我用Claude Code把X和LinkedIn的AI资讯自动翻译成中文，打造自己的双语情报台

我是怎么用Claude Code把X和LinkedIn的AI资讯自动翻译成中文的

问题背景

过去半年，我每天早上花40分钟刷X和LinkedIn，试图追踪AI领域的最新动态。但英文信息流太庞杂了——X上一小时能产生几百条相关推文，LinkedIn的算法又偏爱本地内容，我的英文资讯密度其实很低。更要命的是，有些关键资讯我看完英文摘要觉得不重要，但一个月后才发现那篇文章改变了整个行业方向。

我算过一笔账：每周5小时在信息流里找内容，实际转化为认知的部分不到15%。这种效率让我开始思考，与其被人肉筛选，不如让机器帮我做第一层过滤。

为什么这件事没那么容易做

我们一开始以为这只是「调用翻译API」的问题。花两天搭好基本流程后，发现真正卡住的是三件事。

第一，X的API权限问题。个人开发者账号能拿到的推文量有限，而且频率限制很严格。直接用API抓容易触发风控，需要做请求间隔控制。

第二，翻译质量参差不齐。大段技术讨论直接扔给翻译工具，出来的结果经常丢失上下文。比如「Context Window」这种术语，翻成「上下文窗口」还是「上下文窗」取决于文章语境。

第三，维护成本会快速膨胀。最开始我只监控5个账号，配置写在脚本里。后来每加一个数据源就要改代码，两周后脚本里全是if-else。

根因：配置驱动的端到端流水线

我把整个系统拆成四个独立模块：数据源配置、过滤规则、翻译任务、输出格式化。所有配置通过YAML文件管理，Claude Code负责执行调度。

首先是数据源配置，用YAML定义要监控的账号和关键词：

# sources.yml
data_sources:
  - platform: x
    accounts:
      - username: anthropicai
      - username: opengpai
    keywords: ["LLM", "reasoning", "agent", "context window"]
    max_results: 20
    
  - platform: linkedin
    company_ids:
      - "12345678"  # 示例ID，非真实
    keywords: ["AI model", "foundation model", "artificial intelligence"]
    max_results: 10

schedule:
  interval_minutes: 120
  timezone: Asia/Shanghai

然后用Python脚本驱动Claude Code执行翻译任务。核心思路是把YAML配置作为任务输入，Claude Code自动决定哪些内容需要翻译、怎么保持术语一致性：

# translate_task.py
import yaml
from anthropic import Anthropic

client = Anthropic()

def load_config(path):
    with open(path) as f:
        return yaml.safe_load(f)

def translate_content(content, context):
    """调用Claude翻译，保留术语一致性"""
    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=4096,
        messages=[{
            "role": "user", 
            "content": f"""翻译以下内容为中文，保持技术术语一致性：
            
上下文：{context}
内容：{content}

要求：
- 保留原文以便对照
- 术语首次出现时加注英文原文
- 保持原文格式和链接"""
        }]
    )
    return response.content[0].text

def process_sources(config):
    """处理所有数据源，生成双语报告"""
    results = []
    for source in config['data_sources']:
        content = fetch_content(source)  # 实际从API获取
        for item in content:
            translated = translate_content(item['text'], item['context'])
            results.append({
                'source': source['platform'],
                'original': item['text'],
                'chinese': translated,
                'url': item['url']
            })
    return results

if __name__ == "__main__":
    config = load_config('sources.yml')
    report = process_sources(config)
    save_as_markdown(report)  # 输出为可读报告

这套设计的关键是把「做什么」和「怎么做」分离。YAML定义数据源和调度策略，Python脚本负责执行逻辑，Claude负责翻译质量。你要新增一个数据源，只需要往YAML里加配置，不用改任何代码。

可移植的原则

1. 如果你在构建信息自动化系统，用配置文件替代硬编码的参数。把数据源、过滤规则、输出格式都写成YAML，后续调整不需要改代码。
2. 如果你在处理多平台内容，优先解决API权限和频率限制，而不是直接写业务逻辑。做一层请求抽象，方便后续切换数据源。
3. 如果你在用LLM做翻译，在提示词里明确术语处理规则。让模型在首次遇到技术术语时保留英文原文，减少歧义。
4. 如果你在设计调度系统，从固定间隔开始，不要过度优化。根据实际内容更新频率调整调度策略。

结尾

这套系统的实际效果是：我现在每天花5分钟扫一遍双语报告，就能掌握X和LinkedIn上最重要的AI动态，英文原文随时可查。要开始的话，先从最小的数据源开始——比如只监控3个账号、每两小时抓一次——跑通端到端流程后再扩展。