Pular para o conteúdo principal
// 7 min leitura

Traduções Deterministas em Tempo Real com Cloudflare Workers AI

Desenho do pipeline de internacionalização i18n para Portelcore: extração determinista de chaves DJB2, inferência com modelos LLM no Edge e cache multinível em Cloudflare KV.

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

A localização de aplicações web multilíngue tem dependido tradicionalmente de arquivos estáticos .json traduzidos manualmente ou de chamadas lentas e custosas a APIs de tradução externas. Em Portelcore Web, implementamos um pipeline completamente automatizado que combina hashing criptográfico DJB2 com inferência local de modelos de linguagem em Cloudflare Workers AI.

1. O Fluxo de Tradução Determinista

O sistema divide o processo em três etapas de execução:

[ 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. Extração em Compile-Time / SSR: Os textos são envolvidos no componente <AITranslate> ou etiquetados no HTML.
  2. Geração de Chave Única: Se computa um hash determinista DJB2 da cadeia em espanhol (ex: msg-1085732109).
  3. Cache Global em KV: Antes de consultar o modelo de IA, se inspeciona o namespace PORTELCORE_KV_CORE. Se a chave existe para o idioma destino, a resposta se entrega em menos de 5 ms.

2. Implementação do Algoritmo DJB2

A velocidade de computo do hash é essencial para não penalizar o tempo de resposta do servidor em 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. Inferência com Modelos LLM em Workers AI

Quando uma chave nova não existe na cache periférica, o Worker satélite despacha a petição ao 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. Conclusão

Este desenho permite que a plataforma suporte 14 idiomas internacionais sem necessidade de manter dicionários manuais desincronizados, mantendo uma experiência fluida, rápida e coerente em todo o mundo.

[ COMPARTILHAR ]
← VOLTAR AO JOURNAL

[ Continuar Explorando ]