在多个区域中定位电子邮件活动以前是一个缓慢的、重复性的任务,有许多手动步骤。 多个审查员在不同的版本上工作,同一内容被重写了几次,并且在多达13种语言中管理一致性需要大量协调。 而不是引入新的平台或外部工具,我运行了一个内部实验: Could localisation be automated using only the tools already available inside a standard enterprise Microsoft environment? 该原型主要依赖于 SharePoint、Power Automate 和 Teams,其中一个附加组件 - GPT-4.1 mini 通过 Azure OpenAI 访问 - 用于严格控制的 QA 步骤,这使过程能够从基于 LLM 的推理中受益,同时将所有数据保存在同一个企业环境中。 为了支持此工作流程,我设置了一个名为 SharePoint 结构化库。 包含代表本地化生命周期的每个阶段的文件夹: Email translations 
 
 
 
 
 
 
 
 
 
 
 Folder 
 Purpose 
 
 
 
 01_Incoming_EN 
 Source English files; Power Automate trigger 
 
 
 
 02_AI_Drafts 
 Auto-translated drafts from Copilot + GPT 
 
 
 
 03_In_Review 
 Files waiting for regional review 
 
 
 
 04_Approved 
 Final approved translations 
 
 
 
 99_Archive 
 Archived or rejected versions 01_Incoming_EN 来源:英文文件; Power Automate trigger 02_AI_Drafts Copilot + GPT 的自动翻译草稿 03_In_Review 等待区域审查的文件 04_Approved 最后批准的翻译 99_Archive 已归档或拒绝的版本 文件在这些文件夹之间自动移动,取决于它们的状态。 目标不是建立一个完美的定位系统 - 只是看看原型可以使用内部工具走多远。 它最终删除了大量重复工作,并创造了一个更有结构的审查过程。 The Problem:  Process, Not Language 问题:过程,而不是语言 在许多地区手动定位内容产生了几个一致的问题: 
 
 
 
 
 
 每个区域都编辑了自己的文件,所以同时存在多个不同的版本。 当源文本发生更改时,并非所有区域都更新了其版本,导致内容不匹配。 文件存储在不同的位置和不同的名称,这使得很难确定哪个版本是当前的。 评论需要时间,特别是当团队处于不同的时区时。 在多个文件中重复相同的编辑增加了小错误的风险 Attempt 1: Copilot-Only Translation 试点一:只使用 Copilot 翻译 虽然Copilot现在运行在更新的GPT-5系列模型上,但这个原型是建立在一个早期的版本上,翻译行为反映了那些早期的功能。 工作流的第一个版本很简单: 
 
 
 
 一个文件被上传到 01_Incoming_EN。 电源自动启动。 Copilot为每个区域创建了一个翻译。 由于 SharePoint 触发器可以在文件完成上传之前启动,因此流中包含了文件大小完成检查(在继续之前等到大小 > 0)。 然而,主要问题很快就变得清晰了:Copilot的翻译不够可靠,无法实现端到端的本地化。 共同问题包括: 
 
 
 
 
 CTA翻译过于字面 语音和风格不同语言 被移除或更改的座位持有人 在列表、间隔和结构中的格式差异 这使得Copilot仅用于生成第一草案。 第二层质量检查是必要的。 Attempt 2: Adding GPT-4.1 Mini for QA 尝试2:为QA添加GPT-4.1 Mini 下一个版本添加了审查步骤: 
 
 
 Copilot 初始翻译 GPT-4.1 mini (Azure) → QA 和一致性检查 GPT-4.1 小型改进: 
 
 
 
 
 调节一致性 保留地点 格式稳定性 与源头的含义相一致 提示需要调节以避免不必要的重写,但经过调整后,输出变得足够一致以在工作流中使用。 Engineering Work: Making the Workflow Reliable 工程工作:使工作流程可靠 架构很简单,但实际使用时出现了几个问题,需要修复。 Platform behaviour: 
 
 
 SharePoint 触发程序并不总是立即启动,因此添加了检查和重置。 当频道更名时,团队路由失败,因此必须更新地图。 Design issues: 
 
 
 
 一些平行步骤在第一次跑步中失败了,因此引入了重复逻辑。 JSON 响应有时缺少预期的字段,因此添加了验证。 文件名不一致,因此定义了一个单一的命名格式。 经过这些调整后,工作流在正常条件下可靠地运行。 Final Prototype Architecture 最终原型架构 下面是系统的完整工作结构。 1. SharePoint Upload & Intake 这个过程开始时,一个文件被上传到 Email translations / 01_Incoming_EN 电源自动化: 
 
 
 
 
 检查文件是否已完全上传(零字节保护) 回收的元数据 提取的文本 确定目标区域 SharePoint 作为所有阶段的单一真理来源。 2. Power Automate Orchestration Power Automate 控制了工作流程的每个部分: 
 
 
 
 
 
 
 
 
 
 
 阅读英语来源 调用 Copilot 翻译草案 将草案发送到 GPT-4.1 mini for QA 根据区域创建一个分支机构 向本地团队发送电子邮件 发布团队批准卡 捕捉“批准”或“要求更改” 保存已批准的文件在 04_批准 在 03_In_Review 中保存更新版本 在 99_Archive 中存档旧版本 所有路由、重置和状态过渡都是由Power Automate处理的。 3. Copilot Translation Pass Copilot 翻译了提取的内容,并保存了大部分电子邮件结构 - 列表,间隔和格式 - 比单独 GPT 更好。 4. GPT-4.1 Mini QA Pass GPT-4.1 小型检查: 
 
 
 
 
 调节一致性 定义 定义 格式稳定性 位置完整性 这为区域审查提供了更可靠的草案。 5. Regional Review (Email + Teams) 对于每个区域,Power Automate: 
 
 
 通过电子邮件发送翻译的文件 发布了Teams 适应性卡 与批准 / 请求更改 如果提交了更改,则更新的文件返回到 然后重新进入工作流程。 03_In_Review 6. Final Storage 已批准的翻译被存储在 使用一致的命名格式。 04_Approved 被拒绝或过时的版本被移动到 这确保了完整和清洁的审计轨道。 99_Archive. Results 结果 在实际工作流程中测试原型之后: 
 
 
 
 
 
 翻译时间从几天减少到几分钟 更少的版本冲突 最小手动重写 更快的审查周期 在 Microsoft 环境中处理的所有数据 这并没有取代专用定位系统,但取消了大量重复的手动工作。 Limitations 限制 
 
 
 
 
 一些语言仍然需要风格调整 团队批准取决于评审员的响应时间 流需要对过渡错误的重复逻辑 色调一致性在长或复杂的电子邮件上有所不同 这对原型来说是可以接受的。 Next Step: Terminology Memory 下一篇:术语记忆 The next planned improvement is a vector-based terminology library containing: 
 
 
 
 
 
 
 格洛萨里 产品名称 限制条款 区域特征词汇 同义词组 东方规则 两种模型都会在生产或检查翻译之前使用此库。 Final Thoughts 最后的想法 该项目是一项内部实验,旨在了解本地化工作流程的自动化程度,仅使用标准的 Microsoft 工具和一个由 Azure 托管的 LLM。 它不是一个完整的本地化平台,但它展示了现有企业堆栈中的简单、结构齐全的工作流程可以实现什么。

This story contains new, firsthand information uncovered by the writer.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Follow on LinKedIn

Read My Stories

該音頻是用故事的原始語言製作的！

我如何自动化一个13种语言的电子邮件工作流,仅使用人工智能和微软工具

About Author

註釋

標籤

这篇文章刊登在

Related Stories

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

看不见的层面：为什么用户访谈是不可替代的资产

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

架构师指南：构建 AI/ML 数据湖参考架构

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

看不见的层面：为什么用户访谈是不可替代的资产

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

架构师指南：构建 AI/ML 数据湖参考架构

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps