Пакетный перевод 3000 туристических маршрутов на русский через n8n + OpenAI (с поэтапной проверкой качества)

Клиенту нужно было перевести на русский язык большой массив контента для туристических маршрутов: около 3000 строк с названиями и описаниями на разных европейских языках (в основном EN/DE/FR, но без гарантии, что только они).

Обычный чат для такой задачи не подходит: слишком большой объём, нужна пакетная обработка, сохранение структуры файла и предсказуемый результат по всему набору данных. При этом Google Translate клиент сразу исключил, потому что нужен был более аккуратный перевод под туристические описания.

Что было важно для бизнеса

• Перевести весь массив (3000 строк) без ручного копирования по кускам.
• Сохранить структуру Excel-файла, включая скрытые столбцы.
• Сделать промежуточную проверку качества до полного запуска.
• Получить результат в формате, который клиент может сразу импортировать дальше.
• Избежать долгой ручной редактуры после автоматического перевода.

Чтобы снизить риск, работу запускали поэтапно: сначала тестовые записи, затем файл на 500 строк для промежуточной проверки, и только после подтверждения качества — полный прогон.

Если у вас похожая задача (массовый перевод каталога, описаний, карточек, маршрутов, контента для импорта), можно прислать файл и требования в бриф — соберу пакетную обработку и проверочный сценарий под ваш объём.

Отправить бриф

Что было сделано в n8n

Для задачи был собран workflow в n8n, который обрабатывает строки таблицы пакетно, отправляет в OpenAI перевод названия и описания, получает строго структурированный ответ и записывает результат обратно в выходной файл.

• Подготовлен поток пакетной обработки Excel-данных вместо ручной работы через чат.
• Сделан тестовый прогон на небольшом количестве записей для проверки качества перевода.
• После согласования качества — промежуточный прогон на 500 строк и ручной spot-check.
• После подтверждения клиентом — полный прогон всего массива.
• Сохранён формат передачи результата в Excel (.xlsx), удобный для дальнейшего импорта у клиента.
• Учтено требование по сохранению структуры таблицы (включая скрытые столбцы).

Технические детали: как была устроена обработка

С технической стороны задача была не "просто перевести текст", а сделать устойчивый pipeline для большого файла, чтобы не потерять структуру данных и не получить неуправляемый результат на 3000 строках.

1. Пакетная обработка вместо одного большого запроса. Таблица разбивалась на отдельные записи, и каждая строка проходила через один и тот же сценарий перевода. Это устраняет ограничение обычного чата по объёму и позволяет контролировать ошибки построчно.
2. Структурированный ответ от модели. Для каждой строки модель возвращала JSON с двумя полями (перевод названия и описания), чтобы результат можно было надёжно маппить обратно в таблицу без ручной чистки.
3. Промежуточные проверки качества. Вместо запуска "сразу на всё" делали проверочные этапы: сначала десятки строк, потом 500. Это сильно снижает риск массовой ошибки в промпте или формате.
4. Сохранение исходной структуры файла. Важным требованием было не сломать исходный Excel и не потерять скрытые столбцы, поэтому результат отдавался в том же формате (.xlsx), а не в виде "плоской" выгрузки в CSV/Google Sheets.
5. Форматирование описаний. По согласованию с клиентом описания оставлялись без HTML-тегов, с переносами строк/абзацами в читаемом виде, чтобы совпадать с существующим форматом данных.

Технические детали: важный вывод по промпту (короче — лучше)

Отдельно интересный момент из этой задачи: сначала был сделан подробный промпт с большим количеством ограничений и уточнений (про тип текста, стиль, формат, списки, формулировки для названий маршрутов и т.д.). Формально он выглядел "правильнее", но на практике оказался переусложнённым.

После обратной связи от клиента промпт упростили. И результат стал лучше: перевод стал ближе к ожиданиям клиента и к его уже проверенному примеру. Это хороший практический кейс для автоматизаций на LLM: длинный и детализированный промпт не всегда даёт лучший output, особенно когда заказчику нужен нейтральный массовый перевод, а не сложная стилизация текста.

• Сложный промпт давал больше "самодеятельности" и лишней интерпретации.
• Простой промпт лучше попал в ожидаемый тон и формат.
• Решение принималось не теоретически, а по быстрым тестовым прогонам и просмотру реальных строк.

На практике это означает: в n8n-пайплайнах с LLM стоит закладывать этап короткой A/B-проверки промптов на реальных данных до полного массового запуска.

Результат

• Переведён полный массив около 3000 строк (названия + описания маршрутов).
• Работа выполнена поэтапно с промежуточным согласованием качества (тест -> 500 строк -> полный объём).
• Файл отдан в формате Excel, удобном для дальнейшего импорта у клиента.
• Клиент принял результат и подтвердил качество перевода.

Такой формат хорошо подходит для задач, где нужен не "разовый ответ ИИ", а контролируемый массовый прогон по таблице с проверкой качества и нормальной отдачей результата в рабочем формате.