I Prompt in Inglese Producono Codice Migliore

Gli strumenti di codifica AI funzionano meglio quando dai loro prompt in inglese — anche se l'inglese non è la tua prima lingua. VMark include un hook che traduce e raffina automaticamente i tuoi prompt.

Perché l'Inglese È Importante per la Codifica AI

Gli LLM Pensano 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 in inglese all'inglese prima di inviarli al modello migliora misurabilmente la qualità dell'output.^[2]

In pratica, un prompt cinese come "把这个函数改成异步的" funziona — ma l'equivalente in 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 codifica AI cerca sul web, legge documentazione o cerca riferimenti API, usa la lingua del tuo prompt per quelle query. Le query in inglese trovano risultati migliori perché:

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

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

Il Gancio di Raffinamento del Prompt ::

Il file .claude/hooks/refine_prompt.mjs di VMark è un hook UserPromptSubmit che intercetta il tuo prompt prima che raggiunga Claude, lo traduce in inglese e lo raffina in un prompt di codifica ottimizzato.

Come Usarlo

Aggiungi il prefisso :: o >> al tuo prompt:

:: 把这个函数改成异步的

L'hook:

1. Invia il tuo testo a Claude Haiku (veloce, economico) per la traduzione e il raffinamento
2. Blocca l'invio del prompt originale
3. Copia il prompt in inglese raffinato negli appunti
4. Ti mostra il risultato

Poi incolla (Cmd+V) il prompt raffinato e premi Invio per inviarlo.

Esempio

Input:

:: 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

Output raffinato (copiato negli appunti):

Optimize this component to prevent unnecessary re-renders when the parent component updates. Use React.memo, useMemo, or useCallback as appropriate.

Cosa Fa

L'hook usa un prompt di sistema attentamente strutturato che dà a Haiku:

• Consapevolezza di Claude Code — conosce le capacità dello strumento di destinazione (modifica di file, Bash, Glob/Grep, strumenti MCP, modalità piano, subagenti)
• Contesto del progetto — caricato da .claude/hooks/project-context.txt così Haiku conosce lo stack tecnologico, le convenzioni e i percorsi chiave dei file
• Regole ordinate per priorità — preserva prima l'intento, poi traduce, poi chiarisce la portata, poi elimina i riempitivi
• Gestione delle lingue miste — traduce la prosa ma mantiene i termini tecnici non tradotti (useEffect, percorsi di file, comandi CLI)
• Esempi few-shot^[4] — sette coppie input/output che coprono cinese, inglese vago, misto-linguistico e richieste a più passaggi
• Guida alla lunghezza dell'output — 1–2 frasi per richieste semplici, 3–5 per quelle complesse

Se il tuo input è già un prompt in inglese chiaro, viene restituito con modifiche minime.

Configurazione

L'hook è pre-configurato nel file .claude/settings.json di VMark. Richiede il Claude Agent SDK che è automaticamente disponibile con Claude Code.

Non è necessaria alcuna configurazione aggiuntiva — usa semplicemente il prefisso :: o >>.

Quando Saltarlo

Per comandi brevi (go ahead, yes, continue, option 2), inviali senza il prefisso. L'hook li ignora per evitare round-trip inutili.

Funziona Anche per i Parlanti di Madrelingua Inglese

Anche se scrivi in inglese, il prefisso >> è utile per l'ottimizzazione del prompt:

>> make the thing work better with the new API

Diventa:

Update the integration to use the new API. Fix any deprecated method calls and ensure error handling follows the updated response format.

Il raffinamento aggiunge specificità e struttura che aiuta l'IA a produrre codice migliore al primo tentativo.^[5]

---

1. Gli LLM multilingue prendono decisioni chiave in uno spazio di rappresentazione più vicino all'inglese, indipendentemente dalla lingua di input/output. Usando una lente logit per sondare le rappresentazioni interne, i ricercatori hanno scoperto che le parole semanticamente cariche (come "acqua" o "sole") vengono selezionate in inglese prima di essere tradotte nella lingua di destinazione. Lo steering dell'attivazione è anche più efficace se calcolato in inglese. Vedere: Schut, L., Gal, Y., & Farquhar, S. (2025). Do Multilingual LLMs Think In English?. arXiv:2502.15603. ↩︎

2. Pre-tradurre sistematicamente i prompt non in inglese all'inglese prima dell'inferenza migliora la qualità dell'output LLM su molteplici attività e lingue. I ricercatori decompongono i prompt in quattro parti funzionali (istruzione, contesto, esempi, output) e mostrano che la traduzione selettiva di componenti specifici può essere più efficace della traduzione di tutto. Vedere: 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 trovato gap di prestazioni fino al 24,3% tra l'inglese e le lingue a basse risorse. Persino le lingue ben rappresentate come il francese e il tedesco mostrano un degrado misurabile. Il gap correla fortemente con la proporzione di ogni lingua nel corpus di pre-addestramento del modello, e aumentare semplicemente la dimensione del modello non lo elimina. Vedere: 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 prompting few-shot — fornire esempi input/output all'interno del prompt — migliora drammaticamente le prestazioni dell'attività LLM. Il fondamentale articolo su GPT-3 ha mostrato che mentre le prestazioni zero-shot migliorano costantemente con la dimensione del modello, le prestazioni few-shot aumentano più rapidamente, raggiungendo a volte la competitività con i modelli fine-tuned. I modelli più grandi sono più capaci di imparare dagli esempi nel contesto. Vedere: Brown, T., Mann, B., Ryder, N., et al. (2020). Language Models are Few-Shot Learners. NeurIPS 2020. ↩︎

5. I prompt strutturati e ben progettati superano costantemente le istruzioni vaghe nelle attività di generazione di codice. Tecniche come il ragionamento chain-of-thought, l'assegnazione di ruoli e i vincoli di portata espliciti migliorano tutte la precisione al primo tentativo. Vedere: Sahoo, P., Singh, A.K., Saha, S., et al. (2025). Unleashing the Potential of Prompt Engineering for Large Language Models. Patterns. ↩︎