AI 引擎：不只是翻译

为什么 DevLingo 不直接用词典 API？简单的 API 查询返回的是静态、无上下文的信息。DevLingo 的 AI 引擎做的是三件字典做不了的事。

1. 上下文理解

字典说 “deploy” 就是”部署”。但开发者需要知道：

场景	含义	例句
部署应用	发布到生产环境	”We deployed the new version to production.”
配置资源	分配/启用资源	”Deploy additional servers to handle traffic.”
战术（军事用语）	展开、部署	”The team is deployed across different time zones.”

DevLingo AI 知道你在 Xcode 中阅读代码，所以强调第一种含义。你在 HR 软件中看到 “deploy”，也许更相关的是第三个意思。

{ "sourceApp": "com.apple.dt.Xcode" }
→ AI 调整回应风格：技术导向、代码相关例句优先

{ "sourceApp": "com.tinyspeck.slackmacgap" }
→ AI 调整回应风格：团队沟通、更口语化

:::tip 应用感知 DevLingo 通过 NSWorkspace 获取当前活跃应用的 Bundle Identifier，传给 Claude。AI 据此调整回应。 :::

2. 结构化输出

字典返回一个文本块。DevLingo AI 返回结构化的 JSON：

Word 模式

{
  "word": "idempotent",
  "ipa": "/ɪˈdɛmpətənt/",
  "pos": "adjective",
  "definition_en": "Describing an operation that, when applied multiple times, produces the same result as when applied once.",
  "meaning_zh": "幂等的；多次应用与应用一次结果相同",
  "examples": [
    {
      "en": "Ensure your API endpoints are idempotent to handle retry requests safely.",
      "zh": "确保 API 端点是幂等的，以安全地处理重试请求。",
      "context": "API design"
    },
    {
      "en": "This function's idempotent nature makes it safe to call multiple times.",
      "zh": "这个函数的幂等特性使其可以安全地多次调用。",
      "context": "Function design"
    }
  ],
  "synonyms": [
    {
      "word": "repeatable",
      "difference": "更通用；指任何可重复的操作。'idempotent' 更专业、更精确。"
    }
  ],
  "collocations": [
    "idempotent operation",
    "idempotent function",
    "idempotent API"
  ],
  "grammar_notes": "形容词，不可数。在技术文档中常作定语或补语使用。",
  "l1_tips": {
    "zh": "中文中没有对应的日常词汇。记住 'idempotent' 是数学/编程术语，与中文的 '幂等' 对应，但在技术讨论中直接使用英文更常见。"
  },
  "tech_pronunciation": {
    "ipa": "/ɪˈdɛmpətənt/",
    "common_mispronounce": "i-DEM-po-tent（错误；重音应在 DEM）",
    "correct_stress": "i-**DEM**-pu-tunt",
    "etymology": "源自数学术语，来自拉丁文 'idem'（相同）和 'potent'（强大）"
  }
}

每个字段在 UI 中对应不同的卡片区域。不是一堆文字，而是精心组织的学习材料。

Phrase 模式

{
  "phrase": "rubber ducking",
  "type": "compound (noun phrase)",
  "register": "informal / tech culture",
  "definition_en": "A debugging method where you explain your code to a rubber duck (or any object), often revealing bugs through the act of articulation.",
  "meaning_zh": "通过向橡皮鸭（或任何物体）解释代码来调试，通常通过表述过程就能发现问题的方法。",
  "stress_pattern": "RUB-ber DUCK-ing",
  "usage_patterns": [
    {
      "pattern": "[Subject] [is/uses] rubber ducking",
      "example": "I've been rubber ducking this problem for 10 minutes and just found the issue.",
      "zh": "我一直在进行 rubber ducking，10 分钟后发现了问题。"
    },
    {
      "pattern": "[Let's] do some rubber ducking [on X]",
      "example": "Let's do some rubber ducking on this algorithm.",
      "zh": "让我们对这个算法进行 rubber ducking。"
    }
  ],
  "alternatives": [
    {
      "phrase": "debugging by explanation",
      "note": "更正式的说法；不如 'rubber ducking' 有文化特色"
    },
    {
      "phrase": "talk it out",
      "note": "更口语；没有特指调试方法"
    }
  ]
}

3. 开发者增强

技术术语识别

如果输入是开发术语，AI 给出额外信息：

单词：latency
标准输出：definition, examples, pronunciation...

额外输出（仅技术术语）：
• 相关度量：毫秒（ms）/ 微秒（μs）
• 与之对应的概念：throughput, bandwidth
• 实战场景："P99 latency < 100ms" 是什么意思
• 行业基准：一般网络延迟 50ms，不好的是 500ms+

场景化例句

不是”猫坐在垫子上”，而是：

单词：concurrent
例句（来自真实开发）：
1. "This function is not concurrent-safe; you need to add locking."
   → 代码审查场景
2. "We redesigned the system to handle concurrent requests efficiently."
   → 架构设计场景
3. "Make sure your HTTP client supports concurrent connections."
   → 性能优化场景

L1（第一语言）干扰提示

根据用户的母语，AI 主动指出常见陷阱：

用户：中文母语
单词：article / the / a

AI 提示：
"中文母语使用者常见问题：中文没有冠词，但英文区分 definite article (the) 和 indefinite article (a/an)。

错误例：'I saw cat' → 'I saw a cat' 或 'I saw the cat'（取决于上下文）

记忆法：每个可数名词在英文中通常需要冠词。中文里'猫'就是猫，英文里必须说'一只猫'或'那只猫'。"

:::note L1 干扰 这是 DevLingo 的独特之处。标准字典不会告诉你”你这个词可能用错的原因是你的母语背景”。 :::

AI 模型：Claude by Anthropic

DevLingo 选择 Claude 的原因：

1. 结构化输出能力强：Claude 擅长生成格式化的 JSON，可靠性高
2. 上下文理解深：Claude 能理解应用语境、代码上下文、L1 干扰
3. 开发者友好：Claude 对技术术语、代码、开发工作流的理解优于通用 LLM
4. 可控性：通过 prompt 工程，DevLingo 能精确控制输出格式和质量

提示工程（Prompt Engineering）

DevLingo 的 Claude 调用包含精心设计的 prompt template：

You are an English learning assistant for developers.
The user selected: "{selectedText}"
Mode: {mode}
User's native language: {userLanguage}
Current application: {sourceApp}
Surrounding context: "{context}"

Respond with JSON in the following structure:
{
  "mode": "word|phrase|sentence|paragraph|express",
  ... [detailed schema]
}

Important:
1. Examples must be from software development context
2. Provide 2-3 examples per item
3. For native speakers of {userLanguage}, highlight common interference patterns
4. If applicable, note pronunciation and stress patterns
5. Keep definitions concise (< 20 words)

这个 prompt 确保：

• 输出格式一致
• 例句来自开发语境
• L1 干扰被重视
• 结果对学习有针对性

对比：字典 vs DevLingo AI

功能	字典 API	DevLingo AI
基础定义	✓	✓
多个例句	✓（通常无针对性）	✓（都是技术场景）
上下文感知	✗	✓（知道你用的什么应用）
L1 干扰提示	✗	✓
结构化输出	✗（只是文本）	✓（JSON，UI 友好）
技术术语加成	✗	✓（etymology, 行业基准等）
同义词辨析	✗（列出同义词）	✓（解释差异）
发音与 IPA	✓（部分）	✓（完整 + 4 种口音）

成本与性能的平衡

:::note 为什么分层不用 AI DevLingo 的分层查询系统确保：

• 常用词汇（命中本地库）：0ms AI，100% 快
• 缓存命中（用户之前查过）：0ms AI，100% 快
• 冷门词汇（AI 调用）：<2s 完成，仍然快

这样用户 95% 的查询无需 API 调用，既降低成本，也提升体验。 :::

DevLingo 的 AI 引擎不是为了”翻译”，而是为了”理解和教学”。它知道你在做什么，知道你的语言背景，知道怎样教你才最有效。