Saltar al contenido principal
// 7 min lectura

Traducciones Deterministas en Tiempo Real con Cloudflare Workers AI

Diseño del pipeline de internacionalización i18n para Portelcore: extracción determinista de claves DJB2, inferencia con modelos LLM en el Edge y caché multinivel en Cloudflare KV.

Tomàs Elias
@authorTomàs Elias
•7 MIN
0lectures
Portada de Traducciones Deterministas en Tiempo Real con Cloudflare Workers AI

La localización de aplicaciones web multilenguaje ha dependido tradicionalmente de archivos estáticos .json traducidos manualmente o de llamadas lentas y costosas a APIs de traducción externas. En Portelcore Web, implementamos un pipeline completamente automatizado que combina hashing criptográfico DJB2 con inferencia local de modelos de lenguaje en Cloudflare Workers AI.

1. El Flujo de Traducción Determinista

El sistema divide el proceso en tres etapes d'execució:

[ HTML con Textos ] ---> [ Hash DJB2 de 64 bits ] ---> [ ¿Existe en KV? ]
│
┌────────────────────────────────────────┴───────────────────┐
▼ SÍ ▼ NO
[ Cache Hit: 0 ms ] [ Workers AI LLM ]
[ Guarda en KV ]
[ Entrega Traducción ]
  1. Extracción en Compile-Time / SSR: Los textos se envuelven en el componente <AITranslate> o se etiquetan en el HTML.
  2. Generación de Clave Única: Se computa un hash determinista DJB2 de la cadena en español (ej: msg-1085732109).
  3. Caché Global en KV: Antes de consultar al modelo de IA, se inspecciona el namespace PORTELCORE_KV_CORE. Si la clave existe para el idioma destino, la respuesta se entrega en menos de 5 ms.

2. Implementación del Algoritmo DJB2

La velocitat de càlcul de l'hash és essencial per no penalitzar el temps de resposta del servidor en Astro SSR:

/**
* Calcula el hash DJB2 optimizado para cadenas de texto.
* Produce un identificador numérico determinista e inmutable.
*/
export function djb2Hash(str: string): string {
let hash = 5381;
for (let i = 0; i < str.length; i++) {
hash = ((hash << 5) + hash) + str.charCodeAt(i);
hash |= 0; // Conversión forzada a entero de 32 bits con signo
}
return Math.abs(hash).toString(36);
}

3. Inferencia con Modelos LLM en Workers AI

Quan una clau nova no existeix en la caché perimetral, el Worker satèl·lit envia la petició al runtime de Workers AI:

/**
* Invoca el modelo Llama 3.3 en Workers AI con un prompt de sistema rígido.
*/
export async function translateText(text, targetLanguage, env) {
const systemPrompt = `Eres un traductor técnico profesional.
Traduce el siguiente texto técnico exactamente al idioma '${targetLanguage}'.
Conserva términos técnicos de programación (ej: WAF, Cloudflare, KV, SSR, TypeScript).
Devuelve ÚNICAMENTE la traducción limpia sin explicaciones ni comillas.`;
const response = await env.AI.run("@cf/meta/llama-3.3-70b-instruct-fp8-fast", {
messages: [
{ role: "system", content: systemPrompt },
{ role: "user", content: text }
],
temperature: 0.1
});
return response.response.trim();
}

4. Conclusión

Este diseño permite que la plataforma soporte 14 idiomas internacionales sin necesidad de mantener diccionarios manuales desincronizados, manteniendo una experiencia fluida, rápida y coherente en todo el mundo.

[ COMPARTIR ]
← VOLVER AL JOURNAL

[ Continuar Explorant ]