Perché i prompt in inglese producono codice migliore

Gli strumenti di coding AI funzionano meglio quando si forniscono prompt in inglese — anche se l'inglese non è la propria lingua madre. Il plugin claude-english-buddy corregge automaticamente, traduce e perfeziona i prompt.

Perché l'inglese è importante per il coding AI

I LLM ragionano in inglese

I modelli linguistici di grandi dimensioni elaborano internamente tutte le lingue attraverso uno spazio di rappresentazione fortemente allineato con l'inglese.^[1] Pre-tradurre i prompt non inglesi in inglese prima di inviarli al modello migliora in modo misurabile la qualità dell'output.^[2]

In pratica, un prompt in cinese come "把这个函数改成异步的" funziona — ma l'equivalente inglese "Convert this function to async" produce codice più preciso con meno iterazioni.

L'uso degli strumenti eredita la lingua del prompt

Quando uno strumento di coding AI cerca sul web, legge documentazione o consulta riferimenti API, utilizza la lingua del prompt per quelle ricerche. Le query in inglese trovano risultati migliori perché:

• La documentazione ufficiale, Stack Overflow e le issue su GitHub sono prevalentemente in inglese
• I termini tecnici di ricerca sono più precisi in inglese
• Gli esempi di codice e i messaggi di errore sono quasi sempre in inglese

Un prompt in cinese che chiede di "状态管理" potrebbe cercare risorse in cinese, perdendo la documentazione canonica in inglese. I benchmark multilingue mostrano costantemente divari di prestazioni fino al 24% tra l'inglese e altre lingue — anche quelle ben rappresentate come il francese o il tedesco.^[3]

Il plugin claude-english-buddy

claude-english-buddy è un plugin per Claude Code che intercetta ogni prompt e lo elabora attraverso una delle quattro modalità:

Modalità	Attivazione	Cosa succede
Correct	Prompt in inglese con errori	Corregge ortografia/grammatica, mostra le modifiche
Translate	Rilevata lingua non inglese (CJK, cirillico, ecc.)	Traduce in inglese, mostra la traduzione
Refine	Prefisso ::	Riscrive un input vago in un prompt preciso e strutturato
Skip	Testo breve, comandi, URL, codice	Passa senza modifiche

Il plugin utilizza Claude Haiku per le correzioni — veloce ed economico, senza alcuna interruzione del flusso di lavoro.

Auto-correzione (predefinita)

Basta digitare normalmente. Il plugin rileva la lingua automaticamente:

You type:    "refactor the autentication modul, its got too many responsibilties"

You see:     Refactor the authentication module. It has too many responsibilities.
             (autentication>authentication; modul>module; its got>it has;
              responsibilties>responsibilities)

Claude sees: the corrected version and responds normally.

Quando il prompt è corretto — silenzio. Nessun rumore. Silenzio significa corretto.

Traduzione

I prompt non in inglese vengono tradotti automaticamente:

You type:    这个组件渲染太慢了，每次父组件更新都会重新渲染，帮我优化一下

You see:     Optimize this component to prevent unnecessary re-renders when
             the parent component updates.
             (Chinese)

Claude sees: the English translation.

Perfezionamento del prompt con ::

Prefissare il prompt con :: per perfezionare un'idea grezza in un prompt preciso:

:: make the search faster it's really slow with big files

Diventa:

Optimize the search implementation for large files. Profile the current
bottleneck and consider debouncing, web workers, or incremental matching.

Il prefisso :: funziona per qualsiasi lingua — traduce e ristruttura in un solo passaggio.^[4]

Quando il plugin resta silenzioso

I comandi brevi (yes, continue, option 2), i comandi slash, gli URL e i frammenti di codice vengono passati senza modifiche. Nessun round-trip non necessario.

Monitorare i propri progressi

Il plugin registra ogni correzione. Nel corso delle settimane, si può osservare il miglioramento del proprio inglese:

Comando	Cosa mostra
/claude-english-buddy:today	Correzioni di oggi, errori ricorrenti, lezioni, tendenza
/claude-english-buddy:stats	Tasso di errore a lungo termine e traiettoria di miglioramento
/claude-english-buddy:mistakes	Pattern ricorrenti storici — i propri punti deboli

Installazione

Installare il plugin in Claude Code:

/plugin marketplace add xiaolai/claude-plugin-marketplace
/plugin install claude-english-buddy@xiaolai

Nessuna configurazione aggiuntiva necessaria — l'auto-correzione si attiva immediatamente.

Configurazione opzionale

Creare .claude-english-buddy.json nella root del progetto per personalizzare:

{
  "auto_correct": true,
  "summary_language": "Chinese",
  "strictness": "standard",
  "domain_terms": ["ProseMirror", "Tiptap", "Zustand"]
}

Impostazione	Opzioni	Predefinito
auto_correct	true / false	true
strictness	gentle, standard, strict	standard
summary_language	Qualsiasi nome di lingua, oppure null per disattivare	null
domain_terms	Array di termini da preservare invariati	[]

Quando summary_language è impostato, Claude aggiunge un breve riepilogo in quella lingua alla fine di ogni risposta — utile quando si desiderano le decisioni chiave nella propria lingua madre.^[5]

---

1. I LLM multilingue prendono le decisioni chiave in uno spazio di rappresentazione più vicino all'inglese, indipendentemente dalla lingua di input/output. Utilizzando un logit lens per sondare le rappresentazioni interne, i ricercatori hanno scoperto che le parole semanticamente cariche (come "water" o "sun") vengono selezionate in inglese prima di essere tradotte nella lingua di destinazione. Anche l'activation steering è più efficace quando calcolato in inglese. Vedi: Schut, L., Gal, Y., & Farquhar, S. (2025). Do Multilingual LLMs Think In English?. arXiv:2502.15603. ↩︎

2. La pre-traduzione sistematica dei prompt non inglesi in inglese prima dell'inferenza migliora la qualità dell'output dei LLM su molteplici compiti e lingue. I ricercatori scompongono i prompt in quattro parti funzionali (istruzione, contesto, esempi, output) e dimostrano che la traduzione selettiva di componenti specifici può essere più efficace della traduzione integrale. Vedi: Watts, J., Batsuren, K., & Gurevych, I. (2025). Beyond English: The Impact of Prompt Translation Strategies across Languages and Tasks in Multilingual LLMs. arXiv:2502.09331. ↩︎

3. Il benchmark MMLU-ProX — 11.829 domande identiche in 29 lingue — ha rilevato divari di prestazioni fino al 24,3% tra l'inglese e le lingue a basse risorse. Anche lingue ben rappresentate come il francese e il tedesco mostrano un degrado misurabile. Il divario è fortemente correlato alla proporzione di ciascuna lingua nel corpus di pre-addestramento del modello, e il semplice aumento delle dimensioni del modello non lo elimina. Vedi: MMLU-ProX: A Multilingual Benchmark for Advanced LLM Evaluation (2024); Palta, S. & Rudinger, R. (2024). Language Ranker: A Metric for Quantifying LLM Performance Across High and Low-Resource Languages. ↩︎

4. Il few-shot prompting — fornire esempi input/output all'interno del prompt — migliora drasticamente le prestazioni dei LLM nei compiti. Il fondamentale articolo su GPT-3 ha dimostrato che mentre le prestazioni zero-shot migliorano costantemente con le dimensioni del modello, le prestazioni few-shot aumentano più rapidamente, raggiungendo talvolta competitività con i modelli fine-tuned. I modelli più grandi sono più abili nell'apprendere dagli esempi in-context. Vedi: Brown, T., Mann, B., Ryder, N., et al. (2020). Language Models are Few-Shot Learners. NeurIPS 2020. ↩︎

5. I prompt strutturati e ben ingegnerizzati superano costantemente le istruzioni vaghe nei compiti di generazione del codice. Tecniche come il chain-of-thought reasoning, l'assegnazione di ruoli e i vincoli espliciti di ambito migliorano tutti la precisione al primo tentativo. Vedi: Sahoo, P., Singh, A.K., Saha, S., et al. (2025). Unleashing the Potential of Prompt Engineering for Large Language Models. Patterns. ↩︎