Prompts em Inglês Funcionam Melhor

Ferramentas de codificação com IA funcionam melhor quando você as fornece prompts em inglês — mesmo que o inglês não seja sua primeira língua. O VMark inclui um hook que traduz e refina seus prompts automaticamente.

Por que o Inglês Importa para Codificação com IA

LLMs Pensam em Inglês

Grandes modelos de linguagem processam internamente todas as línguas através de um espaço de representação que está fortemente alinhado ao inglês.^[1] Pré-traduzir prompts em idiomas diferentes do inglês para o inglês antes de enviá-los ao modelo melhora visivelmente a qualidade da saída.^[2]

Na prática, um prompt em chinês como "把这个函数改成异步的" funciona — mas o equivalente em inglês "Convert this function to async" produz código mais preciso com menos iterações.

O Uso de Ferramentas Herda o Idioma do Prompt

Quando uma ferramenta de codificação com IA pesquisa na web, lê documentação ou consulta referências de API, ela usa o idioma do seu prompt para essas consultas. Consultas em inglês encontram resultados melhores porque:

• Docs oficiais, Stack Overflow e issues do GitHub são predominantemente em inglês
• Termos técnicos de pesquisa são mais precisos em inglês
• Exemplos de código e mensagens de erro estão quase sempre em inglês

Um prompt em chinês perguntando sobre "状态管理" pode pesquisar recursos em chinês, perdendo a documentação oficial em inglês. Benchmarks multilíngues mostram consistentemente lacunas de desempenho de até 24% entre o inglês e outros idiomas — mesmo os bem representados como francês ou alemão.^[3]

O Hook de Refinamento de Prompt ::

O .claude/hooks/refine_prompt.mjs do VMark é um hook UserPromptSubmit que intercepta seu prompt antes de chegar ao Claude, traduz-o para o inglês e o refina em um prompt de codificação otimizado.

Como Usar

Prefixe seu prompt com :: ou >>:

:: 把这个函数改成异步的

O hook:

1. Envia seu texto ao Claude Haiku (rápido, barato) para tradução e refinamento
2. Bloqueia o envio do prompt original
3. Copia o prompt refinado em inglês para a área de transferência
4. Mostra o resultado para você

Você então cola (Cmd+V) o prompt refinado e pressiona Enter para enviá-lo.

Exemplo

Entrada:

:: 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

Saída refinada (copiada para a área de transferência):

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

O que Ele Faz

O hook usa um system prompt cuidadosamente estruturado que fornece ao Haiku:

• Consciência do Claude Code — conhece as capacidades da ferramenta alvo (edição de arquivos, Bash, Glob/Grep, ferramentas MCP, modo de planejamento, subagentes)
• Contexto do projeto — carregado de .claude/hooks/project-context.txt para que o Haiku conheça a stack tecnológica, convenções e caminhos de arquivo principais
• Regras ordenadas por prioridade — preservar a intenção primeiro, depois traduzir, depois clarificar o escopo, depois remover enchimento
• Tratamento de linguagem mista — traduz prosa mas mantém termos técnicos não traduzidos (useEffect, caminhos de arquivo, comandos CLI)
• Exemplos few-shot^[4] — sete pares de entrada/saída cobrindo chinês, inglês vago, linguagem mista e solicitações multi-etapas
• Orientação de comprimento de saída — 1–2 frases para solicitações simples, 3–5 para complexas

Se a sua entrada já for um prompt claro em inglês, ele é retornado com mínimas alterações.

Configuração

O hook é pré-configurado no .claude/settings.json do VMark. Ele requer o Claude Agent SDK que está automaticamente disponível com o Claude Code.

Nenhuma configuração adicional é necessária — basta usar o prefixo :: ou >>.

Quando Pular

Para comandos curtos (go ahead, yes, continue, option 2), envie-os sem o prefixo. O hook ignora esses para evitar viagens desnecessárias.

Também Funciona para Falantes de Inglês

Mesmo que você escreva em inglês, o prefixo >> é útil para otimização de prompt:

>> make the thing work better with the new API

Torna-se:

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

O refinamento adiciona especificidade e estrutura que ajuda a IA a produzir código melhor na primeira tentativa.^[5]

---

1. LLMs multilíngues tomam decisões-chave em um espaço de representação mais próximo do inglês, independentemente do idioma de entrada/saída. Usando uma lente logit para sondar as representações internas, os pesquisadores descobriram que palavras semanticamente carregadas (como "água" ou "sol") são selecionadas em inglês antes de serem traduzidas para o idioma alvo. O steering de ativação também é mais eficaz quando calculado em inglês. Veja: Schut, L., Gal, Y., & Farquhar, S. (2025). Do Multilingual LLMs Think In English?. arXiv:2502.15603. ↩︎

2. Pré-traduzir sistematicamente prompts em idiomas diferentes do inglês para o inglês antes da inferência melhora a qualidade da saída dos LLMs em múltiplas tarefas e idiomas. Os pesquisadores decompõem os prompts em quatro partes funcionais (instrução, contexto, exemplos, saída) e mostram que a tradução seletiva de componentes específicos pode ser mais eficaz do que traduzir tudo. Veja: 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. O benchmark MMLU-ProX — 11.829 perguntas idênticas em 29 idiomas — encontrou lacunas de desempenho de até 24,3% entre o inglês e idiomas de baixos recursos. Mesmo idiomas bem representados como francês e alemão mostram degradação mensurável. A lacuna se correlaciona fortemente com a proporção de cada idioma no corpus de pré-treinamento do modelo, e simplesmente escalar o tamanho do modelo não a elimina. Veja: 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. Prompting few-shot — fornecer exemplos de entrada/saída dentro do prompt — melhora dramaticamente o desempenho das tarefas dos LLMs. O artigo seminal do GPT-3 mostrou que, enquanto o desempenho zero-shot melhora constantemente com o tamanho do modelo, o desempenho few-shot aumenta mais rapidamente, às vezes chegando à competitividade com modelos ajustados. Modelos maiores são mais proficientes em aprender com exemplos em contexto. Veja: Brown, T., Mann, B., Ryder, N., et al. (2020). Language Models are Few-Shot Learners. NeurIPS 2020. ↩︎

5. Prompts estruturados e bem elaborados superam consistentemente as instruções vagas em tarefas de geração de código. Técnicas como raciocínio em cadeia de pensamento, atribuição de papéis e restrições explícitas de escopo todas melhoram a precisão na primeira passagem. Veja: Sahoo, P., Singh, A.K., Saha, S., et al. (2025). Unleashing the Potential of Prompt Engineering for Large Language Models. Patterns. ↩︎