这个说法很容易让人喜欢：一个模型翻译，第二个审校，第三个编辑，质量就上去了——因为人类翻译团队正是这么运作的。它直觉、好演示，而且正被大力推销。

算术就没那么受欢迎了。串行的"翻译→审校→编辑"链条大约消耗单次调用五倍的词元；一直循环到收敛的迭代式方案大约十五倍（arXiv:2505.01560）。这是价格。本文讲的是：按测量过的人的说法，这个价格买到了什么；以及当我们审视自己那套智能体流水线后，做了什么决定。

三种形态，各自的倍数

单次调用。 一个提示词，一个输出。基线：1×。

串行智能体。 先翻译，再审校译文，再按审校意见编辑。每一阶段都要重读原文和上一阶段的输出，所以输入词元增长得比阶段数暗示的更快。实测约 5×。

迭代智能体。 "审校—修改"的循环反复进行，直到通过某个收敛判据或撞上上限。约 15×，而且——这点很重要——方差很高：一份始终无法让审校满意的文件，每次都要花掉整个上限。

倍数作用在词元上，但延迟同样翻倍。对于用户盯着进度条的文件流水线来说，每个片段三次串行模型调用，是另一个产品，而不是同一个产品贵一点。

这个倍数买到了什么，按实测

在这里，结果对推销词不太友好。

对上成熟的神经机器翻译，智能体系统在 12 种"语言对 + 领域"组合中的 7 种上按自动指标输了。不是"赢得比预期少"，是输给了成本只有零头的专用 NMT 系统。

对上单次大模型调用，智能体系统在 6 组对比中的 5 组上按人工评估输了。这个数字才应该让买方停一停，因为人工评估正是智能体说法暗自诉诸的那个标准：机器读不出细微差别，所以加一个审校。

诚实的解读不是"智能体不行"，而是更窄也更有用的一句：

收益在长篇文学文本上是真实的：整部作品的一致性很要紧，掌握全局上下文的审校能抓到逐段翻译抓不到的漂移。
收益在法律细节上是真实的：一个专门被要求检查"义务是否被改动"的第二遍，确实能发现第一遍发现不了的东西。
其余场合，这个倍数买到的是方差。

为什么加审校常常更糟

这个反直觉的部分值得解释，因为"加个检查者"听上去只可能有帮助。

审校阶段不是校验器，它是又一次生成，而且被它自己的提示词奖励"找出点什么来说"。给模型一份好译文，问它哪里不对，它就会告诉你哪里不对。编辑阶段随后照办。三个阶段里有两个，正在把输出推离一个本来就正确的译文。

这和过于积极的代码检查工具是同一种失效形态：误报的代价并不为零，因为下游真的有人会照它行事。

真正让这套模式划算的修法，是让审校的工作可证伪：检查这些具体数字是否出现、术语是否与词表一致、有没有义务发生了正负翻转。是清单，不是意见。而清单比智能体便宜得多——这恰恰是重点。

我们对自己那套做了什么

我们有过一套。agent_pipeline.py 连同它的提示词和类型共 668 行，通过一个 import、一行构造、一次调用和两个方法接进翻译服务。

它在 translation_mode == "agentic" 时启用。而 API 从来不接受这个取值。

于是：668 行智能体翻译代码，在仓库里躺了几个月，在生产环境中执行了整整零次。没人发现，因为没有东西依赖它，也没有测试覆盖它。

我们删掉了它。删除之前的调研建议把审校循环拆出来用于另一件事——对照模式校验抽取到的字段。我们为此去读代码，结果发现无可拆解：那个审校比对的是模糊翻译记忆匹配与源句，这和"用声明的字段去校验一个值"是不同的问题。这个想法作为建议留在了我们自己的调研笔记里，而它并不需要那些代码。

按我们的经验，这才是智能体流水线最常见的真实状态：不是"昂贵"，而是没被测量、也没被触达，之所以留着，是因为删掉它感觉像是在承认什么。

如何决定：四个问题

如果有人向你推销智能体翻译层，或者你正考虑自建：

1. 基线是什么，在你的内容上测过吗？ 不是在 WMT 上，是在你的文件上、带着你的词表、按你真正判断质量的方式打分。多数智能体优势，在一个写得好、带词表的单次调用面前会蒸发。

2. 审校被允许说什么？ 如果答案是"什么都行"，就等着回退。如果答案是一份可证伪的属性清单，那你需要的可能根本不是智能体，而是校验器。

3. 一次不收敛要花多少钱？ 迭代方案要按最坏情况计价，而不是平均。会打转的是难文件，也就是贵的文件，也就是你手上很多的那种。

4. 收益是否集中？ 如果收益只在 5% 的文件上是真的，就把昂贵路径跑在那 5% 上。选择性升级能以倍数的一小部分拿到大部分好处，而且不同于智能体框架，它是一条今天下午就能写完的路由规则。

那些更便宜、通常也更管用的东西

具体到文件翻译，在我们自己的数据里可测量地划算的干预，全都很无聊：

把词表放进提示词——这是多一个输入块，不是多一次模型调用。
在机械性工作上关掉推理模型的思考——这是一个开关。
翻译后做确定性的数字核对——这是比较数字串，成本为零。
不重复抽取已经抽过的文件——这是缓存。

它们都不是智能体。它们全都比多一遍便宜，而且每一个修的是一类缺陷，而不是把平均分往上推一点。

要点

串行智能体约 5× 词元，迭代循环约 15×，在不收敛的文件上方差很大。
实测结果对推销词并不友好： 智能体在 12 种组合中的 7 种上按自动指标输给成熟 NMT，在 6 组中的 5 组上按人工评估输给单次大模型调用。
审校阶段是又一次生成，不是校验器。 它因"说出点什么"而获得奖励，编辑随后照办。
在这套模式划算的地方，把审校做成可证伪的——一份属性清单，比智能体更便宜也更可靠。
选择性升级。 收益若在 5% 的文件上，就把倍数花在那 5%。

FAQ

智能体翻译贵多少？

按已发表的测量，串行"翻译-审校-编辑"链条约为词元的五倍，迭代循环约十五倍。延迟同比例增长，这对任何有用户在旁观看的流水线都很要紧。

审校智能体能提升翻译质量吗？

有时能，但不是默认能。在已发表的对比中，单次大模型调用在六组里的五组上按人工评估胜过了智能体系统。被要求"找问题"的审校会在正确的译文里也找出问题，而编辑阶段随后会照此行动。

智能体翻译什么时候真的值得？

长篇文学文本，整部作品的一致性要紧；以及法律文本，第二遍可以对准"义务是否被改动"这类具体风险。两种情形收益都很集中，这恰恰支持把这类文件路由到昂贵路径，而不是对所有文件都跑一遍。

有什么比审校智能体更便宜的替代？

校验器：针对你真正在意的属性做确定性检查——数字在不在、术语是否与词表一致、有没有正负翻转。它每份文件成本为零，不会凭空生出一条意见，而且抓的正是正式文件上真正要命的缺陷类别。

怎么知道智能体流水线到底有没有在跑？

给它装上仪表。我们那套是 668 行，被挡在一个 API 从不接受的模式取值之后，在生产里跑了零次，而且没人发现。按调用路径统计词元，一天之内就能回答这个问题。

结语

"多加几次模型调用"是一个假设，不是一种架构，而验证它只需一个下午：把你自己的内容分别过一个写得好的单次调用和智能体路径，再用你真正判断质量的方式给两者打分。

我们自己的经历，是同一课的一个小而尴尬的版本。流水线我们有，一次都没跑过；等到终于去读它、想复用它最好的那部分时，那部分原来解决的是另一个问题。真正重要的测量不是"它更好吗"，而是"它在跑吗"——而这个问题我们当时同样答不上来。

如果你想要一套"昂贵步骤都是被测量过的"文件翻译，试试 KTTC。