前言

8 月 8 日我发布了《AI 的使用 - MCP 国际化初实现》。我基于既有插件做了扩展，并能在 IDE 中通过 MCP 服务调用这些能力。后续优化中我发现：此前误以为无法通过 MCP 的 tool 让 IDE 的 AI 执行“下一步动作”，于是选择了“API 调用本地 AI 服务”的绕路，结果既慢、质量也不稳定。

为什么要优化

实测表明：只要在 tool 的返回值中用 text 清晰描述下一步 prompt，AI 会正确理解并继续执行。例如：

return {
    content: [
      {
        type: "text",
        text: `✅ 翻译文件导出完成！\n\n${stdout}\n\n📋 下一步操作：\n1. 将生成的 Excel 文件交给翻译人员进行翻译\n2. 翻译完成后，AI 助手可调用相应工具导入翻译内容`,
      },
    ],
};

这意味着我们可以把“流程编排”交给 AI，而工具仅负责“提供能力与结果”。

两种运行模式

为兼顾不同环境，我将工具拆分为两种模式，逻辑一致，仅运行入口不同。

本地 NPX 模式

1. 创建配置
2. 完善配置 → 编辑配置文件
3. 生成工具文件
4. 提取文本 → 提取/判断/替换
5. 导出文本
6. 翻译处理

MCP 服务模式

1. AI 创建配置
2. 生成工具文件 → 配置路径别名，并设置 provide
3. 收集候选文本
4. AI 智能分析与翻译
   • 判断哪些文本需要国际化
   • 为需要国际化的文本生成语义化 key
   • 直接翻译到所有目标语言
5. 执行替换
6. AI 语法检查
7. 导出翻译
8. 翻译处理

维护与更新

• 翻译更新
• 新增文本（增量处理）

国际化提示词

该项目需要国际化，需要中文和英语两种语言，默认语言是中文。请使用 MCP 服务完成国际化。

成果

• 将本地运行与 MCP 服务运行解耦，仅对“提取与判定”做环境拆分，其余逻辑保持一致。
• 完成国际化全流程自动化：每一步执行后只需在返回文本中描述“下一步”，无需修改任何代码文件，即可按步骤完成全流程并生成国际化代码。
• 无 AI IDE 时可使用本地 NPX + 外挂 AI 服务完成全流程；若本地也无 AI API，可降级为纯本地命令模式，此时仅提取“确定需要翻译”的文本，需人工介入判定类内容。

AI 应用举例

在该项目中，我通过 MCP 服务与 IDE 的 AI 对话，实现了多项自动化能力，例如：

• 检查并安装指定 npm 包
• 自动识别项目内容并配置 config 文件
• 添加必要的配置代码
• 识别导出文本并翻译为多语言
• 代码替换后进行语法检查

问题解答

Q：使用该方案实现多语言，有什么成本，会对项目有什么影响
A:

1. 学习成本基本为0，只需要一句prompt即可完成整个流程。
2. 维护成本很低，比起原始的人工实现，环节更少，清晰方便。
3. 对当前项目的代码影响很低，完全不会影响当前项目的代码结构。

Q. 使用者用该工具的流程是怎么样的？
A:
初始化流程

1. 安装MCP服务intl-mcp-server。
2. 一句prompt（例如：该项目需要多语言，需要中文和英语两种语言，默认语言是中文。请使用 MCP 服务完成多语言。）触发整个流程，等待流程执行完成。
3. 导出文本内容excel上传给翻译人员

更新维护流程

1. 翻译人员将翻译内容更新到excel
2. 开发人员将excel导入到项目中

Q：对比人工实现多语言，具体有哪些优势
A:

1. 时间：以一个中等前端项目、1000条文本为例，多语言代码的编写，人工进行文本的查找，替换，需要10个工作日。而通过该工具，仅需30-40分钟（主要卡在AI判断的速度），加上review的时间，1个工作日即可。批量更新翻译内容则只需要1-2分钟。
2. 准确度：人工查找难免会有遗漏而使用该工具会全量进行提取。
3. 翻译：过去翻译需要人工介入，而使用该工具会自动翻译，且会自动进行语法检查。
4. 维护协作：翻译结果可保存并导出成excel，若后续人工介入翻译，只需将翻译结果更新到excel，开发人员将excel导入即可。每次更新的内容清晰可见，开发者不会因为更新出错（只要翻译人员每次修改内容准确，那么每次的更新内容也一定是准确的）。
5. 版本管理：通过google sheet去管理excel的版本，每个版本都清晰可见，且可以回退到任意版本。

Q：使用AI去给项目添加多语言功能，提取成功率有多高？
A：按当前的实现方式几乎可以实现100%准确率（排除AI判断文案出错的情况例如本该提取的文本没有提取）。

Q：是如何做到100%的准确率的？AI幻觉不会影响准确率吗？你们做了什么优化
A：项目多语言是一个很长的流程，如果仅通过prompt指挥AI去完成整个流程，复杂度很高，错误率随步骤增多而明显提升，导致项目最后是否能正常运行都是个问题。 因此我们选择编写code提供工具能力（文本查找、替换等），将本需要人工参与的部分（文本识别、翻译）交给AI，同时编写prompt让AI对整个流程进行编排，这样AI只需要根据提示词完成任务，而无需操心整体的流程，大大提高准确度，几乎是100%准确率（排除AI判断文案出错的情况）。
对比两种方式：
完全使用AI进行文件操作时：

1. 无法做到全流程： 从用户一句prompt，到最终结果，中间需要多次交互，才能完成。
2. 不稳定性： 多语言的实现方式多种多样，AI没办法保证每次的实现相同。
3. 难维护性： 因为生成结果不稳定，后续的更新维护成为问题。 当前的实现方式：
4. 可以做到全流程：只需一句prompt，即可完成整个流程，无需多次交互。
5. 稳定性： 在每个流程执行code工具，代码具有稳定性，执行具有准确度。AI只参与识别文件内容、key生成、翻译的工作，出错率较低，且出错不会影响主流程。
6. 可维护性： 每一次执行的结果相同，后续的文本更新维护很方便。