Engine einrichten mit dem Lokalisierungs-MCP
Konfiguriere eine Lokalisierungs-Engine mit KI-Programmierassistenten über den Lingo.dev MCP server – Markenstimmen, Glossare, Regeln und Modellrouting in einem einzigen Gespräch.
Der Lingo.dev MCP server gibt KI-Programmierassistenten direkten Zugriff auf die Konfiguration deiner Lokalisierungs-Engine. Diese Anleitung zeigt dir, wie du eine Lokalisierungs-Engine von Grund auf einrichtest – von der Installation bis zur vollständig konfigurierten Engine mit Markenstimmen pro Sprache, Glossarbegriffen, sprachlichen Regeln und Modellrouting.
Was du konfigurierst #
| Ebene | Funktion | Beispiel |
|---|---|---|
| Markenstimmen | Tonalität und Formalität pro Sprache | Lockeres „du“ für deutschsprachige Entwicklerinnen und Entwickler, höflich-formelle Ansprache im Japanischen |
| Glossar | Benutzerdefinierte Übersetzungen + nicht übersetzbare Begriffe | „Deploy“ → „Bereitstellen“ im Deutschen, „OAuth“ bleibt überall unverändert |
| Regeln | Sprachspezifische Konventionen | Geschützte Leerzeichen vor französischen Satzzeichen, Zeichen in voller Breite im Japanischen |
| Modellrouting | Modellauswahl pro Sprache mit Ausweichmodellen | Claude Sonnet für europäische Sprachpaare, GPT-4o als Ausweichmodell für Japanisch |
Die ersten drei Ebenen gehören zu deiner Organisation, nicht zu einer einzelnen Engine: Ein Glossar, ein Regelsatz oder eine Markenstimme wird über eine Verknüpfung auf eine Engine angewendet. So kann eine zweite Engine dieselbe Konfiguration nutzen, statt eine Kopie zu benötigen. Das Modellrouting bleibt der jeweiligen Engine zugeordnet.
Das Ergebnis ist eine zustandsbehaftete Übersetzungs-API. Rufe sie aus deinem Code über die Lokalisierungs-API auf, aus der Befehlszeile über die CLI oder automatisch bei jedem Pull Request über CI/CD. Bei jeder Anfrage werden alle Ebenen automatisch angewendet.
Das Problem #
Jede Lokalisierungs-Engine braucht Markenstimmen pro Sprache, Glossarbegriffe, sprachliche Regeln und Modellrouting. All das über ein Dashboard einzurichten, kostet Zeit und erfordert viele wiederkehrende Schritte – besonders beim ersten Mal, wenn du noch herausfindest, was die einzelnen Ebenen leisten und wie sie zusammenspielen.
Mit dem Lingo.dev MCP server kann dein KI-Programmierassistent die Ersteinrichtung in einem einzigen Gespräch übernehmen. Du zeigst ihm die Inhalte deines Produkts, und er erstellt die Engine, verfasst Texte für die Markenstimmen, identifiziert Glossarbegriffe, fügt sprachspezifische Regeln hinzu und konfiguriert das Modellrouting – alles in einem Durchgang. Anschließend führst du eine Prüfung der Ergebnisse durch und passt sie nach Bedarf an.
Schritt 1: MCP installieren #
Füge den MCP server zur Konfiguration deines Programmieragenten hinzu. Melde dich bei Lingo.dev an und genehmige die Verbindung wie unten beschrieben. Die Anleitung für andere Clients findest du unter Einrichtung.
Füge den Server unter mcpServers hinzu: in ~/.claude.json für die Nutzung auf Benutzerebene oder in .mcp.json im Stammverzeichnis deines Projekts für die Nutzung auf Projektebene. Führe den Eintrag mit eventuell vorhandenen Servereinträgen zusammen:
{
"mcpServers": {
"lingo": {
"type": "http",
"url": "https://mcp.lingo.dev/mcp"
}
}
}Geltungsbereich: Organisationen
Die Verbindung handelt in deinem Namen in jeder Organisation, der du angehörst. Gehörst du mehreren Organisationen an, fragt dein Assistent einmal nach, in welcher er arbeiten soll.
Starte deinen Agenten neu und überprüfe die Verbindung, indem du ihn bittest, deine vorhandenen Lokalisierungs-Engines aufzulisten. Ist MCP aktiv, gibt er die Ergebnisse zurück – bei neuen Organisationen eine leere Liste.
Schritt 2: Engine konfigurieren #
Kopiere den folgenden Prompt und füge ihn in deinen KI-Programmierassistenten ein. Ersetze die URL am Ende durch die Website, Dokumentation oder README deines Produkts. Der Agent braucht repräsentative Inhalte, um deine Markenstimme, Terminologie und Zielgruppe abzuleiten.
Create a localization engine called 'My Product' for localizing into
German, French, Japanese, and Spanish. Study the content at the URL
below to understand our tone, terminology, and audience. Then configure
everything in one pass: brand voice texts for each locale (and English),
glossary terms that need consistent translations or should stay
untranslated, and locale-specific linguistic rules.
https://docs.yourproduct.comVergiss die URL nicht
Der Prompt endet mit einer Platzhalter-URL. Ersetze sie durch einen Link zu Inhalten, die die tatsächliche Markenstimme deines Produkts widerspiegeln – etwa Dokumentation, README, Einführungsablauf oder Marketingwebsite. Ohne diesen Link erstellt der Agent eine generische Konfiguration.
Der Agent liest deine Inhalte, erstellt die Engine und konfiguriert alle Ebenen in einem Durchgang. In den nächsten Schritten geht es um die Prüfung und Anpassung seiner Ergebnisse.
Schritt 3: Markenstimmen anpassen #
Führe eine Prüfung der Markenstimme durch, die der Agent erstellt hat. Eine Markenstimme enthält einen Text pro Sprache. Dieser legt fest, wie dein Produkt in der jeweiligen Sprache kommuniziert – mit welcher Tonalität, Formalität und welchem Stil. Der Agent leitet diese Vorgaben aus deinen Inhalten ab, doch ein genauer Blick auf die kulturellen Feinheiten lohnt sich.
Worauf du achten solltest:
| Sprache | Häufige Anpassung |
|---|---|
| Deutsch | „du“ (informell) oder „Sie“ (formell) – je nach Zielgruppe |
| Französisch | „tu“ (informell) oder „vous“ (formell) – Privatkundschaft oder Unternehmen |
| Japanisch | Höflichkeitsstufe – höflich-formell (desu/masu) ist für die meisten Produkte eine sichere Wahl |
| Englisch | Der Text für die Ausgangssprache fehlt oft – ergänze ihn für eine konsistente Ansprache |
Ein gut konfigurierter Markenstimmentext für Deutsch sieht so aus:
Use informal "du" address. Keep a direct, technical tone.
Prefer short sentences. Use active voice. When a German equivalent
exists for a technical term, use it (e.g., "Bereitstellung" for
deployment), but keep widely-adopted English terms as-is
(e.g., API, CLI, Token).Wenn das Sprachregister nicht passt, sag es deinem Assistenten direkt:
The German brand voice is too informal for our enterprise docs.
Switch it to formal "Sie" register.Schritt 4: Glossar anpassen #
Führe eine Prüfung der Begriffe im Glossar durch, die der Agent erstellt hat. Das Glossar lenkt das Modell zu bevorzugten Übersetzungen und gibt vor, welche Namen unverändert bleiben sollen. Der Agent erkennt Begriffe in deinen Inhalten, kann aber produktspezifische Begriffe übersehen oder falsche Übersetzungen wählen.
Ein typisches Glossar nach dem ersten Durchgang:
| Ausgangstext | Zieltext | Ausgangssprache | Zielsprache | Typ |
|---|---|---|---|---|
| Deploy | Bereitstellen | en | de | benutzerdefinierte Übersetzung |
| workspace | espace de travail | en | fr | benutzerdefinierte Übersetzung |
| Lingo.dev | Lingo.dev | * | * | nicht übersetzbar |
| OAuth | OAuth | * | * | nicht übersetzbar |
Worauf du achten solltest:
- Fehlende Begriffe – Namen von Produktfunktionen und interne Fachbegriffe, denen der Agent nicht begegnet ist
- Falsche Übersetzungen – der Agent wählt möglicherweise ein Synonym, das nicht zu deinem etablierten Sprachgebrauch passt
- Fehlende nicht übersetzbare Begriffe – Markennamen, Protokollnamen oder Akronyme, die unverändert bleiben sollen
Begriffe werden anhand ihrer semantischen Ähnlichkeit zugeordnet. Ein Eintrag für „Deploy“ erfasst auch „Deploying“, „deployment“ und „deploy your application“, ohne dass separate Einträge nötig sind. Verwende * als Platzhalter für Begriffe, die für alle Sprachen gelten.
Add a glossary term: 'checkout' should stay as 'Checkout' in
German - it's our product feature name, not the shopping action.Schritt 5: Regeln anpassen #
Führe eine Prüfung der Regeln durch, die der Agent erstellt hat. Regeln sind einzelne, testbare Konventionen für bestimmte Sprachen, zusammengefasst in einem Regelsatz, den die Engine anwendet. Während eine Markenstimme die allgemeine Tonalität vorgibt, halten Regeln fest, was generische Modelle oft übersehen – Zeichensetzung, Abkürzungen, Zeichenbreite und Zahlenformatierung.
Eine typische Regelsammlung nach dem ersten Durchgang:
| Sprache | Name | Regel |
|---|---|---|
| fr | Abstände bei französischen Satzzeichen | Verwende immer ein geschütztes Leerzeichen vor :, ;, ! und ? |
| de | Abkürzungen in deutschen Adressen | Kürze „Straße“ zu „Str.“ und „Nummer“ zu „Nr.“ ab |
| ja | Japanische Zeichenbreite | Verwende Klammern in voller Breite () statt in halber Breite () |
Jede Regel behandelt einen einzelnen Aspekt und lässt sich deshalb separat testen. Wenn deutsche Abkürzungen nicht funktionieren, aktualisierst du nur diese eine Regel, ohne etwas anderes zu ändern.
Worauf du achten solltest:
- Fehlende Regeln – Zahlenformatierung, Datumsformate und Währungskonventionen für deine Zielsprachen
- Ausgangssprache – englische Regeln für das Oxford-Komma, die Großschreibung in Überschriften oder die Zahlenformatierung fehlen oft
In French, there should always be a non-breaking space before
colons and semicolons. Add that as a rule for fr.Schritt 6: Modellrouting konfigurieren (optional) #
Neue Engines sind mit Standardmodellen vorkonfiguriert, die auf Qualität sowohl für verbreitete Sprachen als auch für Sprachen mit wenigen Trainingsdaten optimiert sind. Die meisten Teams müssen daran nichts ändern.
Wenn du besondere Anforderungen hast – etwa ein Modell, das in deinem Fachgebiet gute Ergebnisse liefert, ein begrenztes Budget oder Compliance-Vorgaben –, überschreibe die Standardeinstellungen:
Set Claude Sonnet as the primary model for European language pairs,
with GPT-4o as fallback for Japanese.Jede Modellkonfiguration unterstützt Ausweichmodelle in einer festgelegten Reihenfolge. Wenn das primäre Modell ausfällt – etwa wegen einer Störung, eines Anfragelimits oder der Abkündigung des Modells –, versucht die Engine automatisch das nächste.