為什麼英文提示詞能產生更好的程式碼
AI 程式碼工具在接收英文提示詞時表現更佳——即使英文不是你的母語。claude-english-buddy 外掛會自動校正、翻譯並優化你的提示詞。
為什麼英文對 AI 程式開發很重要
LLM 用英文思考
大型語言模型在內部處理所有語言時，都會經過一個高度對齊英文的表徵空間。[1] 在將非英文提示詞送入模型之前先翻譯成英文，可以顯著提升輸出品質。[2]
實際上，中文提示詞如「把這個函數改成異步的」可以運作——但英文的等效表達「Convert this function to async」能產生更精確的程式碼，且需要更少的反覆修改。
工具使用會繼承提示詞語言
當 AI 程式碼工具搜尋網頁、閱讀文件或查詢 API 參考時，它會使用你提示詞的語言來進行這些查詢。英文查詢能找到更好的結果，原因如下：
- 官方文件、Stack Overflow 和 GitHub issues 以英文為主
- 技術搜尋詞在英文中更為精確
- 程式碼範例和錯誤訊息幾乎都是英文
中文提示詞搜尋「狀態管理」可能會找到中文資源，而錯過權威的英文文件。多語言基準測試一致顯示，英文與其他語言之間的效能差距最高可達 24%——即使是法語或德語等資源豐富的語言也不例外。[3]
claude-english-buddy 外掛
claude-english-buddy 是一個 Claude Code 外掛，它會攔截每一條提示詞，並透過以下四種模式之一進行處理：
| 模式 | 觸發條件 | 處理方式 |
|---|---|---|
| 校正 | 含有錯誤的英文提示詞 | 修正拼寫／文法，顯示修改內容 |
| 翻譯 | 偵測到非英文（CJK、西里爾字母等） | 翻譯為英文，顯示翻譯結果 |
| 精煉 | :: 前綴 | 將模糊的輸入改寫為精確、結構化的提示詞 |
| 跳過 | 簡短文字、指令、URL、程式碼 | 直接傳遞，不做任何修改 |
該外掛使用 Claude Haiku 進行校正——快速且便宜，對你的工作流程零干擾。
自動校正（預設）
正常輸入即可。外掛會自動偵測語言：
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.當你的提示詞沒有錯誤時——靜默。沒有干擾。靜默代表正確。
翻譯
非英文提示詞會自動翻譯：
You type: 這個組件渲染太慢了，每次父組件更新都會重新渲染，幫我優化一下
You see: Optimize this component to prevent unnecessary re-renders when
the parent component updates.
(Chinese)
Claude sees: the English translation.使用 :: 精煉提示詞
在提示詞前加上 :: 前綴，可以將粗略的想法精煉為精確的提示詞：
:: make the search faster it's really slow with big files會變成：
Optimize the search implementation for large files. Profile the current
bottleneck and consider debouncing, web workers, or incremental matching.:: 前綴適用於任何語言——它會在一個步驟中完成翻譯和重組。[4]
外掛何時保持靜默
簡短指令（yes、continue、option 2）、斜線指令、URL 和程式碼片段會直接傳遞，不做任何處理。沒有不必要的來回。
追蹤你的進步
外掛會記錄每一次校正。幾週之後，你可以看到自己的英文正在進步：
| 指令 | 顯示內容 |
|---|---|
/claude-english-buddy:today | 今天的校正、重複錯誤、學習要點、趨勢 |
/claude-english-buddy:stats | 長期錯誤率和進步軌跡 |
/claude-english-buddy:mistakes | 所有時間的重複模式——你的盲點 |
安裝設定
在 Claude Code 中安裝外掛：
/plugin marketplace add xiaolai/claude-plugin-marketplace
/plugin install claude-english-buddy@xiaolai無需額外設定——自動校正立即啟動。
選用設定
在專案根目錄建立 .claude-english-buddy.json 來自訂設定：
{
"auto_correct": true,
"summary_language": "Chinese",
"strictness": "standard",
"domain_terms": ["ProseMirror", "Tiptap", "Zustand"]
}| 設定項 | 選項 | 預設值 |
|---|---|---|
auto_correct | true / false | true |
strictness | gentle、standard、strict | standard |
summary_language | 任何語言名稱，或 null 停用 | null |
domain_terms | 保持不變的專有名詞陣列 | [] |
當設定了 summary_language 時，Claude 會在每次回覆的結尾附加一段該語言的簡短摘要——當你希望以母語了解關鍵決策時非常實用。[5]
多語言 LLM 在最接近英文的表徵空間中做出關鍵決策，與輸入／輸出語言無關。研究者使用 logit lens 探測內部表徵後發現，具有語義負載的詞彙（如「water」或「sun」）會先以英文被選取，然後才翻譯為目標語言。以英文計算的 activation steering 也更為有效。參見：Schut, L., Gal, Y., & Farquhar, S. (2025). Do Multilingual LLMs Think In English?. arXiv:2502.15603. ↩︎
系統性地在推理前將非英文提示詞翻譯為英文，可以在多項任務和語言中提升 LLM 的輸出品質。研究者將提示詞分解為四個功能部分（指令、上下文、範例、輸出），並證明選擇性翻譯特定組成部分可能比全部翻譯更有效。參見：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. ↩︎
MMLU-ProX 基準測試——29 種語言的 11,829 道相同題目——發現英文與低資源語言之間的效能差距最高可達 24.3%。即使是法語和德語等資源充足的語言也呈現可測量的退化。這一差距與各語言在模型預訓練語料庫中的佔比高度相關，而單純擴大模型規模並不能消除它。參見：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. ↩︎
Few-shot prompting——在提示詞中提供輸入／輸出範例——能大幅提升 LLM 的任務表現。GPT-3 的里程碑論文顯示，雖然 zero-shot 效能隨模型規模穩定提升，但 few-shot 效能提升更為迅速，有時甚至能與微調模型一較高下。更大的模型更善於從上下文範例中學習。參見：Brown, T., Mann, B., Ryder, N., et al. (2020). Language Models are Few-Shot Learners. NeurIPS 2020. ↩︎
結構化、精心設計的提示詞在程式碼生成任務中一致優於模糊的指令。鏈式思考推理、角色指派和明確的範圍約束等技巧都能提升首次通過準確率。參見：Sahoo, P., Singh, A.K., Saha, S., et al. (2025). Unleashing the Potential of Prompt Engineering for Large Language Models. Patterns. ↩︎