这事起头得早。两年前我就在 Kindle 上装了法语版《小王子》，打算硬着头皮读。一页下来生词几十个，读两行就得停下来查一个。查完切回来，刚才读到哪一行来着。一本书没翻几页，吃灰去了。
前一阵又想起这事，想起王同学之前给我安利过一个叫 LingQ 的 App，就是干这个的：帮人读原版书学外语。它的玩法大致是这样：
- 书里所有词默认标成蓝色，意思是"你还不认识"；
- 点一个蓝词，弹出释义（内置词典，加上其他用户贡献的翻译），保存后变黄，进入复习队列；
- 真认识的点一下标成已知，变白，不再打扰你；翻页时还留着没动的蓝词，直接算你会了；
- 攒下的生词走间隔复习，隔几天考你一次，另有一条词汇量曲线给你打卡。
我很喜欢这个思路：默认全不认识，读的时候逐个认领，读完一本书顺手收获一个生词本。
但 LingQ 是订阅制，无限查词、无限导入都要开会员。我只想临时用一阵子，为这个再养一个订阅，有点不情愿。正好这段时间一直在用 Claude Code（终端里的编程 agent），那就试试自己攒一个。
思路照着 LingQ 抄，分四步。
第一步，把书弄下来。 拿来开刀的就是那本《小王子》。但做到要发布的时候，Claude 提醒我：圣埃克苏佩里 1944 年才去世，各地对版权到期的算法不一样，这本书还没完全进入公有领域。自己内网里用没人管，放上 GitHub 公开就有风险了。于是换成凡尔纳的《从地球到月球》，1865 年的书，怎么算都是公版，Gutenberg 上有现成的 HTML。下载、清洗、抽成章节和段落，基本是 Claude Code 自己干的，我只管验收。
第二步，离线构建词表。 用 spaCy（一个自然语言处理库）对全文分词，同时做词形还原：把变位形式收回到原形，比如法语里的 vais、va、vont 都算 aller。这一步不做的话，一个动词的六种变位会被当成六个生词，词典和复习量直接翻几倍。再按词频给高频词预置"已认识"，不然第一章满屏高亮，没法看。
第三步，建词典。 这是整个项目里我最满意的一步。一开始我想的是阅读时在线查词，每次调一下大模型 API，一个词几百毫秒，读起来很卡。后来换了个角度：一本书的词表是有限的，几千个原形，为什么不提前把整本词典建好？于是把词表切成 12 片，派 12 个 Claude subagent 并行，每个负责一片，直接凭模型自己的语言知识写条目：国际音标、词性、中文释义、变位、原文例句。最后合并成一个 dict.json，查询零延迟，运行时不需要任何大模型。
做到这一步我才回过味来：以前个人搞这种东西，词典是最难过的一关，要么爬有版权的数据，要么一条条录入。现在模型吞过的词典和语料不计其数，它自己就是词典。这活儿放在几年前，个人做不动。
第四步，阅读器加大模型兜底。 前端就一个静态页面，书和词典都是 JSON。手机体验花了最多时间，因为我主要在手机上读：字号、点按热区、防误触，朗读按钮只在设备装了法语语音时才显示。至于整句和词组的翻译，预构建的词典罩不住，划选之后实时调一个 OpenAI 兼容的 LLM 接口。
学习记录上还有个小设计：每个词维护一个整数 k，每"标记认识"一次 k 加一，这个词再次高亮的概率是 0.5^k。标一次还有一半概率再考你，标满四次才基本稳定。纯标记制（标一次就当你会了）太乐观，我对自己还没这个信心。
成品在这里，手机电脑都能直接玩：
https://felix021.github.io/terre-a-la-lune/
流水线和阅读器的源码在 reader-builder。整套流程对语言是通用的，换英语、德语、日语，只是换一个 spaCy 模型，再为每本书写个原文抽取器。
多义词没处理。更麻烦的是变体碰撞：法语里一个词的变位形式，经常和另一个词的原形长得一模一样，这已经超出多义词的范畴了。现在的做法是给同一个释义，凑合看。真要做好，得结合上下文让模型现场判断，但以我目前的词汇量，凑合看已经够用，就没有继续往下抠。
这件事之后，我对付费软件多了一层看法。以前想要一个能力，要么掏钱，要么忍着；现在多了一条路：自己攒一个，一晚上的事。对只是短暂用一下的能力来说，挺划算。
LingQ 比我做得完善得多，该它赚的钱它赚。只是我这种用法太短期，租三个月都嫌长。真要说收获，是我又验证了一次：好多以前个人做不动的事，现在顺手就能做。