保健室的老师与哥特萝莉校医 是保健室的老师系列的第二部
这一作至今 (2026-10-17) 还没有汉化组精翻，尽管 VNDB 上显示有终焉汉化组占坑，但我调查后发现从 2022 年后至今没有新消息和进展（也可能只是我找不到）
而另一个机翻补丁（米饭个人汉化）的质量明显不过关 （我还是用米饭汉化玩完了），于是我就想，都 AI 时代了，现在的 AI 虽然不太说人话，但模型能力、上下文也已经比几年前的模型强了不知多少了
因此正好有这个想法，而且 ZCode 还因为爆雷给了好几张重置卡，那还说啥了，直接开干
Harness 是 ZCode，跑的模型是 GLM-5.3
（现在想想其实应该主会话用 5.3，子代理用 5.3-flash 的）

先让 AI 用 msg_tool 解出了前作和这一作的文本，然后让 AI 自行设计如何去完整的翻译
因为有现成的工具，解包非常简单
在翻译上 AI 的策略是，先将前作所有剧情分割，然后通过子代理去一批一批读，把人物简介、剧情中出现的重要设定、全程的伏笔回收、每一章的梗概等都提炼了出来
尽管人去看总觉得好像有些过于简述或者内涵不够，但其实对于 AI 理解全文来说已经完全够了，AI 总结出前作的主题是：

一期一会与离别的痛苦; 蒲公英=「不是归还, 而是作为新的生命重生」; 归还即为孵化; 「死者就是生者的未来」; 超越性别、生死与物种的爱; 永劫回归式的轮回再会

你别说，还真没毛病，让 AI 读全文然后写一篇介绍或者测评的话，未必在理解上输于正常人

将这篇 AI 整理的 “圣经” 交付给新的会话中的模型，并提供为上下文为其使用
在开始汉化之前的准备工作，AI 就已经把每个场景中的每句话按
id, file, lang, speaker, ja, zh
的格式整理成了方便调用和还原的数据文件

再用基本同样的方法，在前作上下文的基础上为这一作也生成一个类似的 “圣经”

随后，AI 设计了一个方便复用的大致翻译架构出来：

D:\Projects\visual-novel\hokeloli\translation\
├─ PROGRESS.md          # 状态账本：每 chunk 的 pending/running/done/failed，任意会话可续跑
├─ assets\              # 上下文包（静态，所有翻译代理共用）
│  ├─ bible.md          # hokeloli 故事圣经（阶段A产出）
│  ├─ glossary.md       # 术语表（前作定译 + 本作新词）
│  ├─ style.md          # 文风硬规则（从前作实测统计提炼）
│  ├─ voices.md         # 角色语气卡（few-shot 例句对）
│  └─ nametable.csv     # speaker→中文显示名 默认映射
├─ chunks\in\           # 翻译切片输入（CSV）
├─ out\                 # 切片译文输出（CSV，代理直接写文件）
├─ qa\                  # 校验报告
├─ merged\scripts_zh.csv
├─ cn_ast\              # 回填产物（不动 originals）
└─ tools\               # prep/slice/qa/merge/backfill 五个脚本

其实这么一看，原理也很简单，和之前几乎没有太大区别
先利用脚本规范化将剧情文本切成一组一组的块，再用一个提示词模板将需要翻译的文本、剧情梗概上下文和实现约束分配给一个一个子代理
最后再将子代理产出的每个翻译后的块合并为一个文件，再根据记录中的每行对应的文件和行自动填回
（不过…这个 PROGRESS.md 里面的状态实际上子代理没有好好去用，全都跑完了还有很多是 pending 没改）

顺便，因为智谱的超绝敏感肌审查，我还要求了 AI 注意 H 翻对应块可能出现的掐断情况，然后智谱也是争气地直接给刚开始跑的每个子代理掐了
那也没办法，只能自己额外派其他的无审查模型去跑，在 Pi 里派了 Step-5-Preview 跑完了 H 翻，然后填回了数据里

最后再利用 msg_tool 进行封包…结果失败了，AI 把两边的封包逐字节对比了下，说是它写出的索引引擎根本不认，死得无声无息，连日志都没
AI 只能选择自己把封包格式逆向了，然后手写了一个克隆式的封包器来解决（神了）
虽然最后的成果是需要替换原文件而不是补丁式的，但效果很好没有任何问题，况且 5.3 也不算顶级旗舰，这个水平已经很不错了
就是额度真的不耐烧…用了两个周重置和三个 5 小时重置，还差点跑完第三个周额度
在没算之前解包用量的情况下，这次翻译直接用了 1.6 亿 tokens，这都顶我其他项目好几个任务的用量了

这次也算是一次比较有意思的尝试了，虽然我的额度不觉得很有趣
有了这次全量翻译的经验积累，下次再搞也不会怕不知道该怎么做了