+([\u4e00-\u9fff])', r'\1\2', t) 反复迭代。
6. 公开日 OCR 残片 → 不可臆造：TW201644270A 公开日 OCR 残片 +12 A 16 8 → 应还原为 中华民国105年12月16日（即 2016-12-16）；类似书目字段若 OCR 残缺，应以官方数据库为参照（不得凭空）。
7. 页面布局：报告书原文上中文摘要与英文摘要共占同页，第 4 页「化学式栏」在台湾专利中常为 无；翻译时保留「无」字样即可。
8. 双 PDF 输出：当用户要求 zh + en 双语产物时，分别运行 TLANG=zh build_pdf.py 与 TLANG=en build_pdf.py 生成两份独立 PDF（每份含原版扫描影像 + 译文），不要做三栏对照（源 + zh + en），否则单页信息密度过大、可读性差。