بيانات التوجيه

تُعد بيانات التوجيه آلية rosetta لتعليم نماذج اللغات الكبيرة (LLMs) لغات لم يتم تدريبها عليها. من خلال توفير القواعد النحوية، والقواميس، وملاحظات الأسلوب جنبًا إلى جنب مع كل طلب ترجمة، يمكنك تحويل نموذج لغة كبير (LLM) عام الأغراض إلى مترجم مدرك للسياق لأي لغة — بما في ذلك اللغات التي لا تحظى بأي دعم حالي للترجمة الآلية (MT).

كيف تعمل

عندما تقوم بتعيين طريقة الزوج إلى llm-coached، يقوم rosetta بتحميل ملف توجيه من .rosetta/coaching/<locale>.json ويدرج محتوياته في كل مطالبة (prompt) لنموذج LLM كجزء من رسالة النظام. يرى نموذج LLM قواعدك اللغوية إلى جانب طلب الترجمة، مما ينتج عنه مخرجات تتبع قواعدك النحوية ومصطلحاتك بدلاً من التخمين.

┌──────────────────────────────────────────────────────┐
│ System Message (cached across batches)               │
│ ┌──────────────────────────────────────────────────┐ │
│ │ Base translation rules                           │ │
│ │ + Register instructions                          │ │
│ │ + Grammar rules (from coaching data)             │ │
│ │ + Dictionary entries (from coaching data)         │ │
│ │ + Style notes (from coaching data)               │ │
│ └──────────────────────────────────────────────────┘ │
├──────────────────────────────────────────────────────┤
│ User Message (per batch)                             │
│ ┌──────────────────────────────────────────────────┐ │
│ │ Keys to translate (JSON)                         │ │
│ └──────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────┘

نظرًا لأن بيانات التوجيه تمثل جزءًا من رسالة النظام، فإنها تستفيد من التخزين المؤقت للمطالبات (prompt caching) — حيث يقوم مزودون مثل Anthropic و Google بتخزين بادئات النظام المتكررة مؤقتًا، لذلك تدفع مقابل سياق التوجيه مرة واحدة فقط لكل جلسة، وليس مرة واحدة لكل دفعة.

تنسيق ملف التوجيه

قم بإنشاء ملف JSON واحد لكل لغة محلية (locale) في .rosetta/coaching/:

.rosetta/coaching/crk.json

{
  "grammar_rules": [
    "Plains Cree is polysynthetic — a single word can express what English needs a full sentence for",
    "Animate/inanimate noun distinction affects verb conjugation",
    "Use SRO (Standard Roman Orthography) unless script converter handles conversion",
    "Verb stems are modified by prefixes and suffixes to indicate person, number, tense, and evidentiality"
  ],
  "dictionary": {
    "home": "kīwēwin",
    "settings": "isi-nākatohkēwin",
    "search": "nānātawāpahtam",
    "welcome": "tānisi",
    "submit": "ispīhci",
    "cancel": "pōni"
  },
  "style_notes": "Use formal register. Preserve English technical terms in parentheses when no Cree equivalent exists. Avoid loanwords when a descriptive Cree expression exists."
}

الحقول

الحقل	النوع	مطلوب	الوصف
grammar_rules	string[]	لا	مصفوفة من القواعد النحوية المدرجة في مطالبة النظام. يجب أن تكون كل قاعدة عبارة عن تعليمات موجزة وقابلة للتنفيذ يمكن لنموذج LLM اتباعها.
dictionary	object	لا	خريطة مفتاح-قيمة (Key-value map) للمصطلح الإنجليزي ← مصطلح اللغة المستهدفة. تُستخدم للمفردات الخاصة بالمجال التي لن يعرفها نموذج LLM.
style_notes	string	لا	تعليمات أسلوب حرة الشكل (مستوى اللغة، النبرة، تقاليد الرسمية).

جميع الحقول اختيارية — يمكنك البدء بقاموس فقط وإضافة القواعد النحوية كلما قمت بالتحسين.

السلوك الاحتياطي

إذا تم تكوين زوج لـ llm-coached ولكن لا يوجد ملف توجيه لتلك اللغة المحلية، فإن rosetta يعود إلى طريقة llm القياسية مع تحذير في وحدة التحكم (console):

[INFO] No coaching data for "crk" at .rosetta/coaching/crk.json
       Falling back to standard LLM method. Create coaching data for better results.

هذا يعني أنه يمكنك تعيين "defaultMethod": "llm-coached" بشكل عام بأمان — فاللغات التي تحتوي على بيانات توجيه ستستخدمها، وستحصل البقية على ترجمة LLM القياسية دون أخطاء.

متى تستخدم التوجيه

السيناريو	الطريقة الموصى بها
لغات المستوى الأول (الفرنسية، الإسبانية، الألمانية)	llm أو google-translate — نماذج LLMs تعرفها جيدًا بالفعل
لغات المستوى الثاني (الكورية، التركية، التايلاندية)	llm مع تحديد مستوى اللغة — تتعامل نماذج LLMs معها بشكل مناسب مع توجيه الأسلوب
لغات المستوى الثالث (الكري السهول، اليوروبا، الكيتشوا)	llm-coached — تحتاج نماذج LLMs إلى قواعد نحوية وقواميس
اللغات المصطنعة (الكلينغون، السندارين، الكريبتونية)	llm-coached — تمتلك نماذج LLMs بعض بيانات التدريب ولكنها تحتاج إلى تصحيحات

بناء بيانات توجيه جيدة

القواعد النحوية

اكتب القواعد في شكل تعليمات، وليس أوصافًا. يتبع نموذج LLM التعليمات بشكل أفضل من تفسيره للنظريات اللغوية.

// ❌ Descriptive (the LLM learns nothing actionable)
"Plains Cree has animate and inanimate noun classes"

// ✅ Instructive (the LLM knows what to do)
"When translating nouns, check whether the Cree equivalent is animate (NA) or inanimate (NI) — this affects which verb conjugation to use"

القواميس

ركز على المصطلحات الخاصة بالمجال التي قد يخطئ فيها نموذج LLM أو يبتكرها. لا تهتم بالكلمات الشائعة التي يتعامل معها نموذج LLM بالفعل — ركز على المصطلحات الخاصة بواجهة مستخدم تطبيقك.

ملاحظات الأسلوب

كن دقيقًا بشأن مستوى اللغة، والرسمية، والتقاليد:

"style_notes": "Use formal register (vous-form in French). Preserve brand names untranslated. UI labels should be imperative mood ('Save', not 'Saves'). Maximum 40 characters for button text."

اختبار الترجمات الموجهة

استخدم MT Eval Harness لقياس أداء ترجماتك الموجهة مقابل مجموعة نصوص مرجعية (reference corpus):

# Install the harness
pip install mt-eval-harness

# Run coached translations against your test corpus
mt-eval run --corpus data/crk-corpus.json --model google/gemini-2.5-pro

# Score the results
mt-eval test eval/logs/run_*.json

يمنحك هذا درجات chrF++، و BLEU، والتطابق التام. قم بإنشاء إصدارات متعددة من ملف التوجيه وقارن بينها — فالمقاييس الموضوعية تتفوق على المراجعة الذاتية.

---

انظر أيضًا

• طرق الترجمة — طريقة llm-coached
• دعم لغة منخفضة الموارد — التوجيه في الممارسة العملية
• مواصفات المكون الإضافي — حزم بيانات التوجيه في مكون إضافي
• بوابة الجودة — كيفية التحقق من صحة الترجمات الموجهة
• التكوين — تكوين التوجيه لكل زوج