chore(i18n): sync translations with latest source changes (chunk 1/1, 15 changes)

Author: skytin1004

translated_images/zh-HK/.co-op-translator.json

@@ -78,8 +78,8 @@
     "language_code": "zh-HK"
   },
   "responsible.e4f51a917bafa4bf.webp": {
-    "original_hash": "fa8d1e23eabb52aff991b3257f039a93",
-    "translation_date": "2026-01-16T06:43:00+00:00",
+    "original_hash": "59599665d7847ee45180b5d36cc18170",
+    "translation_date": "2026-07-03T08:11:53+00:00",
     "source_file": "05-ResponsibleGenAI/images/responsible.png",
     "language_code": "zh-HK"
   },

translated_images/zh-HK/responsible.e4f51a917bafa4bf.webp

@@ -78,8 +78,8 @@
     "language_code": "zh-MO"
   },
   "responsible.e4f51a917bafa4bf.webp": {
-    "original_hash": "fa8d1e23eabb52aff991b3257f039a93",
-    "translation_date": "2026-01-16T06:42:54+00:00",
+    "original_hash": "59599665d7847ee45180b5d36cc18170",
+    "translation_date": "2026-07-03T08:11:47+00:00",
     "source_file": "05-ResponsibleGenAI/images/responsible.png",
     "language_code": "zh-MO"
   },

translated_images/zh-MO/.co-op-translator.json

@@ -78,8 +78,8 @@
     "language_code": "zh-TW"
   },
   "responsible.e4f51a917bafa4bf.webp": {
-    "original_hash": "fa8d1e23eabb52aff991b3257f039a93",
-    "translation_date": "2026-01-16T06:43:05+00:00",
+    "original_hash": "59599665d7847ee45180b5d36cc18170",
+    "translation_date": "2026-07-03T08:11:59+00:00",
     "source_file": "05-ResponsibleGenAI/images/responsible.png",
     "language_code": "zh-TW"
   },

translated_images/zh-MO/responsible.e4f51a917bafa4bf.webp

@@ -36,8 +36,8 @@
     "language_code": "zh-HK"
   },
   "04-PracticalSamples/calculator/README.md": {
-    "original_hash": "e06073e14e9993e11abde764e5a8b42e",
-    "translation_date": "2026-07-02T08:22:13+00:00",
+    "original_hash": "41559a4802d4162e6f61829f0791a041",
+    "translation_date": "2026-07-03T08:10:34+00:00",
     "source_file": "04-PracticalSamples/calculator/README.md",
     "language_code": "zh-HK"
   },
@@ -72,8 +72,8 @@
     "language_code": "zh-HK"
   },
   "README.md": {
-    "original_hash": "4bab5acc4f048967cadc3f048ae93cac",
-    "translation_date": "2026-07-02T08:16:43+00:00",
+    "original_hash": "6ea50f657a0ce1d2f27180f61b25a2ba",
+    "translation_date": "2026-07-03T08:10:04+00:00",
     "source_file": "README.md",
     "language_code": "zh-HK"
   },

translated_images/zh-TW/.co-op-translator.json

@@ -1,36 +1,36 @@
-# MCP 計算機入門教學
+# MCP 計算機教學初學者指南
 
 ## 目錄
 
-- [你將學到什麼](#你將學到什麼)
-- [先決條件](#先決條件)
+- [你將學習什麼](#你將學習什麼)
+- [前置條件](#前置條件)
 - [了解專案結構](#了解專案結構)
-- [核心元件說明](#核心元件說明)
-  - [1. 主要應用程式](#1-主要應用程式)
+- [核心組件說明](#核心組件說明)
+  - [1. 主應用程式](#1-主應用程式)
   - [2. 計算機服務](#2-計算機服務)
-  - [3. 直接 MCP 客戶端](#3-直接-mcp-客戶端)
-  - [4. AI 驅動的客戶端](#4-ai-驅動的客戶端)
+  - [3. 直接 MCP 用戶端](#3-直接-mcp-用戶端)
+  - [4. AI 驅動用戶端](#4-ai-驅動用戶端)
 - [執行範例](#執行範例)
-- [整體運作流程](#整體運作流程)
-- [接下來的步驟](#接下來的步驟)
+- [整體運作原理](#整體運作原理)
+- [後續步驟](#後續步驟)
 
-## 你將學到什麼
+## 你將學習什麼
 
-本教學將解釋如何使用模型上下文協定（Model Context Protocol, MCP）建立一個計算機服務。你將了解：
+本教學會說明如何使用模型上下文協定 (Model Context Protocol, MCP) 建立一個計算機服務。你將了解：
 
-- 如何建立 AI 可用作工具的服務
-- 如何設定與 MCP 服務的直接通訊
-- AI 模型如何自動選擇使用哪個工具
+- 如何建立可供 AI 作為工具使用的服務
+- 如何設置與 MCP 服務的直接通訊
+- AI 模型如何自動選擇要使用的工具
 - 直接協定呼叫與 AI 輔助互動的差異
 
-## 先決條件
+## 前置條件
 
-開始之前，請確保你已具備：
+開始之前，請確定你已經有：
 - 安裝 Java 21 或以上版本
-- 使用 Maven 進行相依管理
-- 一個 Azure AI Foundry 模型部署（可用 `azd up` 佈署 — 參見 [第2章](../../02-SetupDevEnvironment/getting-started-azure-openai.md)）
-- 已安裝並登入 [Azure CLI](https://learn.microsoft.com/cli/azure/install-azure-cli) (`az login`，無需 API 金鑰)
-- 具備 Java 與 Spring Boot 的基本知識
+- 使用 Maven 來管理相依性
+- 部署 Azure AI Foundry 模型（使用 `azd up` 佈署 — 詳見 [第 2 章](../../02-SetupDevEnvironment/getting-started-azure-openai.md)）
+- 安裝 [Azure CLI](https://learn.microsoft.com/cli/azure/install-azure-cli)，並以 `az login` 登入（無需金鑰認證）
+- 基本的 Java 與 Spring Boot 知識
 
 ## 了解專案結構
 
@@ -47,13 +47,13 @@ calculator/
     └── Bot.java                          # Simple chat interface
 ```
 
-## 核心元件說明
+## 核心組件說明
 
-### 1. 主要應用程式
+### 1. 主應用程式
 
 **檔案：** `McpServerApplication.java`
 
-這是我們計算機服務的進入點。它是一個標準的 Spring Boot 應用程式，並有一個特別的設定：
+這是我們計算機服務的進入點。它是一個標準的 Spring Boot 應用程式，但有一個特別的新增：
 
 ```java
 @SpringBootApplication
@@ -70,16 +70,16 @@ public class McpServerApplication {
 }
 ```
 
-**此程式做了什麼：**
-- 啟動一個運行在 8080 端口的 Spring Boot 網路伺服器
-- 建立一個 `ToolCallbackProvider`，使我們的計算機方法能作為 MCP 工具被使用
-- `@Bean` 註解告訴 Spring 將它管理為其他元件可以使用的組件
+**功能說明：**
+- 啟動一個位於 8080 端口的 Spring Boot 網頁伺服器
+- 建立一個 `ToolCallbackProvider`，使我們的計算機方法可作為 MCP 工具使用
+- `@Bean` 註解讓 Spring 將此組件管理，供其他部分使用
 
 ### 2. 計算機服務
 
 **檔案：** `CalculatorService.java`
 
-這裡是所有計算發生的地方。每個方法用 `@Tool` 標記，可透過 MCP 被調用：
+所有數學計算在此進行。每個方法皆以 `@Tool` 註解標示，使其可以被 MCP 呼叫：
 
 ```java
 @Service
@@ -97,37 +97,37 @@ public class CalculatorService {
         return formatResult(a, "-", b, result);
     }
 
-    // 更多計算器操作...
+    // 更多計算機操作...
 
     private String formatResult(double a, String operator, double b, double result) {
         return String.format("%.2f %s %.2f = %.2f", a, operator, b, result);
     }
 }
 ```
 
-**主要特點：**
+**主要特色：**
 
-1. **`@Tool` 註解**：告訴 MCP 此方法可被外部客戶端呼叫
-2. <strong>清晰描述</strong>：每個工具都有描述，幫助 AI 模型判斷何時使用
-3. <strong>統一回傳格式</strong>：所有操作均回傳人類易讀的字串，例如 "5.00 + 3.00 = 8.00"
+1. **`@Tool` 註解**：表示 MCP 可從外部呼叫該方法
+2. <strong>明確說明</strong>：每個工具都有描述，有助 AI 模型理解何時使用
+3. <strong>一致回傳格式</strong>：所有運算返回易懂的字串，如 "5.00 + 3.00 = 8.00"
 4. <strong>錯誤處理</strong>：除以零及負數開根號會回傳錯誤訊息
 
-**可用運算：**
+**支援運算：**
 - `add(a, b)` - 加法
-- `subtract(a, b)` - 減法（前減後）
+- `subtract(a, b)` - 減法（第一數減第二數）
 - `multiply(a, b)` - 乘法
-- `divide(a, b)` - 除法（含零除檢查）
-- `power(base, exponent)` - 次方
-- `squareRoot(number)` - 開平方（含負數檢查）
+- `divide(a, b)` - 除法（含零除錯誤檢查）
+- `power(base, exponent)` - 次方運算
+- `squareRoot(number)` - 平方根（含負數檢查）
 - `modulus(a, b)` - 取餘數
 - `absolute(number)` - 絕對值
 - `help()` - 回傳所有運算說明
 
-### 3. 直接 MCP 客戶端
+### 3. 直接 MCP 用戶端
 
 **檔案：** `SDKClient.java`
 
-此客戶端直接與 MCP 伺服器通訊，不使用 AI，手動呼叫特定計算功能：
+此用戶端直接與 MCP 伺服器通訊，不透過 AI。它手動呼叫特定計算功能：
 
 ```java
 public class SDKClient {
@@ -163,27 +163,27 @@ public class SDKClient {
 }
 ```
 
-**此程式做了什麼：**
-1. 使用建造者模式連接到 `http://localhost:8080` 的計算機伺服器
+**功能說明：**
+1. 以建造者模式連接位於 `http://localhost:8080` 的計算機伺服器
 2. 列出所有可用工具（即計算機功能）
-3. 使用精確參數呼叫特定功能
+3. 以確切參數呼叫特定函式
 4. 直接列印結果
 
-**注意：** 本範例使用 Spring AI 1.1.0-SNAPSHOT 版本，引入了 `WebFluxSseClientTransport` 的建造者模式。若你使用較舊穩定版本，可能需使用直接建構子。
+<strong>注意：</strong>範例中使用 Spring AI 1.1.0-SNAPSHOT 版本，該版本新增了 `WebFluxSseClientTransport` 的建造者模式。如果你使用的是舊版穩定版，可能需要使用直接建構函式。
 
-**使用時機：** 當你已清楚知道要執行哪個計算，且想以程式化方式呼叫時。
+<strong>使用時機：</strong>當你清楚知道要執行的計算，且想程式化呼叫時。
 
-### 4. AI 驅動的客戶端
+### 4. AI 驅動用戶端
 
 **檔案：** `LangChain4jClient.java`
 
-此客戶端使用 AI 模型（GPT-4o-mini）能自動決定使用哪些計算工具：
+這個用戶端使用 AI 模型（GPT-4o-mini），能自行決定使用哪些計算工具：
 
 ```java
 public class LangChain4jClient {
 
     public static void main(String[] args) throws Exception {
-        // 設定 AI 模型（Azure AI Foundry，通過 Microsoft Entra ID 進行無密鑰驗證）
+        // 設置 AI 模型（Azure AI Foundry，通過 Microsoft Entra ID 進行無密鑰驗證）
         String endpoint = System.getenv("AZURE_OPENAI_ENDPOINT");
         String baseUrl = (endpoint.endsWith("/") ? endpoint : endpoint + "/") + "openai/v1";
         String token = new DefaultAzureCredentialBuilder().build()
@@ -198,26 +198,26 @@ public class LangChain4jClient {
         // 連接到我們的計算器 MCP 伺服器
         McpTransport transport = new HttpMcpTransport.Builder()
                 .sseUrl("http://localhost:8080/sse")
-                .logRequests(true)  // 顯示 AI 正在做什麼
+                .logRequests(true)  // 顯示 AI 正在執行的操作
                 .logResponses(true)
                 .build();
 
         McpClient mcpClient = new DefaultMcpClient.Builder()
                 .transport(transport)
                 .build();
 
-        // 讓 AI 能夠存取我們的計算器工具
+        // 給 AI 訪問我們的計算器工具的權限
         ToolProvider toolProvider = McpToolProvider.builder()
                 .mcpClients(List.of(mcpClient))
                 .build();
 
-        // 建立一個可以使用我們計算器的 AI 機械人
+        // 創建一個可以使用我們計算器的 AI 機械人
         Bot bot = AiServices.builder(Bot.class)
                 .chatLanguageModel(model)
                 .toolProvider(toolProvider)
                 .build();
 
-        // 現在我們可以用自然語言要求 AI 進行計算
+        // 現在我們可以用自然語言要求 AI 進行計算了
         String response = bot.chat("Calculate the sum of 24.5 and 17.3 using the calculator service");
         System.out.println(response);
 
@@ -227,31 +227,31 @@ public class LangChain4jClient {
 }
 ```
 
-**此程式做了什麼：**
-1. 利用你的 GitHub Token 建立 AI 模型連結
+**功能說明：**
+1. 利用無金鑰認證（Microsoft Entra ID）建立 AI 模型連線
 2. 將 AI 連接到我們的計算機 MCP 伺服器
-3. 給 AI 存取全部計算機工具的權限
-4. 允許自然語言請求，如「計算 24.5 與 17.3 的總和」
+3. 讓 AI 可存取所有計算機工具
+4. 支援自然語言請求，如「計算 24.5 與 17.3 的和」
 
-**AI 自動：**
-- 理解你想要執行加法
+**AI 會自動：**
+- 理解你想要進行加法
 - 選擇 `add` 工具
 - 呼叫 `add(24.5, 17.3)`
-- 以自然語言回應結果
+- 以自然語言格式回傳結果
 
 ## 執行範例
 
 ### 步驟 1：啟動計算機伺服器
 
-首先，登入並設定你的 Azure AI Foundry 端點（AI 客戶端必須，無 API 金鑰）：
+首先，登入並設定你的 Azure AI Foundry 端點（AI 用戶端所需，鍵無需密鑰）：
 
-**Windows：**
+**Windows:**
 ```cmd
 az login
 set AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/
 ```
 
-**Linux/macOS：**
+**Linux/macOS:**
 ```bash
 az login
 export AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/
@@ -263,14 +263,14 @@ cd 04-PracticalSamples/calculator
 mvn clean spring-boot:run
 ```
 
-伺服器會運作於 `http://localhost:8080`，你應該會看到：
+伺服器將在 `http://localhost:8080` 上啟動。你應該看到：
 ```
 Started McpServerApplication in X.XXX seconds
 ```
 
-### 步驟 2：使用直接客戶端測試
+### 步驟 2：用直接用戶端測試
 
-在伺服器運行的同時，開一個<strong>新</strong>終端機，執行直接 MCP 客戶端：
+在伺服器仍運行的情況下，於新的終端機執行直接 MCP 用戶端：
 ```bash
 cd 04-PracticalSamples/calculator
 mvn test-compile exec:java -Dexec.mainClass="com.microsoft.mcp.sample.client.SDKClient" -Dexec.classpathScope=test
@@ -283,38 +283,37 @@ Add Result = 5.00 + 3.00 = 8.00
 Square Root Result = √16.00 = 4.00
 ```
 
-### 步驟 3：使用 AI 客戶端測試
+### 步驟 3：用 AI 用戶端測試
 
 ```bash
 mvn test-compile exec:java -Dexec.mainClass="com.microsoft.mcp.sample.client.LangChain4jClient" -Dexec.classpathScope=test
 ```
 
-你會看到 AI 自動使用工具：
+你會看到 AI 自動使用工具的過程：
 ```
 The sum of 24.5 and 17.3 is 41.8.
 The square root of 144 is 12.
 ```
 
 ### 步驟 4：關閉 MCP 伺服器
 
-測試完畢，於 AI 客戶端終端按 `Ctrl+C` 停止，MCP 伺服器會繼續執行直到你手動停止。
-停止伺服器，在啟動它的終端機按 `Ctrl+C`。
+測試完成後，按 `Ctrl+C` 即可停止 AI 用戶端。MCP 伺服器會繼續執行，直到你在運行伺服器的終端機中按 `Ctrl+C` 停止它。
 
-## 整體運作流程
+## 整體運作原理
 
-以下為當你問 AI「5 + 3 等於多少？」的完整流程：
+以下是你問 AI 「5 + 3 等於多少？」時的完整流程：
 
-1. <strong>你</strong> 用自然語言向 AI 提問
-2. **AI** 分析請求，判斷你想要加法
+1. <strong>你</strong> 用自然語言提出問題
+2. **AI** 分析請求，判斷你要做加法
 3. **AI** 呼叫 MCP 伺服器：`add(5.0, 3.0)`
-4. <strong>計算機服務</strong> 執行計算：`5.0 + 3.0 = 8.0`
-5. <strong>計算機服務</strong> 回傳結果：`"5.00 + 3.00 = 8.00"`
-6. **AI** 接收結果並組成自然語言回應
-7. <strong>你</strong> 收到：「5 和 3 的總和是 8」
+4. <strong>計算機服務</strong> 執行：`5.0 + 3.0 = 8.0`
+5. <strong>計算機服務</strong> 回傳：`"5.00 + 3.00 = 8.00"`
+6. **AI** 收到結果並組成自然語言回答
+7. <strong>你</strong> 得到： 「5 加 3 的和是 8」
 
-## 接下來的步驟
+## 後續步驟
 
-更多範例請參考 [第 04 章：實際範例](../README.md)
+更多範例，請參閱 [第 04 章：實務範例](../README.md)
 
 ---