大家好，我是 Axton。AI 翻译在今天已经相当普及，虽然相较于过去的机器翻译已有了质的飞跃，但离完美似乎总差那么一点。尤其在处理专业或复杂文本时，那份”信达雅”的追求常常让我们感到力不从心。不过，（更新至 2025-05）AI 领域的一项突破性进展，正为我们带来了曙光。AI 界的大神吴恩达 (Andrew Ng) 教授开源的”反思工作流”，通过精妙的提示工程 (Prompt Engineering)，让 AI 不仅能翻译，更能”思考”如何改进翻译。这意味着，我们有机会获得高度定制化且质量上乘的翻译成果。今天，我将带你深入了解这一方法，并分享我如何在 Coze 平台上完美复刻这一流程，让你也能轻松拥有一个超级翻译助手。
AI 翻译的瓶颈与”反思”的智慧
AI 翻译的现有水平虽高，但吴恩达教授的”反思工作流”通过引入迭代优化和细节定制，开创了高质量 AI 翻译的新范式。
我们先来看一个直观的对比。在我用 Coze (更新至 2025-05) 搭建的超级翻译聊天机器人中，我输入了一段英文：”The sun dipped behind the mountains, painting the sky in vibrant hues of orange and pink. A gentle breeze rustled through the trees, carrying the sweet scent of blossoms. In the distance, a bird chirped its evening song, bidding farewell to the beautiful day.”
AI 的初始翻译，也就是草稿，是这样的：”夕阳西下群山背后，天空被染上了鲜艳的橙色和粉红色。微风吹过树林带来阵阵花香。远处一只鸟啁啾着晚歌，告别这美好的一天。” 这段翻译虽然准确，但略显平铺直叙。
而经过”反思工作流”优化后的最终翻译则是：”夕阳西沉，将群山染上了一层金边，天空被渲染成一片橙粉交织的绚丽色彩。清风拂过树梢，送来阵阵花香。远处一只小鸟唱着婉转的歌，为这美好的一天画上句号。” 是不是感觉意境和文采都提升了不少？这正是”反思”的力量。
吴恩达老师的这个工作流，其核心在于两大创新点。首先，它采用了初始翻译、反思、优化的三步迭代流程。第一步，一个 AI 模型进行初步翻译，产出草稿。第二步，另一个 AI 模型扮演批判者的角色，对草稿进行评估，找出可改进之处，并提出具体的修改建议。第三步，第三个 AI 模型则根据这些反思建议，对初始翻译进行润色和优化，最终输出高质量的译文。这种迭代不仅提升了翻译的整体质量，更让 AI 仿佛拥有了自我审视和学习的能力。
其次，该工作流引入了文本分块处理和特定国家地区语言习惯的指定。对于长篇文章，将其分割成小块进行处理，不仅能有效规避 AI 输出长度的限制，更关键的是，AI 在聚焦于小段文本时，其优化的精度会显著提高。同时，如果我们能告知 AI 目标语言的具体国别习惯，例如是输出英式英语还是美式英语，翻译结果就能更贴近目标读者的文化背景和阅读习惯。若再辅以自定义的语气词和专业术语表，翻译的精准度无疑将更上一层楼。
我的 Coze 复刻之旅：让反思工作流触手可及
我基于 Coze 平台，成功复刻了吴恩达教授的这套反思翻译工作流，并将其封装成了易于使用的聊天机器人。
你可能会好奇，为什么选择 Coze？Coze 是一个强大的 AI Bot 聊天机器人开发平台，无论你是否具备编程背景，都能在上面快速搭建各类基于大语言模型的问答机器人，并能轻松发布到各大社交平台。我最初接触 Coze，正是因为它慷慨地提供了免费使用 GPT-4 Turbo (更新至 2025-05) 的额度。但它更吸引我的，是其强大的工作流 (Workflow) 构建功能，它允许我们设计和实现包含条件分支、代码块、批处理等复杂逻辑的自动化流程。这正是我复刻”反思翻译工作流”所需要的。
我制作了两个版本的超级翻译智能体：”简洁版”和”强力版”。简洁版实现了反思翻译的核心流程，而强力版则在核心流程基础上增加了对长文本的分块处理功能。这两个版本我都已经分享出来，链接会放在视频描述中，你可以直接体验。
让我们先一睹这个核心工作流（我命名为 Super Translation Core）的风采。当我输入之前那段英文，设定源语言为英文，目标语言为中文，并点击运行时，工作流的节点会依次亮起：绿色代表已成功运行，蓝色代表正在运行。很快，整个流程便顺利结束。在中间节点，我们可以清晰地看到翻译草稿与最终优化结果的对比，例如草稿中的”远处一只鸟啁啾着晚歌”，在优化后变成了”远处一只小鸟哼着小曲”，意境更为生动。
完整视频请点击观看：
深入 Coze：一步步搭建反思翻译的核心工作流
构建这个反思翻译工作流虽涉及多个节点，但只要理解了每个节点的功用，你也能轻松上手。
这个工作流的起点是一个”开始”节点，它负责接收四个输入参数：源语言、目标语言、待翻译文本，以及一个可选的参数——指定翻译结果需符合哪个国家或地区的语言习惯。其中，前三个是必填项。
紧接着是”初始翻译”节点，这是一个大语言模型 (LLM) 节点。在这里，你可以选择 Coze 支持的任一模型，如 GPT 系列或 Gemini。值得一提的是，Coze 对模型使用有额度限制，如果一个模型用超了，可以灵活切换到其他模型继续。这个节点的提示 (Prompt) 非常简洁，就是要 AI 将提供的文本翻译成目标语言，不作任何额外解释，纯粹输出翻译文本。这个翻译结果，我们称之为 Translation1，即翻译草稿。
为了提升用户体验，考虑到三次 AI 调用可能会比较耗时，我加入了一个可选的”消息”节点。它会在初始翻译完成后，先将草稿结果展示给用户，并提示”请耐心等待优化翻译结果出场”，让用户知道工作流仍在正常运行。
接下来是一个关键的”条件” (Condition) 节点。因为我们在输入参数中设置了可选的”国家地区”选项，AI 的提示语会因此有所不同。这个条件节点会判断用户是否提供了该参数：如果提供了，流程会走向一个分支；如果未提供，则走向另一个分支 (else)。
反思与优化：工作流的核心智能
无论进入哪个分支，后续都会连接到”反思翻译”节点。这也是一个 LLM 节点，但其 Prompt 要复杂得多。它的核心任务是整合所有输入参数（源文本、目标语言、国家地区习惯等）以及前一步生成的翻译草稿 (Translation1)，然后要求 AI 根据一系列评估标准（如准确性、流畅性、风格、术语等）对草稿进行批判性审视，并提出具体的、有建设性的改进建议清单。这份 Prompt 的设计，我基本沿用了吴恩达教授开源项目中的思路。如果用户指定了国家地区，Prompt 中会额外强调最终翻译的风格和语调需匹配该地区的口语习惯。
反思完成后，就进入了”优化翻译”节点，这同样是一个 LLM 节点。它的任务是接收初始翻译的草稿 (Translation1) 和”反思翻译”节点给出的改进建议（我们称之为 reflection1 或 reflection2，取决于上一步条件分支的结果），然后综合这些信息，对草稿进行编辑和优化，输出最终的翻译文本，我们命名为 translation2。由于条件分支确保了在一次执行中，reflection1 和 reflection2 只有一个会有内容，所以将它们同时作为输入参数并不会产生冲突。
最后，这个 translation2 会被传递给”结束”节点，标志着整个工作流的圆满完成。在实际测试运行中，我们再次输入那段英文，工作流顺利执行，输出的优化结果依然令人满意：”夕阳西下群山背后，天空被染成了鲜艳的橙红色。微风轻拂树梢带来淡淡花香。远处一只小鸟，哼着小曲，告别着美好的一天。” 效果确实比草稿提升了不少。
从核心到强力版：Coze 复刻进阶与应用
在掌握了核心反思翻译流程后，通过引入代码节点实现文本分块，我们就能构建出能处理长文的”强力版” Coze 复刻翻译机器人。
吴恩达老师工作流的另一个核心特点是引入了长文本分块处理。基于我们已经创建的 Super Translation Core 工作流，实现这一功能并不复杂。整体思路是：首先，使用一个”代码”节点将长文本智能地分割成若干小块。然后，针对每一个文本块，调用一次我们之前创建的 Super Translation Core 工作流进行翻译和优化。最后，再将所有文本块的翻译结果按顺序拼接起来，形成完整的最终译文。这个过程虽然听起来步骤多了些，但 Coze 平台提供的工具能让实现过程相对顺畅。
工作流搭建完成并测试成功后，我们就可以将其发布 (Publish)。发布后，便能轻松地将这个工作流集成到一个新的聊天机器人中。创建机器人时，我们给它取个名，比如”超级翻译测试版”，选择一个合适的模型，如 GPT-4O (更新至 2025-05)。关键在于”技能” (Skills) 设置，我们只需添加刚刚发布的那个工作流。
更重要的一步是精心设计聊天机器人的提示 (Prompt)。我通常会明确指示：”你必须调用 XXX 工作流来执行翻译任务。” 这样做是为了防止 GPT 模型自作主张地使用其内置翻译功能，从而绕过了我们精心设计的反思流程。其余的 Prompt 内容，大家可以根据实际翻译效果和个人偏好进行调整。配置妥当后，直接向机器人发送待翻译的英文文本，它便会自动调用工作流，先输出初始翻译，稍作等待后，给出优化后的精良译文。
全局性核心要点总结
在我看来，这次 Coze 复刻吴恩达反思翻译工作流的实践，揭示了几个关键点。首先，AI 的能力远不止于简单执行命令，通过巧妙的提示工程和工作流设计，我们可以引导 AI 进行更深层次的”思考”和”迭代优化”，这对于提升复杂任务的处理质量至关重要。其次，Coze 这样的低代码/无代码平台极大地降低了技术门槛，使得非程序员也能构建出强大的 AI 应用，将前沿的学术成果转化为实用工具。再者，无论是翻译还是其他 AI 应用场景，引入”反思”或”自我校正”的机制，都是提升输出质量、逼近人类专家水平的有效途径。最后，模块化和可组合性是未来 AI 应用发展的重要趋势，将核心功能封装成可复用的工作流，再根据需求进行扩展和组合，能极大地提高开发效率和应用的灵活性。
独特深度洞见
这次实践让我深刻体会到，AI 的发展正从单纯追求模型参数的”大”，转向追求应用效果的”精”与”巧”。吴恩达教授的”反思工作流”并非依赖于一个全新的、更庞大的模型，而是通过对现有模型能力的创造性编排，实现了性能的跃升。这启示我们，在 AI 应用的探索中，除了关注模型本身，更要重视”如何用好模型”的智慧。未来，真正能释放 AI 潜力的，或许正是这些能将 AI 能力巧妙组织、引导其发挥最大效能的”工作流工程师”和”提示艺术家”。
今天的分享就到这里。我是 Axton，致力于带你用实战解锁 AI 与自动化的商业价值。希望这次的 Coze 复刻能为你打开一扇新的大门。
