DeepSeek API批量翻译带公式论文：占位符锁定法实战

如果你经常跟外文论文打交道肯定遇到过这种抓狂时刻正文翻得挺顺一到公式就原形毕露。要么\frac{1}{2}被翻译成“1/2”要么整段公式被识别成天书更离谱的是把变量符号直接变成中文后面所有推导全对不上。我因为每周都要过几十篇英文论文之前一直用现成的翻译工具公式处理始终不满意。后来花了一周时间把基于 DeepSeek API 的批量翻译脚本慢慢磨了出来给它起了个名字叫 DeepSeekFanyi。今天就把这套东西彻底拆开讲它是怎么处理公式的、核心代码怎么写、实测下来效果如何以及那些文档里绝对不会写的坑。想批量翻译 Markdown、LaTeX 文档的科研党或者需要在生产环境里批量处理带公式文本的工程师都可以直接参考。1. 为什么论文翻译总是栽在公式上很多人一开始觉得“公式翻译”不是问题把整段文字丢给 AI让它连公式一起翻译不就行了试过一次就知道这条路走不通。公式和自然语言的属性完全不同自然语言可以被转写成另一种文字公式却是一套符号系统翻译它没有任何语义收益反而会破坏原有结构。1.1 三种最常见的公式翻译事故第一种是公式命令被“意译”。比如 LaTeX 里的\frac{1}{2}本意是二分之一人类译者在正文里写成“1/2 的概率”没问题但 AI 有时会直接把源代码里的\frac替换成“fraction”最后文档里出现一段既不是代码也不是公式的乱文。第二种是变量符号被改写成自然语言。模型的训练数据里见过大量“where v is velocity”这种解释性文本它可能就把公式外的变量符号v替你“翻译”成“速度”。在单篇文档里变量名是全局契约改了符号后面所有公式都失效了。第三种是格式结构被破坏。LaTeX 的\begin{aligned}、\end{aligned}这类环境标签如果被翻译成中文后面的公式块直接编译不过去。很多人在 PDF 里看公式没问题是因为 PDF 已经编译过了但如果你手里是.tex源文件就等着编译报错吧。1.2 直接让 AI 翻译整篇文档的问题出在哪把整篇带.tex源码的文本一次性发给模型翻译模型确实能处理一部分但存在两个致命问题长文档超出上下文窗口后后半段质量明显下降格式也容易错乱模型在长文本中保持“公式原样不动”的约束很容易中途失效。更麻烦的是你无法快速定位到底哪里出了问题。一篇 500 行的文档翻译完需要人工逐条核对公式这个工作量比翻译本身还大。1.3 适合用 DeepSeekFanyi 解决的场景DeepSeekFanyi 适合这几类场景批量翻译 GitHub 上的 Markdown 技术文档文档内含较多数学公式翻译.tex论文手稿翻译后还想继续编译成 PDF批量处理 CSV 表格里的学术文本字段表格单元格里混着各种行内公式需要把多篇外文资料整理成中文综述但要保留所有原始公式符号。2. DeepSeekFanyi 的核心思路先把公式锁起来再翻译自然语言这套脚本的底层逻辑其实很简单就是“占位符锁定”。所谓占位符锁定就是先用正则表达式把文档中所有的公式提取出来替换成{{FORMULA_0}}、{{FORMULA_1}}这样的特殊标记再把被替换后的纯自然语言文本交给模型翻译。模型只负责翻译翻译完之后脚本再把占位符还原成原始公式。这个思路一开始是从“代码翻译注释”的场景里借鉴过来的。翻译代码注释时没人会让 AI 翻译代码本体都是把注释抽出来处理。公式其实也是一种不该被翻译的“代码”只是之前很少有人用同样的思路去处理。2.1 占位符机制让模型改不了的公式为什么占位符机制稳定有效因为大模型在翻译的时候对纯文本中的陌生标记会倾向于原样保留。你如果直接把公式长在句子里发给模型相当于给了模型修改公式的机会。但{{FORMULA_0}}这种标记看起来完全不像自然语言模型没有动机去改动它。实测下来只要提示词里明确“遇到{{FORMULA_0}}必须原样保留”模型几乎 100% 会遵守。选择{{FORMULA_n}}这个格式而不是[公式n]是因为占位符要尽量避免与文档中可能出现的正常文本冲突。[公式0]这种格式很容易与 Markdown 的链接引用语法、LaTeX 的引用标签撞车而{{FORMULA_0}}在绝大多数文档里不会自然出现。2.2 翻译提示词规则写清楚模型才不乱来占位符只是机制提示词是约束。我在实际使用中固定了一套系统提示词核心规则有四条你是一个专业科技文献翻译助手。你的任务是把给定文本翻译成目标语言。必须遵守以下规则文本中的{{FORMULA_n}}全部代表数学公式或代码片段必须原样保留不得修改、删除或翻译。只翻译自然语言部分保留原文段落结构与 Markdown 标记。变量符号、专业缩写如 SOTA、BERT、MSE保留原样不要翻译成中文。译文表达应当通顺、准确不要输出任何额外说明或解释。第 3 条是我反复踩坑后加进去的。早期提示词只说了公式不能动没说变量符号和缩写也不能动结果模型把正文里的SOTA翻译成“最先进水平”。在学术写作中这类缩写通常不需要翻译。2.3 公式锁定正则的优先级设计公式锁定的核心是正则替换但替换顺序非常有讲究。我最终采用的顺序是公式类型写法示例处理优先级块级公式$$...$$最高先替换块级环境\begin{equation}...\end{equation}次高行内显式\(...\)中优先级行内公式$...$最后处理优先级顺序的错误会导致灾难性后果。如果你先处理$...$行内公式再去匹配$$...$$块级公式那么块级公式的两个美元符会先被当成行内公式的开头和结尾整个匹配就乱套了。另一个重要细节是Markdown 代码块中也可能包含 LaTeX 代码如果代码块没被锁起来里面的公式会被误替换。所以真正进入公式锁定之前我还会先做一步“代码块锁定”把 包裹的内容整体换成{{CODE_BLOCK_n}}等公式还原之后再恢复。3. 环境准备与 API 接入几个容易忽略的细节整个 DeepSeekFanyi 脚本只依赖 Python 3.9 和 openai Python 库。DeepSeek API 兼容 OpenAI 格式所以可以直接复用一套成熟的生态不需要自己手写请求库。3.1 DeepSeek API 的 Key 申请与模型选择注册 DeepSeek 开放平台后在控制台创建一个 API Key。这个 Key 和网页版会员是两套体系网页版免费额度、API 充值都是单独计算的。做批量翻译的时候建议先充少量金额跑通流程再放量。接口调用时有几个模型参数需要区分deepseek-chat对应新一代对话模型速度快价格相对低翻译任务我基本只用它deepseek-reasoner侧重推理输出会包含思维链内容价格更高、延迟更大翻译场景不建议用。很多人一上来就选deepseek-reasoner觉得“推理强翻译肯定更准”实际上翻译是生成式任务不是推理任务deepseek-chat在术语处理、格式保持上完全够用而且不会有思维链文本混进翻译结果里的麻烦。3.2 Python 环境与依赖安装安装很简单一条命令pip install openai因为 DeepSeek API 兼容 OpenAI SDK配置客户端时只需要改base_urlimport os from openai import OpenAI client OpenAI( api_keyos.environ.get(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com )这里我强烈建议用环境变量而不是把 Key 写死在脚本里。批量翻译脚本经常会分享给同学或同事Key 一旦泄露就可能被拿去刷额度。配置方式export DEEPSEEK_API_KEYsk-xxxxx3.3 超时、限速与失败的兜底批量翻译的请求量一旦上来网络超时和限流几乎一定会遇到。openai 库默认的超时时间比较保守我习惯显式设置client OpenAI( api_keyos.environ.get(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com, timeout120.0, max_retries2 )即便如此也不能保证每个请求都成功。真实项目中我会在调用层再包一层重试逻辑失败后按指数退避间隔 1 秒、2 秒、4 秒递增重试最多三次。这个细节我在后面主流程代码里会展示。4. 批量翻译主流程脚本逐段拆解现在进入正题把 DeepSeekFanyi 的核心流程一步步拆开。整体流程分四步扫描文件、分块、锁定公式并翻译、还原公式并写回。4.1 扫描文件与文本分块脚本的第一件事是遍历目标目录找出所有需要翻译的.md和.tex文件import glob files glob.glob(docs/**/*.md, recursiveTrue) \ glob.glob(papers/**/*.tex, recursiveTrue)拿到文件后不要直接把整个文件丢给模型。长文档一次性发送有两个问题一是容易达到上下文窗口上限二是翻译中途格式约束容易失效。我把文本按段落切块每个块控制在 3000 字符左右同时保证不把一个段落截成两半def split_text(text, max_len3000): paragraphs text.split(\n\n) blocks, current, current_len [], [], 0 for para in paragraphs: if current_len len(para) max_len and current: blocks.append(\n\n.join(current)) current, current_len [], 0 current.append(para) current_len len(para) 2 if current: blocks.append(\n\n.join(current)) return blocks为什么要按段落切而不是按字符硬切因为硬切会把一段话从中间切断模型翻译时上下文不完整术语一致性会变差。按段落切虽然可能导致某个块稍长但整体翻译质量明显更好。4.2 锁定公式、翻译、还原的完整代码这是整个脚本的灵魂部分。锁定公式的函数如下import re def lock_formulas(text): placeholders {} def make_placeholder(match): idx len(placeholders) key f{{{{FORMULA_{idx}}}}} placeholders[key] match.group(0) return key # 第一步保护 Markdown 代码块 code_blocks [] def lock_code(match): code_blocks.append(match.group(0)) return f{{{{CODE_BLOCK_{len(code_blocks) - 1}}}}} text re.sub(r.?, lock_code, text, flagsre.S) # 第二步块级公式 $$...$$ text re.sub(r\$\$(.?)\$\$, make_placeholder, text, flagsre.S) # 第三步\(...\) text re.sub(r\\\((.?)\\\), make_placeholder, text, flagsre.S) # 第四步行内公式 $...$要求美元符两侧不能紧贴美元符 text re.sub(r(?!\$)\$([^$\n]?)\$(?!\$), make_placeholder, text) # 第五步还原代码块 for i, code in enumerate(code_blocks): text text.replace(f{{{{CODE_BLOCK_{i}}}}}, code) return text, placeholders这段代码有四个关键点要说明。第一代码块锁定要放在最前面否则代码块里的 LaTeX 公式会被后面的正则误伤。第二块级公式的正则用了re.S标志这样才能匹配跨行的$$...$$。行内公式的正则没有re.S因为行内公式按常规不应跨行。第三行内公式正则的前后都加了(?!\$)和(?!\$)就是为了避免把$$块级公式已经被替换后残留的美元符当作行内公式开头。这是踩过坑之后补上的细节。第四make_placeholder里的{{{{FORMULA_{idx}}}}}写成四个花括号是因为 f-string 中想输出字面量{需要写{{。翻译调用的核心函数def translate_block(block, target_lang中文): resp client.chat.completions.create( modeldeepseek-chat, messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: f请将以下内容翻译成{target_lang}。必须保留所有{{{{FORMULA_n}}}}占位符原样不动\n\n{block}} ], temperature0.3, max_tokens4000, streamFalse ) return resp.choices[0].message.contenttemperature我固定设在 0.3。翻译是约束性任务温度太高模型容易自由发挥会把占位符改得七荤八素温度太低又会让译文显得生硬。0.3 是试出来的平衡点。还原公式的函数更简单def restore_formulas(text, placeholders): for key, value in placeholders.items(): text text.replace(key, value) return text主流程组装起来for file_path in files: with open(file_path, r, encodingutf-8) as f: content f.read() locked_text, placeholders lock_formulas(content) blocks split_text(locked_text) translated_blocks [] for block in blocks: result translate_block(block) translated_blocks.append(result) translated_text \n\n.join(translated_blocks) translated_text restore_formulas(translated_text, placeholders) out_path file_path.replace(.md, .translated.md).replace(.tex, .translated.tex) with open(out_path, w, encodingutf-8) as f: f.write(translated_text)这里我特意把“锁定公式”放在“分块”之前。原因是分块逻辑依赖段落结构而公式锁定不会改变段落换行结构反过来如果先分块再锁定切块边界可能把$$...$$公式切到两个块里导致公式锁定失效。4.3 断点续传与失败重试批量翻译一批文档可能要跑很久一次网络抖动就可能中断。我的方案是按文件粒度断点续传。每翻译完一个文件就把结果写盘。下次启动时先检查输出文件是否已存在已存在的直接跳过。代码里加一行即可import os for file_path in files: out_path file_path.replace(.md, .translated.md).replace(.tex, .translated.tex) if os.path.exists(out_path): print(f跳过已翻译文件: {file_path}) continue更细粒度的断点续传可以按块记录进度把每个块的翻译状态存成 JSON。但实际使用中文件粒度已经能覆盖绝大多数场景而且实现简单、不容易引入状态管理的 bug。失败重试的逻辑也很直接def translate_block_with_retry(block, retries3): for attempt in range(retries): try: return translate_block(block) except Exception as e: if attempt retries - 1: raise time.sleep(2 ** attempt)这里用2 ** attempt意味着重试间隔是 1 秒、2 秒、4 秒对 API 限流能起到一定的缓冲作用。4.4 翻译质量的校验环节翻译完不能直接信任输出必须做两个校验。第一是占位符数量校验。发给模型的文本里有几个{{FORMULA_n}}翻译结果里也必须有同样数量的占位符且编号一一对应def verify_placeholders(text_before, text_after): before_set set(re.findall(r\{\{FORMULA_\d\}\}, text_before)) after_set set(re.findall(r\{\{FORMULA_\d\}\}, text_after)) assert before_set after_set, 占位符数量或编号不一致这个校验能抓住模型擅自删改公式的意外情况。如果校验失败这块文本重新翻译一遍通常能拿到正确结果。第二是美元符配对校验。还原公式之后检查文本中的块级公式美元符数量是否为偶数def verify_dollar_balance(text): dollar_count text.count($$) if dollar_count % 2 ! 0: raise ValueError($$ 数量为奇数公式结构可能被破坏)我用这两层校验跑了几百篇文档公式还原的准确率基本能拉到 100%少数偶发问题都会被校验拦截并触发重译。5. 实测效果与翻车记录再好的设计也得拿真实案例说话。我用一篇带注意力机制公式的英文论文段落做了测试效果如下。翻译前原文In this paper, we propose a novel attention-based method, which computes the weighted sum $\mathrm{Att}(Q, K, V) \mathrm{softmax}\left(\frac{QK^\top}{\sqrt{d_k}}\right)V$, and achieves SOTA performance on benchmarks.经过公式锁定后的中间文本In this paper, we propose a novel attention-based method, which computes the weighted sum {{FORMULA_0}}, and achieves SOTA performance on benchmarks.模型返回的译文在本文中我们提出了一种基于注意力机制的新方法它计算加权和 {{FORMULA_0}}并在基准测试上达到了最优性能。还原公式后的最终结果在本文中我们提出了一种基于注意力机制的新方法它计算加权和 $\mathrm{Att}(Q, K, V) \mathrm{softmax}\left(\frac{QK^\top}{\sqrt{d_k}}\right)V$并在基准测试上达到了最优性能。整个公式字符串原样保留一个字符都没变。这个测试我跑了几十次稳定复现。5.1 翻车记录一变量符号被“翻译”了早期版本的提示词没有明确规定“变量符号、缩写保留原样”模型偶尔会把正文中的符号Q、K、V直接替换成“查询”“键”“值”。单独看每一句译文都通顺但后面的公式里全是Q、K、V正文和公式对不上读者完全看不懂。设置temperature0.3并在提示词中明确“变量符号不要翻译”之后这个问题基本消失。如果遇到特别顽固的符号还可以在占位符方案之外把单个字母符号也临时替换成占位符代价是文档会变得较难读。5.2 翻车记录二美元符号被当成行内公式有一次翻译一篇经济学的文章文中大量出现$5 per unit、$3.2 billion这种金额写法。行内公式正则把$5当成行内公式的开头然后一路匹配到下一个孤立的美元符最后锁定出一个跨度极大的“公式”翻译回来之后整段文本都乱了。解决办法是在行内公式正则后面增加一个前置校验检查两个美元符之间的内容是否包含 LaTeX 特征字符比如\、^、_、{、}。如果都不包含说明这不是公式大概率是货币符号。def looks_like_tex(content): return any(ch in content for ch in \\^{}_) text re.sub( r(?!\$)\$([^$\n]?)\$(?!\$), lambda m: make_placeholder(m) if looks_like_tex(m.group(1)) else m.group(0), text )这个启发式规则在科研文档里非常可靠因为真正的行内公式几乎必然包含 LaTeX 命令或上下标符号。如果你的语料里确实存在不含任何 LaTeX 命令的纯符号公式再单独评估即可。5.3 翻车记录三输出截断导致占位符丢失有一次批量翻译超长文本时一个块包含的公式特别多模型输出在接近max_tokens上限处被截断返回的文本里最后一个占位符只保留了一半成了{{FORMULA_1。这类问题在最长文档里出现了几次。根本原因是max_tokens设置得不够宽裕翻译过程遇到生僻内容时输出 token 数超出预期。解决方案是双管齐下切块时把max_len从 3000 降到 2500给模型留出更多输出空间verify_placeholders校验不通过的块自动重译一次。加上这两道防线之后占位符丢失的问题就没再出现过。这里也体现了一个通用的经验批量翻译的质量不是靠单次完美请求而是靠重试和校验把失败率压下去。6. 把 DeepSeekFanyi 扩展到更多场景核心脚本稳定后我又基于同一套占位符逻辑写了几个变体覆盖了另一些带公式批量翻译的需求。6.1 批量翻译 CSV 表格里的公式单元格学术表格经常把公式直接写在单元格里比如MSE \frac{1}{n}\sum(y_i - \hat{y}_i)^2。用 Pandas 读取表格对每个单元格做一次锁定、翻译、还原再写出新 CSV 即可。import pandas as pd def translate_csv(input_path, output_path): df pd.read_csv(input_path) for col in df.columns: for idx, val in df[col].items(): if isinstance(val, str) and ($ in val or \\ in val): locked, placeholders lock_formulas(val) translated translate_block(locked) df.at[idx, col] restore_formulas(translated, placeholders) df.to_csv(output_path, indexFalse)这个变体对做科研数据整理的人很有用实测处理几百行的表格没问题速度瓶颈基本在 API 调用本身。6.2 翻译 SRT 字幕和代码注释字幕文件的核心问题是时间轴不能动。翻译时用正则把00:01:02,000 -- 00:01:05,000格式的时间轴整体锁掉只翻译文本部分def lock_srt_timeline(text): def replace_timeline(match): return f{{{{TIME_{len(timelines)}}}}} # 具体实现略思路一致代码注释翻译也是同一套思路只需要把代码块锁起来用占位符代替代码本体只把注释文本暴露给模型。翻译 README 里带公式的项目说明时这个方式能保持代码示例完全不变。6.3 翻译后回归验证TeX 重新编译翻译.tex文件后我会用本地的pdflatex把翻译后的文件重新编译一遍。这是最硬核的公式验证手段只要编译通过至少说明所有 LaTeX 语法和公式结构没有遭到破坏。pdflatex -interactionnonstopmode output.translated.tex如果编译报错根据报错信息定位到对应的代码块再检查原始文档和翻译后文档在该处的差异。这个流程看起来繁琐实际很值得因为公式结构被破坏时肉眼很难在整篇文档里发现编译器却能一秒钟定位到问题。整套 DeepSeekFanyi 脚本用下来的体会是批量翻译带公式的文档真正的难点从来不是“让 AI 翻译得好”而是“让 AI 只翻译该翻译的部分”。占位符锁定思路把公式和自然语言彻底隔离翻译质量完全取决于自然语言的上下文公式结构天然不变。我现在的使用习惯是先拿一个小文件跑通看一眼占位符还原是否完整再全量铺开翻译完的文档如果有对应版本顺手跑一次 LaTeX 编译确认公式链路完全闭环。这套流程跑了两个多月再也没有因为公式错乱返过工。