Engine-Setup mit dem Localization MCP

Der Lingo.dev MCP-Server gibt KI-Coding-Assistenten 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 sprachspezifischen Markenstimmen, Glossarregeln, linguistischen Anweisungen und Modell-Routing.

Was du konfigurieren wirst#

Das Ergebnis ist eine zustandsbehaftete Übersetzungs-API. Nutze sie im Code über die localization API, über die Befehlszeile per CLI oder automatisch bei jedem Pull Request via CI/CD. Bei jeder Anfrage werden alle Ebenen automatisch angewendet.

Das Problem#

Jede Lokalisierungs-Engine braucht Markenstimmen pro Sprache, Glossarregeln, linguistische Anweisungen und Modell-Routing. All das über ein Dashboard zu konfigurieren, ist zeitaufwendig und repetitiv – besonders beim ersten Mal, wenn du noch herausfindest, was jede Ebene macht und wie sie zusammenspielen.

Mit dem Lingo.dev MCP-Server kann dein KI-Coding-Assistent das initiale Setup in einer einzigen Unterhaltung übernehmen. Du gibst ihm die Inhalte deines Produkts, und er erstellt die Engine, schreibt Markenstimmen-Profile, identifiziert Begriffe fürs Glossar, ergänzt sprachspezifische Anweisungen und konfiguriert das Modell-Routing – alles in einem Durchgang. Danach prüfst du das Ergebnis und passt es weiter an.

Schritt 1: MCP installieren#

Erstelle im Bereich API Keys des Lingo.dev-Dashboards einen API-Schlüssel. Füge dann den MCP-Server zur Konfiguration deines Coding-Agenten hinzu.

{
  "lingo": {
    "type": "http",
    "url": "https://mcp.lingo.dev/account",
    "headers": {
      "x-api-key": "your_api_key"
    }
  }
}

Starte deinen Agenten neu und überprüfe die Verbindung, indem du ihn bittest, deine vorhandenen Lokalisierungs-Engines aufzulisten. Wenn das MCP aktiv ist, liefert er Ergebnisse zurück (oder bei neuen Organisationen eine leere Liste).

Schritt 2: Engine konfigurieren#

Kopiere den folgenden Prompt und füge ihn in deinen KI-Coding-Assistenten ein. Ersetze die URL am Ende durch die Website, Dokumentation oder README deines Produkts – der Agent braucht repräsentative Inhalte, um deine Stimme, 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 voices for each locale (and English),
glossary entries for terms that need consistent translations or should
stay untranslated, and locale-specific linguistic instructions.

https://docs.yourproduct.com

Der Agent liest deine Inhalte, erstellt die Engine und konfiguriert alle Ebenen in einem Durchgang. In den nächsten Schritten geht es darum, das Ergebnis zu prüfen und gezielt anzupassen.

Schritt 3: Markenstimmen anpassen#

Prüfe die Markenstimmen, die der Agent für jede Sprache erstellt hat. Eine Markenstimme definiert, wie dein Produkt in einer bestimmten Sprache spricht – Ton, Formalitätsgrad und Stil. Der Agent leitet sie aus deinen Inhalten ab, aber die kulturellen Nuancen solltest du auf jeden Fall überprüfen.

Worauf du achten solltest:

So sieht eine gut konfigurierte deutsche Markenstimme 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 Register nicht stimmt, 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#

Prüfe die Glossar-Einträge, die der Agent erstellt hat. Das Glossar gibt der Engine präzise Kontrolle über bestimmte Begriffe – entweder indem es eine Übersetzung erzwingt oder eine Übersetzung vollständig verhindert. Der Agent identifiziert Begriffe aus deinen Inhalten, kann aber produktspezifische Begriffe übersehen oder die falsche Übersetzung wählen.

Ein typisches Glossar nach dem ersten Durchgang:

Was du prüfen solltest:

• Fehlende Begriffe – Produkt-Features, interner Jargon oder Bezeichnungen, auf die der Agent nicht gestoßen ist
• Falsche Übersetzungen – der Agent kann ein Synonym wählen, das nicht zu deinem etablierten Sprachgebrauch passt
• Fehlende nicht übersetzbare Begriffe – Markennamen, Protokollnamen oder Akronyme, die unverändert bleiben sollten

Glossareinträge werden anhand semantischer Ähnlichkeit abgeglichen – ein Eintrag für „Deploy“ passt auch zu „Deploying“, „deployment“ und „deploy your application“, ohne dass separate Einträge nötig sind. Verwende *-Wildcards für Begriffe, die für alle Sprachen gelten.

Add a glossary entry: 'checkout' should stay as 'Checkout' in
German - it's our product feature name, not the shopping action.

Schritt 5: Anweisungen anpassen#

Prüfe die Anweisungen, die der Agent erstellt hat. Anweisungen sind klar abgegrenzte, testbare Regeln für bestimmte Sprachen. Im Gegensatz zu Markenstimmen (die den übergreifenden Ton festlegen) bilden Anweisungen Regeln ab, die generische Modelle oft übersehen – Zeichensetzung, Abkürzungen, Zeichenbreite, Zahlenformatierung.

Ein typischer Satz an Anweisungen nach dem ersten Durchgang:

Jede Anweisung behandelt genau einen Aspekt und ist dadurch einzeln testbar – wenn deutsche Abkürzungen Probleme machen, aktualisiere nur diese eine Anweisung, ohne etwas anderes anzufassen.

Worauf du achten solltest:

• Fehlende Regeln – Zahlenformatierung, Datumsformate, Währungskonventionen für deine Zielsprachen
• Ausgangssprache – englische Anweisungen zu Oxford-Kommas, Title Case oder Zahlenformatierung fehlen oft

In French, there should always be a non-breaking space before
colons and semicolons. Add that as an instruction for fr.

Schritt 6: Modell-Routing konfigurieren (optional)#

Neue Engines sind bereits mit Modell-Standardeinstellungen vorkonfiguriert, die für hohe Qualität bei gängigen und ressourcenarmen Sprachen optimiert sind. Die meisten Teams müssen daran nichts ändern.

Wenn du spezielle Anforderungen hast – ein Modell, das in deiner Domäne gut funktioniert, Budgetvorgaben oder Compliance-Anforderungen –, überschreibe die Standardeinstellungen:

Set Claude Sonnet as the primary model for European language pairs,
with GPT-4o as fallback for Japanese.

Jede Modellkonfiguration unterstützt priorisierte Fallbacks. Wenn das primäre Modell ausfällt (Ausfall, Ratenlimit, Abkündigung), versucht die Engine automatisch das nächste.

Nächste Schritte#