MCP Server Rgd

🚀 文檔處理指令說明

指令目標

根據用戶指定的目標語言，對README文檔進行智能美化和語言處理：

• 🔄 語言一致時：保持原語言並美化排版
• 🌐 語言不一致時：翻譯內容並美化排版

語言處理策略

智能匹配邏輯

graph TD
    A[檢測原文檔語言] --> B[對比目標語言]
    B --> C{語言是否一致?}
    C -->|是| D[✅ 保持原語言 + 美化排版]
    C -->|否| E[🔄 翻譯內容 + 美化排版]

翻譯處理原則

⚠️ 核心原則

• 保持技術準確性：確保專業術語翻譯準確
• 保留代碼不變：代碼示例、變量名、API名稱保持原樣
• 保持鏈接有效：URL鏈接保持不變
• 保留格式結構：保持引用格式、表格結構等

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術細節
   • 嚴禁添加原文檔中不存在的內容
2. 🧠 語言智能
   • 根據目標語言進行翻譯或保持
3. 🏗️ 結構優化
   • 重新組織章節順序，提升邏輯性
4. 📈 內容增強
   • 適當補充常見的README元素
   • 僅在原文檔有相關內容時添加章節
5. 🎨 視覺美化
   • 大幅提升排版和視覺層次

內容檢測與過濾規則

⚠️ 重要原則：內容存在性檢測

在應用模板前，必須檢測原文檔是否包含相關內容：

• ✅ 有實質內容 → 使用對應章節模板
• ❌ 無相關內容 → 跳過該章節，不生成空模板
• ❌ 內容過於簡略 → 不使用佔位符文本

內容充實度判斷標準

美化規範模板

文檔頭部優化

## 🚀 [項目標題 - 目標語言]

[核心功能描述，2 - 3行簡潔說明項目解決的問題和價值 - 目標語言]

智能章節模板系統

內容檢測流程

graph TD
    A[掃描原文檔] --> B{檢測章節內容}
    B -->|有實質內容| C[應用對應模板]
    B -->|無內容/過於簡略| D[跳過該章節]
    C --> E[生成美化章節]
    D --> F[繼續檢測下一章節]

條件渲染的章節模板

## 🚀 快速開始          # 必需章節，始終顯示
## ✨ 主要特性          # 當原文檔有功能描述時顯示
## 📦 安裝指南          # 當原文檔有安裝步驟時顯示
## 💻 使用示例          # 當原文檔有代碼示例時顯示
## 📚 詳細文檔          # 當原文檔有詳細說明時顯示
## 🔧 技術細節          # 當原文檔有技術實現細節時顯示
## 📄 許可證            # 當原文檔有許可證信息時顯示

❌ 避免生成的空內容示例：

## 🔧 技術細節
暫未提供相關技術細節，後續可進一步補充。

代碼示例處理模板

## 💻 使用示例

### 基礎用法
```python
# [保持原始代碼和註釋不變]
original_code_content

高級用法

# [高級場景說明 - 目標語言]
original_code_content

#### 信息表格模板
```markdown
| 屬性 | 詳情 |
|------|------|
| 模型類型 | [翻譯後的內容] |
| 訓練數據 | [翻譯後的內容] |

常用提示信息模板

> ⚠️ **重要提示**
> 
> [翻譯後的提示內容]

> 💡 **使用建議**
> 
> [翻譯後的建議內容]

翻譯質量標準

高質量翻譯要求

特殊處理規則

📋 保持不變的元素

• 代碼塊：代碼內容和註釋保持原樣
• API名稱：函數名、變量名、類名等保持英文
• URL鏈接：所有鏈接地址保持不變
• 品牌名稱：公司名、產品名等專有名詞謹慎翻譯
• 文件名：如README.md、config.json等保持原樣

引用格式處理

• BibTeX引用：保持原始格式不變
• 論文標題：根據是否有官方翻譯決定是否翻譯
• 作者姓名：保持原樣不翻譯

美化要求

深度美化

• 翻譯內容 + 完全重構信息架構
• 整合分散信息 + 添加emoji和視覺元素
• 大幅優化用戶體驗 + 補充缺失元素

處理流程

graph LR
    A[語言檢測] --> B[內容掃描]
    B --> C[策略選擇]
    C --> D[內容處理]
    D --> E[結構優化]
    E --> F[格式美化]
    F --> G[質量檢查]

1. 🔍 語言檢測：識別原文檔主要語言
2. 📊 內容掃描：檢測各章節是否有實質內容
3. 🎯 策略選擇：
   • 相同語言 → 保持原文 + 美化
   • 不同語言 → 翻譯 + 美化
4. ⚙️ 內容處理：根據策略執行翻譯或保持
5. 🏗️ 結構優化：重新組織信息架構，僅保留有內容的章節
6. 🎨 格式美化：應用統一的美化標準
7. ✅ 質量檢查：確保翻譯準確性和格式完整性

輸出要求

必須滿足的條件

• [ ] 嚴格按照用戶指定的目標語言輸出
• [ ] 保持所有技術信息的準確性
• [ ] 確保代碼示例和鏈接的有效性
• [ ] 僅展示有實質內容的章節，避免空模板
• [ ] 禁止使用"暫未提供"、"待補充"等佔位符文本
• [ ] 顯著提升文檔的視覺效果和可讀性
• [ ] 輸出純Markdown格式，主標題使用##

嚴禁的輸出類似內容

❌ 絕對不要生成這樣的內容：

## 🔧 技術細節
暫未提供相關技術細節，後續可進一步補充。

✅ 正確做法：

• 如果原文檔沒有技術細節 → 直接跳過"🔧 技術細節"章節

輸出示例預覽

中文輸出示例

## 🤖 視覺變換器 (ViT - Base)
*基於Transformer架構的圖像識別模型.......*

## 🚀 快速開始

視覺變換器(ViT)是一個基於Transformer編碼器的模型...

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

#### 英文輸出示例
```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**：本指令適用於各種規模的GitHub項目，能夠智能識別語言並提供相應的美化方案。