Construir una canalización automatizada de traducción multilingüe para un blog en Markdown con GitHub Copilot Agents

Author: Yauheni Kurbayeu
Published: Mar 20, 2026

TL;DR

Esta guía muestra cómo convertir un blog simple basado en Markdown en una canalización de publicación multilingüe automatizada usando GitHub Copilot Agents, Skills y Hooks. Un agente orquestador principal coordina subagentes específicos por idioma para traducir contenido, actualizar resúmenes de README localizados y generar salidas consistentes. Los hooks aplican barandillas de control y registro, mientras que una skill encapsula el flujo de trabajo. El resultado es un sistema reproducible, escalable y amigable para la gobernanza que convierte commits de Git en una canalización de contenido consciente de la procedencia.

Por qué este enfoque

Quería un flujo de trabajo donde:

• yo escribo un artículo en Markdown en inglés.
• el sistema automáticamente:
  • extrae metadatos,
  • genera un TL;DR,
  • actualiza un README global,
  • traduce el artículo a varios idiomas,
  • actualiza READMEs localizados,
  • verifica resultados,
  • y produce un resumen.

Al mismo tiempo, quería:

• reproducibilidad (todo vive en Git),
• auditabilidad (qué ocurrió, cuándo y por qué),
• y extensibilidad (fácil agregar más idiomas o pasos después).

GitHub Copilot Agents ofreció la abstracción correcta:

• Agents para roles,
• Subagents para especialización en paralelo,
• Skills para flujos de trabajo reutilizables,
• Hooks para barandillas de control y control del ciclo de vida.

Arquitectura final

root/
├─ README.md
├─ my-article.md
├─ de/
│  └─ README.md
├─ fr/
│  └─ README.md
├─ es/
│  └─ README.md
├─ pl/
│  └─ README.md
├─ ru/
│  └─ README.md
└─ .github/
   ├─ copilot-instructions.md
   ├─ agents/
   │  ├─ article-orchestrator.agent.md
   │  ├─ translate-de.agent.md
   │  ├─ translate-fr.agent.md
   │  ├─ translate-es.agent.md
   │  ├─ translate-pl.agent.md
   │  └─ translate-ru.agent.md
   ├─ skills/
   │  └─ article-translation/
   │     └─ SKILL.md
   └─ hooks/
      ├─ hooks.json
      ├─ session_start.py
      ├─ pre_tool_guard.py
      ├─ post_tool_validate.py
      ├─ session_end.py
      └─ error_occurred.py

Paso 1 — Instrucciones a nivel de repositorio

Crea .github/copilot-instructions.md.

Esto define reglas globales para el sistema.

Ejemplo

# Copilot Instructions

This repository processes English Markdown articles and produces:

- Root README summary
- Localized README summaries (de, fr, es, pl, ru)
- Translated article files

## Source rules

- Source article is a root-level `.md` file
- Ignore README.md and language folders

## Metadata extraction

Extract:
- title
- author
- date

Normalize date to dd.mm.yyy

## Output format

# Title
Author: Name
Date: dd.mm.yyy
**TL;DR summary**

## Translation rules

- Preserve markdown structure
- Preserve meaning
- Do not translate title/author/date in localized README
- Translate only TL;DR in localized README

Paso 2 — La Skill (cerebro del flujo)

Crea:

.github/skills/article-translation/SKILL.md

Esta es la lógica reutilizable de la canalización.

Ejemplo

---
name: article-translation
description: Process markdown article and generate translations
---

1. Find source article
2. Extract metadata
3. Generate TL;DR
4. Update root README
5. Trigger subagents
6. Validate outputs

Paso 3 — Agente orquestador principal

Crea:

.github/agents/article-orchestrator.agent.md

Ejemplo

---
name: article-orchestrator
tools: ['agent', 'read', 'search', 'edit']
agents: ['translate-de', 'translate-fr', 'translate-es', 'translate-pl', 'translate-ru']
---

Use article-translation skill.

1. Find article
2. Extract metadata
3. Generate TL;DR
4. Update README.md
5. Run subagents
6. Verify outputs
7. Write translation-summary.md

Esta es tu torre de control.

Paso 4 — Subagentes por idioma

Cada idioma tiene su propio agente.

Ejemplo: translate-de.agent.md

---
name: translate-de
user-invocable: false
---

Translate article into German.

Create:
- /de/README.md
- /de/<article>.md

Rules:
- keep title unchanged
- keep Author and Date unchanged
- translate TL;DR only in README
- preserve markdown

Repite para FR, ES, PL, RU.

Paso 5 — Hooks (barandillas de control y ciclo de vida)

Crea:

.github/hooks/hooks.json

Ejemplo

{
  "version": 1,
  "hooks": {
    "sessionStart": [{ "bash": { "run": "python3 .github/hooks/session_start.py" } }],
    "preToolUse": [{ "bash": { "run": "python3 .github/hooks/pre_tool_guard.py" } }],
    "postToolUse": [{ "bash": { "run": "python3 .github/hooks/post_tool_validate.py" } }],
    "sessionEnd": [{ "bash": { "run": "python3 .github/hooks/session_end.py" } }],
    "errorOccurred": [{ "bash": { "run": "python3 .github/hooks/error_occurred.py" } }]
  }
}

Propósito

• preToolUse → prevenir ediciones inseguras
• postToolUse → validar salidas
• sessionEnd → notificar finalización
• errorOccurred → registrar fallos

Paso 6 — Ejecutar la canalización

Opción 1 — Manual

copilot

Luego:

Use article-orchestrator to process my-article.md

Opción 2 — Disparador por commit de Git

Agrega un pre-commit o una GitHub Action:

on push:
  - "*.md"

Dispara:

copilot -p "Run article-orchestrator on new article"

Paso 7 — Ejemplo de salida

Después de la ejecución:

README raíz

# My Article
Author: John Doe
Date: 10.03.2026
**TL;DR Short summary**

README en alemán

# My Article
Author: John Doe
Date: 10.03.2026
**TL;DR Kurze Zusammenfassung**

Archivo traducido

/de/my-article.md

Paso 8 — En qué me ayudó GPT

Este sistema no fue construido manualmente desde cero.

GPT me ayudó con:

• diseñar la arquitectura
• definir roles de agentes
• escribir todas las configuraciones de agentes
• diseñar skills y hooks
• crear barandillas de control
• generar paquete de repositorio listo para usar
• refinar mejores prácticas basadas en la documentación de Copilot

El cambio clave que GPT habilitó:

De “scripts que traducen archivos”
→ a “agentes que coordinan transformación de conocimiento”

Paso 9 — Ideas clave

1. Git se convierte en un sistema de eventos

commit → agent → transformation → commit

2. Los agentes son mejores que los scripts

• más fáciles de extender
• más fáciles de razonar
• más cercanos a cómo piensan los humanos

3. La procedencia está integrada

En cada paso:

• quién disparó
• qué cambió
• qué salida produjo

Paso 10 — Próximos pasos

Puedes extender esto hacia:

• traducción basada en diffs
• puntuación de calidad con IA
• optimización SEO por idioma
• canalizaciones de publicación
• ingesta en grafo de procedencia

Reflexiones finales

Esto es más que traducción.

Es un sistema operativo de contenido:

• determinista
• explicable
• extensible

Y escala de forma natural hacia:

• sistemas de conocimiento
• procedencia de decisiones
• flujos de trabajo nativos de IA

¿Quieres mejorarlo?

Si quieres, puedo ayudarte a:

• agregar traducción incremental (solo párrafos cambiados)
• integrar con tu motor de blog (Astro, Jekyll)
• agregar notificaciones por Slack/correo
• convertir esto en una arquitectura lista para SaaS