Azure-co-op-translator/translations/pl/README.md

Co-op Translator

Easily automate and maintain translations for your educational GitHub content across multiple languages as your project evolves.

Zacznij tutaj: Wybierz swój przepływ pracy | Konfiguracja | CLI | Python API | Serwer MCP

🌐 Wsparcie wielu języków

Obsługiwane przez Co-op Translator

Arabski | Bengalski | Bułgarski | Birmański (Myanmar) | Chiński (uproszczony) | Chiński (tradycyjny, Hongkong) | Chiński (tradycyjny, Makau) | Chiński (tradycyjny, Tajwan) | Chorwacki | Czeski | Duński | Niderlandzki | Estoński | Fiński | Francuski | Niemiecki | Grecki | Hebrajski | Hindi | Węgierski | Indonezyjski | Włoski | Japoński | Kannada | Khmerski | Koreański | Litewski | Malajski | Malajalam | Marathi | Nepalski | Pidgin nigeryjski | Norweski | Perski (Farsi) | Polski | Portugalski (Brazylia) | Portugalski (Portugalia) | Pendżabski (Gurmukhi) | Rumuński | Rosyjski | Serbski (cyrylica) | Słowacki | Słoweński | Hiszpański | Suahili | Szwedzki | Tagalog (filipiński) | Tamilski | Telugu | Tajski | Turecki | Ukraiński | Urdu | Wietnamski

Wolisz klonować lokalnie?

To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacząco zwiększa rozmiar pobierania. Aby sklonować bez tłumaczeń, użyj sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/Azure/co-op-translator.git
cd co-op-translator
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/Azure/co-op-translator.git
cd co-op-translator
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

To daje wszystko, czego potrzebujesz, aby ukończyć kurs przy znacznie szybszym pobieraniu.

Przegląd

Co-op Translator pomaga lokalizować treści edukacyjne na GitHub na wiele języków bez wysiłku. Gdy aktualizujesz pliki Markdown, obrazy lub notebooki, tłumaczenia pozostają automatycznie zsynchronizowane, zapewniając, że Twoje materiały są dokładne i aktualne dla uczących się na całym świecie.

Używaj go z CLI do tłumaczenia repozytorium, z API Pythona do automatyzacji lub przez serwer MCP do przepływów pracy z agentami i edytorami.

Przykład organizacji przetłumaczonej zawartości:

Dlaczego Co-op Translator?

Tłumaczenie jednego pliku jest proste. Utrzymanie całego repozytorium dokumentacji przetłumaczonego, powiązanego i aktualnego to trudne zadanie.

Problem	Jak Co-op Translator pomaga
Long docs are not one prompt	Duże pliki Markdown są dzielone na fragmenty, dzięki czemu długi README nie zależy od jednej kruchej odpowiedzi modelu. Jeśli fragment się nie powiedzie, Co-op Translator może ponowić próbę i ponownie podzielić tylko nieudany fragment.
Incomplete translations should not be marked current	Ucięte tłumaczenie nigdy nie powinno być oznaczone jako aktualne. Co-op Translator sprawdza integralność tłumaczeń przed zapisaniem i potrafi wykryć strukturalnie niekompletne istniejące tłumaczenia.
Links should match the translated repo structure	Ręczne tłumaczenia często pozostawiają względne linki wskazujące z powrotem na drzewo źródłowe. Co-op Translator przepisuje linki do Markdown, notebooków, obrazów i README, aby pasowały do struktury translations/<lang>/....
Translation should work across an entire repo	Co-op Translator obsługuje pliki README, dokumentację, notebooki i tekst na obrazach jako część jednego przepływu pracy repozytorium, zamiast tłumaczyć pliki pojedynczo.
Maintaining translations matters more than creating them once	Hash'e źródeł i metadane tłumaczeń pozwalają Co-op Translator znaleźć przestarzałe pliki, pominąć niezmienione pliki i utrzymać zsynchronizowaną zawartość tłumaczeń w miarę ewolucji repozytorium źródłowego.

Jak zarządzany jest stan tłumaczeń

Co-op Translator zarządza przetłumaczoną zawartością jako wersjonowanymi artefaktami oprogramowania,
a nie jako statycznymi plikami.

Narzędzie śledzi stan przetłumaczonych Markdownów, obrazów i notebooków przy użyciu metadanych z zakresem języka.

Takie podejście pozwala Co-op Translator:

• Niezawodnie wykrywać przestarzałe tłumaczenia
• Traktować Markdown, obrazy i notebooki spójnie
• Skalać bezpiecznie w dużych, szybko zmieniających się, wielojęzycznych repozytoriach

Modelując tłumaczenia jako zarządzane artefakty, przepływy pracy tłumaczeń naturalnie dopasowują się do nowoczesnych praktyk zarządzania zależnościami i artefaktami oprogramowania.

→ Jak zarządzany jest stan tłumaczeń

Powiązane artykuły pogłębione

• Naprawianie uszkodzonego Markdown w tłumaczeniach AI: Utwardzanie potoków produkcyjnych

Zaczynamy

Co-op Translator można używać z poziomu CLI, API Pythona lub serwera MCP. Zacznij od przewodnika po przepływach pracy, jeśli wybierasz między tłumaczeniem lokalnym, automatyzacją, CI i integracją agenta/edytora.

• Wybierz swój przepływ pracy
• Skonfiguruj poświadczenia
• Tłumaczenie z CLI
• Automatyzuj za pomocą Python API
• Połącz z serwerem MCP
• Uruchamianie w GitHub Actions

Minimalny przykład CLI po konfiguracji:

python -m venv .venv
# Windows
.venv\Scripts\activate
# macOS/Linux
source .venv/bin/activate

pip install co-op-translator
translate -l "ko" -md
co-op-review -l "ko"

Dla pierwszych uruchomień na dużych repozytoriach użyj --dry-run przed zapisaniem przetłumaczonych plików. Zobacz Referencję CLI dla flag typów zawartości, logów, przeglądu i migracji linków.

Szybkie uruchomienie kontenera z Bash/Zsh:

docker run --rm -it --env-file .env -v "${PWD}:/work" ghcr.io/azure/co-op-translator:latest -l "ko" -md

Szybkie uruchomienie kontenera z PowerShell:

docker run --rm -it --env-file .env -v ${PWD}:/work ghcr.io/azure/co-op-translator:latest -l "ko" -md

Funkcje

• Zautomatyzowane tłumaczenia dla Markdown, notebooków i obrazów
• Utrzymuje tłumaczenia w synchronizacji ze zmianami źródła
• Działa lokalnie (CLI) lub w CI (GitHub Actions)
• Udostępnia narzędzia do tłumaczenia Markdown, notebooków, obrazów, przeglądu i projektów przez MCP
• Wykorzystuje Azure OpenAI lub OpenAI do tłumaczeń wspieranych przez dostawcę
• Pozwala serwerowi MCP hostować agentów tłumaczących fragmenty Markdown i notebooków bez poświadczeń LLM Co-op Translator
• Używa Azure AI Vision do ekstrakcji tekstu z obrazów i tłumaczeń
• Przegląda strukturę i aktualność tłumaczeń za pomocą deterministycznych kontroli
• Zachowuje formatowanie i strukturę Markdown

Dokumentacja

• Strona dokumentacji
• Wybierz swój przepływ pracy
• Konfiguracja
• Konfiguracja Azure AI
• Referencja CLI
• Python API
• Serwer MCP
• GitHub Actions
• Szablon README dla języków
• Obsługiwane języki
• Współtworzenie
• Rozwiązywanie problemów

Przewodnik specyficzny dla Microsoft

Note

Tylko dla opiekunów repozytoriów Microsoft „For Beginners”.

• Aktualizowanie listy „other courses” (tylko dla repozytoriów MS Beginners)

Wesprzyj nas i wspieraj globalne uczenie się

Dołącz do nas w rewolucjonizowaniu sposobu, w jaki treści edukacyjne są udostępniane globalnie! Daj Co-op Translator ⭐ na GitHub i wspieraj naszą misję przełamywania barier językowych w nauce i technologii. Twoje zainteresowanie i wkład mają znaczący wpływ! Wkłady do kodu i sugestie funkcji są zawsze mile widziane.

Poznaj materiały edukacyjne Microsoft w swoim języku

• LangChain4j-for-Beginners
• AZD for Beginners
• Edge AI for Beginners
• Model Context Protocol (MCP) For Beginners
• AI Agents for Beginners
• Generative AI for Beginners using .NET
• Generative AI for Beginners
• Generative AI for Beginners using Java
• ML for Beginners
• Data Science for Beginners
• AI for Beginners
• Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• PhiCookBook

Prezentacje wideo

👉 Kliknij obrazek poniżej, aby obejrzeć na YouTube.

• Open at Microsoft: Krótkie 18-minutowe wprowadzenie i szybki poradnik, jak korzystać z Co-op Translator.

  

Wkład

Ten projekt zaprasza do wkładu i sugestii. Chcesz przyczynić się do Azure Co-op Translator? Zobacz nasz CONTRIBUTING.md z wytycznymi, jak możesz pomóc uczynić Co-op Translator bardziej dostępnym.

Współtwórcy

Kodeks postępowania

Ten projekt przyjął Microsoft Open Source Code of Conduct. Aby uzyskać więcej informacji, zobacz Code of Conduct FAQ lub skontaktuj się z opencode@microsoft.com w przypadku dodatkowych pytań lub uwag.

Odpowiedzialna sztuczna inteligencja

Microsoft zobowiązuje się pomagać naszym klientom w odpowiedzialnym korzystaniu z naszych produktów AI, dzielić się naszymi doświadczeniami oraz budować partnerstwa oparte na zaufaniu za pomocą narzędzi takich jak Transparency Notes i Impact Assessments. Wiele z tych zasobów można znaleźć pod adresem https://aka.ms/RAI. Podejście Microsoftu do odpowiedzialnej AI opiera się na naszych zasadach dotyczących AI: uczciwości, niezawodności i bezpieczeństwa, prywatności i ochrony, inkluzywności, przejrzystości oraz odpowiedzialności.

Modele dużej skali przetwarzania języka naturalnego, obrazu i mowy — podobne do tych użytych w tym przykładzie — mogą potencjalnie zachowywać się w sposób niesprawiedliwy, zawodny lub obraźliwy, powodując w ten sposób szkody. Zapoznaj się z Azure OpenAI service Transparency note, aby uzyskać informacje o ryzykach i ograniczeniach.

Zalecanym podejściem do łagodzenia tych ryzyk jest uwzględnienie w architekturze systemu bezpieczeństwa, który może wykrywać i zapobiegać szkodliwemu zachowaniu. Azure AI Content Safety zapewnia niezależną warstwę ochrony, zdolną do wykrywania szkodliwych treści tworzonych przez użytkowników i przez AI w aplikacjach i usługach. Azure AI Content Safety obejmuje interfejsy API do analizy tekstu i obrazów, które pozwalają wykrywać materiały szkodliwe. Posiadamy również interaktywne Content Safety Studio, które pozwala przeglądać, badać i wypróbowywać przykładowy kod do wykrywania szkodliwych treści w różnych modalnościach. Następująca dokumentacja szybkiego startu poprowadzi Cię przez wysyłanie żądań do usługi.

Kolejnym aspektem, który należy wziąć pod uwagę, jest ogólna wydajność aplikacji. W przypadku aplikacji multimodalnych i wykorzystujących wiele modeli, wydajność oznacza zgodność działania systemu z oczekiwaniami Twoimi i Twoich użytkowników, w tym niewytwarzanie szkodliwych wyników. Ważne jest ocenianie wydajności całej aplikacji przy użyciu generation quality and risk and safety metrics.

Możesz ocenić swoją aplikację AI w środowisku deweloperskim, używając prompt flow SDK. Mając dane testowe lub cel do osiągnięcia, wyniki generowania Twojej aplikacji generatywnej AI są mierzone ilościowo za pomocą wbudowanych ewaluatorów lub niestandardowych ewaluatorów według Twojego wyboru. Aby rozpocząć pracę z prompt flow SDK w celu oceny systemu, możesz skorzystać z przewodnika szybkiego startu. Po uruchomieniu oceny możesz zwizualizować wyniki w Azure AI Studio.

Znaki towarowe

W tym projekcie mogą występować znaki towarowe lub logotypy projektów, produktów lub usług. Autoryzowane użycie znaków towarowych lub logotypów Microsoft podlega i musi być zgodne z Microsoft's Trademark & Brand Guidelines. Użycie znaków towarowych lub logotypów Microsoft w zmodyfikowanych wersjach tego projektu nie może wprowadzać w błąd ani sugerować sponsorowania przez Microsoft. Każde użycie znaków towarowych lub logotypów podmiotów trzecich podlega zasadom tych podmiotów.

Uzyskiwanie pomocy

Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI, dołącz:

Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas tworzenia, odwiedź: