Lyft使用AI和人机协同扩展了全球范围内的本地化能力

Lyft使用AI和人机协同扩展了全球范围内的本地化能力

作者： Leela Kumili | 译者： 张卫滨 | 发布时间： 2026-04-28 | 来源： InfoQ

---

核心要点

• Lyft实现AI驱动的本地化系统，支持全球化扩张
• 批量翻译流水线处理约99%的用户内容，95%任务在30分钟内完成
• 采用大语言模型+自动评估+人工审核的混合模式
• 双路径架构：AI译文立即投入使用，人工审核后替换确保质量
• 翻译周期从数天缩短至分钟级

---

一、背景：从人工瓶颈到AI驱动

此前，Lyft严重依赖人工翻译流程。随着公司进入新市场且产品迭代速度加快，这一模式逐渐成为瓶颈。新系统的核心目标是：在大幅缩短交付周期的同时，保持语气、风格与法律文本的一致性。

---

二、技术架构：批量翻译流水线

双路径架构设计

系统采用双路径架构，源文本会同时提交至：

1. 翻译管理系统（TMS）——进行人工监管和记录保留
2. 基于LLM的工作模块——快速生成译稿

这种设计的优势：

• AI生成译文可立即投入使用，保障版本发布不受阻
• 语言专家异步审核译文，通过后替换初始输出
• 兼顾效率与质量

Drafter与Evaluator角色分离

系统将职责划分为两个角色：

• Drafter：产出多个版本的候选译文
• Evaluator：从准确性、流畅度、品牌契合度等维度评判，选出最优方案或对低置信度结果发起重试

这种生成与评估解耦的设计，提升了错误检出能力并能够减少偏差。

上下文注入与约束规则

系统会注入上下文信息，包括：

• UI元数据
• 占位符
• 地区差异考量

同时通过确定性约束规则，严格把控安全、法律与风格的要求。

---

三、实时翻译：低延迟优化流程

像行程聊天消息这样的实时翻译采用另一套专注于低延迟的架构：

• 批量翻译：依托更丰富的上下文信息与迭代评估
• 实时翻译模型：优先保证用户即时反馈

两者分工明确，针对不同场景优化。

---

四、人机协同的质量闭环

数据驱动的质量优化

系统持续采集以下指标：

• 翻译质量
• 模型表现
• 审核一致性

这些数据用于模型调优与后续翻译策略优化。

质量分布

• **95%**的译文经人工审核后仅需少量修改即可上线
• **5%**为复杂场景（地区习惯用语、法律声明、品牌专属用语），必须依靠人工把控

通过对结果的追踪，Lyft能够量化翻译质量、优化AI模型，并在多语言环境下维持稳定可靠的生产级译文。

---

五、生产实践成果

---

六、关键经验

1. 渐进式部署：支持提示词分批上线，可在小批量测试新的AI翻译策略后再全面部署

2. 人机协同不是替代而是增强：AI负责首轮翻译减轻人工工作量，人工专注于校验和质量把关

3. 架构分层：批量处理与实时处理采用不同架构，针对不同场景做针对性优化

4. 数据闭环：持续采集质量指标用于模型迭代，形成正向反馈循环

---

结论

Lyft的本地化实践表明，AI在翻译领域的应用已经进入生产级阶段。关键在于：

• 设计合理的架构分层（批量vs实时）
• 建立人机协同的质量闭环
• 保持人工在关键环节的最终把控权
• 用数据驱动持续优化

这套模式不仅适用于本地化，也为其他AI+人工协同的业务场景提供了参考范式。