Trello MCP Server Python

🌍 GitHub项目README文档多语言智能美化指令

指令目标

根据用户指定的目标语言，对README文档进行智能美化和语言处理：

• 🔄 语言一致时：保持原语言并美化排版
• 🌐 语言不一致时：翻译内容并美化排版

语言处理策略

智能匹配逻辑

graph TD
    A[检测原文档语言] --> B[对比目标语言]
    B --> C{语言是否一致?}
    C -->|是| D[✅ 保持原语言 + 美化排版]
    C -->|否| E[🔄 翻译内容 + 美化排版]

翻译处理原则

⚠️ 核心原则

• 保持技术准确性：确保专业术语翻译准确
• 保留代码不变：代码示例、变量名、API名称保持原样
• 保持链接有效：URL链接保持不变
• 保留格式结构：保持引用格式、表格结构等

核心美化策略

五大核心要素

1. 🔒 信息保真
   • 保留所有重要信息和技术细节
   • 严禁添加原文档中不存在的内容
2. 🧠 语言智能
   • 根据目标语言进行翻译或保持
3. 🏗️ 结构优化
   • 重新组织章节顺序，提升逻辑性
4. 📈 内容增强
   • 适当补充常见的README元素
   • 仅在原文档有相关内容时添加章节
5. 🎨 视觉美化
   • 大幅提升排版和视觉层次

内容检测与过滤规则

⚠️ 重要原则：内容存在性检测

在应用模板前，必须检测原文档是否包含相关内容：

• ✅ 有实质内容 → 使用对应章节模板
• ❌ 无相关内容 → 跳过该章节，不生成空模板
• ❌ 内容过于简略 → 不使用占位符文本

内容充实度判断标准

美化规范模板

文档头部优化

## 🚀 [项目标题 - 目标语言]

[核心功能描述，2 - 3行简洁说明项目解决的问题和价值 - 目标语言]

智能章节模板系统

🧠 智能渲染原则

仅当原文档包含相关实质内容时，才使用对应的章节模板

内容检测流程

graph TD
    A[扫描原文档] --> B{检测章节内容}
    B -->|有实质内容| C[应用对应模板]
    B -->|无内容/过于简略| D[跳过该章节]
    C --> E[生成美化章节]
    D --> F[继续检测下一章节]

条件渲染的章节模板

代码示例处理模板

## 💻 [使用示例/Usage Examples/使用例]

### [基础用法/Basic Usage/基本的な使用法]
```python
# [保持原始代码和注释不变]
# [Keep original code and comments unchanged]
# [元のコードとコメントを保持]
original_code_content

[高级用法/Advanced Usage/高度な使用法]

# [高级场景说明 - 目标语言]
original_code_content

#### 信息表格模板
##### 🇨🇳 中文表格
```markdown
| 属性 | 详情 |
|------|------|
| 模型类型 | [翻译后的内容] |
| 训练数据 | [翻译后的内容] |

🇺🇸 英文表格

| Property | Details |
|----------|---------|
| Model Type | [Original/Translated content] |
| Training Data | [Original/Translated content] |

常用提示信息模板

🇨🇳 中文提示

> ⚠️ **重要提示**
> 
> [翻译后的提示内容]

> 💡 **使用建议**
> 
> [翻译后的建议内容]

🇺🇸 英文提示

> ⚠️ **Important Note**
> 
> [Original/Translated note content]

> 💡 **Usage Tip**
> 
> [Original/Translated tip content]

翻译质量标准

高质量翻译要求

特殊处理规则

📋 保持不变的元素

• 代码块：代码内容和注释保持原样
• API名称：函数名、变量名、类名等保持英文
• URL链接：所有链接地址保持不变
• 品牌名称：公司名、产品名等专有名词谨慎翻译
• 文件名：如README.md、config.json等保持原样

引用格式处理

• BibTeX引用：保持原始格式不变
• 论文标题：根据是否有官方翻译决定是否翻译
• 作者姓名：保持原样不翻译

美化要求

深度美化

• 翻译内容 + 完全重构信息架构
• 整合分散信息 + 添加emoji和视觉元素
• 大幅优化用户体验 + 补充缺失元素

处理流程

graph LR
    A[语言检测] --> B[内容扫描]
    B --> C[策略选择]
    C --> D[内容处理]
    D --> E[结构优化]
    E --> F[格式美化]
    F --> G[质量检查]

1. 🔍 语言检测：识别原文档主要语言
2. 📊 内容扫描：检测各章节是否有实质内容
3. 🎯 策略选择：
   • 相同语言 → 保持原文 + 美化
   • 不同语言 → 翻译 + 美化
4. ⚙️ 内容处理：根据策略执行翻译或保持
5. 🏗️ 结构优化：重新组织信息架构，仅保留有内容的章节
6. 🎨 格式美化：应用统一的美化标准
7. ✅ 质量检查：确保翻译准确性和格式完整性

输出要求

必须满足的条件

• [ ] 严格按照用户指定的目标语言输出
• [ ] 保持所有技术信息的准确性
• [ ] 确保代码示例和链接的有效性
• [ ] 仅展示有实质内容的章节，避免空模板
• [ ] 禁止使用"暂未提供"、"待补充"等占位符文本
• [ ] 显著提升文档的视觉效果和可读性
• [ ] 输出纯Markdown格式，主标题使用##

严禁的输出类似内容

❌ 绝对不要生成这样的内容：

## 🔧 技术细节
暂未提供相关技术细节，后续可进一步补充。

✅ 正确做法：

• 如果原文档没有技术细节 → 直接跳过"🔧 技术细节"章节

输出示例预览

🇨🇳 中文输出示例

## 🤖 视觉变换器 (ViT - Base)
*基于Transformer架构的图像识别模型.......*

## 🚀 快速开始

视觉变换器(ViT)是一个基于Transformer编码器的模型...

```python
# 使用示例代码保持不变
from transformers import ViTModel
model = ViTModel.from_pretrained('google/vit-base-patch16-224')

#### 🇺🇸 英文输出示例
```markdown
## 🤖 Vision Transformer (ViT - Base)
*Transformer - based model for image recognition*

## 🚀 Quick Start

Vision Transformer (ViT) is a transformer encoder model...

```python
# Code examples remain unchanged
from transformers import ViTModel
model = ViTModel.from_pretrained('google/vit-base-patch16-224')

> 💡 **使用提示**：本指令适用于各种规模的GitHub项目，能够智能识别语言并提供相应的美化方案。

### 日文美化后的文档
```markdown
## 🚀 trello-mcp-server-python

このプロジェクトは、具体的な機能や解決する問題に関する情報が提供されていません。