用 AI 为自由译者打造按客户分类的术语表记忆

每个周一早上白白浪费的 45 分钟

每位自由译者的周一早上都如出一辙。打开 CAT 工具，翻出上周的项目文件夹，找到客户的风格指南 PDF，定位到术语表格。回想 A 客户偏好"utilisateur"，而 B 客户坚持用"utilisatrice"作为中性表达。回想 C 客户要求正式法语且不得使用缩略形式，而 D 客户习惯使用非正式的 voseo 人称。回想游戏项目里"weapon"保留英文，而"armor"需要翻译。回想，不停地回想。

等你真正进入翻译状态，已经烧掉了整整 45 分钟，全用来重新加载脑中的上下文。一周接手四五个客户，这就是三小时的纯粹上下文加载时间——一分钱都还没挣到。

真正的解决方案既不是再做一张术语表格，也不是再建一个术语数据库，更不是再导出一份 memoQ termbase。真正的解决方案是一个能替你记住每位客户上下文的 AI 智能体，随时随地都能访问。Telegram 上配备按客户分类技能的 Hermes Agent，是目前最经济实惠的实现方式——光是第一个跳过那 45 分钟热身仪式的周一，就足以回本。

客户记忆究竟应该存什么

大多数译者在理论上都明白这一点。实际操作中，每位客户的记忆需要涵盖以下几类具体内容：

术语表：源语词条、首选译文，以及"禁止翻译"规则。
文风偏好：正式或非正式语气，是否允许缩略形式，句子长度容忍度，标题大小写规则。
语调：用平实语言描述的品牌声音，附三四个示例句子。
历史决策："我们在九月通话后讨论并确认，将 'sustainability' 译为 'sostenibilità' 而非 'durabilità'。"
客户特殊习惯："该客户始终使用牛津逗号，不加逗号会被打回来。"
已交付的参考文件，以便智能体调取之前的译法。
禁译列表：品牌名、产品名、特定缩写。

每位客户就这七个类别。在 5 到 20 个客户之间手动维护，正是大多数译者术语库半途而废、Google Doc 备注从不打开的根本原因。

AI 智能体如何替代这套仪式

带有按客户分类技能的 Telegram AI 智能体，把"手动加载上下文"变成了"直接问智能体"。以下是工作中译者实际发给智能体的查询示例：

"A 客户那边，'user experience' 怎么翻？"
"C 客户的写作语调是什么，给我看几个例子。"
"B 客户的交付物里，'Platform' 要大写吗？"
"D 客户刚发来这段文字，和他们的风格指南比一下，标出不符合的地方。"
"把 'geofencing' 加入 A 客户的术语表，译文是 'geolocalizzazione'，依据是今天客户来的邮件。"
"帮我找出我给 B 客户翻译 'onboarding' 的最近三次记录。"
"E 客户发来了两页风格更新，帮我解析并把变更同步到他们的记忆里。"

智能体能从记忆中秒速响应。你永远不需要再去翻 PDF，也不需要搜索表格。开口问，立刻得，继续翻。

术语表是如何建立的

每位客户只需一个晚上。这就是全部的搭建工作。

第一步，粘贴现有资料。 把你现有的术语表 CSV、客户的风格指南 PDF、历史交付文件（如果有的话）全部导入。智能体会读取并将其整理到该客户专属的技能中。

第二步，写一段简短的自由描述。 用两段话描述客户的品牌声音，以及那些从来进不了正式文档的特殊习惯。比如："他们在营销文案中绝对不接受被动语态，在技术文档里则无所谓。他们对 'leverage' 这个词有一种莫名的执念，坚决不用。"

第三步，告知智能体你的工作流程。 "当我在 Telegram 里询问 A 客户相关内容时，始终加载他们的术语表技能。当我粘贴一段以 '#A' 开头的源语文本时，视其为 A 客户的项目。"

就这些。对每位在手客户重复一遍。几周之后，术语表会从你真实的日常查询中自然生长。

在 CAT 工具工作流中的日常使用

你仍然在 Trados、memoQ、Wordfast 或 Phrase 里工作。智能体不替代 CAT 工具，而是作为补充，显示在你第二块屏幕的另一个应用里，或者放在手机上。

早上 9:00。 打开周一的 A 客户项目，开始之前，在 Telegram 里输入："#A 最新的术语表状态是什么？"智能体返回前 20 个词条，以及上周一以来的所有变更。

9:17。 源语段落是"implement the new geofencing feature"，你不确定 geofencing 是否已经定稿。输入"#A geofencing"。智能体回复："上周四已锁定，译文为 'geolocalizzazione'，来源邮件已附上。客户明确拒绝将 'geofencing' 作为英语借词保留。"

9:45。 你碰到一段不确定语调的文本，把它粘进 Telegram："#A 这段符合他们的风格吗？"智能体读取这段文字，与风格指南比对后返回："略微偏正式。建议将 'vi permettiamo di' 改为 'ti aiutiamo a'，与他们三月通讯的语调一致。"

11:30。 客户来邮件更新了一个词条，你把邮件转发给智能体："#A 把这个加到术语表。"智能体读取、更新、确认。不需要再手动改表格。

周六下午。 你正在做 A 客户的新项目，做到一半，突然觉得某个词似曾相识。你输入："#A 我们以前见过 'predictive scheduling' 吗？"智能体回复："见过，是 3 月 14 日的项目，你当时译作 'pianificazione predittiva'，来源邮件和最终交付的段落已附上。"

为何优于共享术语库

memoQ 的 QTerm 或 Trados 的 MultiTerm 这类共享术语库工具，本就是为解决这类问题而生的。它们确实管用，但也相当死板。有三件事它们做不到，智能体却能做到。

用自然语言提问。 你不能用英语查询 memoQ，只能逐级点击对话框。而智能体接受"C 客户的语调是什么"这样的问题，并给你一段文字作答。每次快一点，一天下来就是几十次的积累。

解释背后的原因。 术语库告诉你词条，智能体告诉你词条加上理由："B 客户要求 'platform' 小写，因为他们的品牌主笔在 2024 年的风格更新中明确写了这一点。"当你需要为某个选择作辩护时，理由至关重要。

记住从未进入术语库的决策。 大多数译者不会把每一个决定都添加到术语库，因为那太费劲。但他们会给自己发 Telegram 消息。在 Telegram 里拥有持久化记忆的智能体，会免费捕获这些决策，因为它本身就在那个频道里。

智能体不能替代什么

有三件事仍然需要你自己来做。

CAT 工具本身。 分句、翻译记忆匹配、质检、交付格式——这些是 CAT 工具的本职工作，继续用。

客户关系。 打一个五分钟的电话敲定一个棘手的术语，写一封邮件解释你为何选择某种译法——这些是人与人之间的事，永远如此。

最终判断。 智能体的术语建议只是起点。如果某个段落需要打破规则，就打破它。你才是译者。

对在职自由译者的经济账

数字说话。一位全职自由译者每天花 6 小时实际翻译、2 小时用于上下文加载、质检、行政和客户沟通，实际上每天损失了 2 小时的潜在收入。通过按客户分类记忆，哪怕每天只减少 30 分钟的上下文加载，按每词 0.10 到 0.12 欧元或美元的平均稿费和正常翻译速度计算，每月大约能多创造 150 欧元或美元的价值。

Hermify 上的 Hermes Agent 每月 12 美元，加上你自己的 LLM API 用量——这类用法通常每月只需几美元。一周内省下来的一小时，就足以支付全年费用。一个月省下来的十小时，够你去度个不错的假期。

关于保密性的那一章

翻译工作往往附带保密协议，这是合理的顾虑。Hermes Agent 运行在你自己的 LLM API 密钥上，这意味着 API 调用直接从你的智能体发送到你的服务商，不经过任何第三方 SaaS。你的客户数据只存在于你、你的智能体和你的 LLM 服务商（OpenAI、Anthropic 等）之间，受各自的数据政策约束。如果你的某些客户明确要求使用本地模型，你也可以用开源模型和自托管端点运行 Hermes，搭建起来麻烦一些，但完全可行。

无论哪种方式，都比"我把客户文档粘进 ChatGPT 问了个问题"这种大多数自由译者私下都在做的事，有着更清晰的隐私保障。

这个周末就能搭起来

在 Hermify 上启动一个 Hermes Agent。 60 秒搞定。
挑选你最重要的 3 位客户。 把他们的术语表、风格指南、语调示例和特殊习惯都加载进去。
设置标签简码。 "#A"、"#B"、"#C"，快速切换客户上下文。
用智能体完整工作一周。 周末回顾一下你向智能体问得最多的内容，那些话题就是接下来需要新建的技能或术语表条目。
接下来两周内陆续添加其余客户。 用懒人方式：客户的下一个项目来了再添加，而不是一次性批量录入。

不到一个月，你就不会记得以前是怎么没有它工作的。