一句话定义：提示词语言效应（prompt language effect）是指同一个任务，用不同自然语言写成提示词，模型输出的质量、稳定性和消耗的词元（token）数量会出现系统性差异。
很多人遇到效果不好，第一反应是“模型不行”或“提示词写得不够花”。但还有一个常被忽略的变量：你用的是哪种语言。
原理不神秘。大型语言模型（Large Language Model, LLM）的训练语料和微调">指令微调（instruction tuning）数据里，英文占比通常更高，模型对英文指令更“熟”。同时，分词器（tokenizer）对不同语言的处理效率不同：同样一段意思，英文提示往往占用更少词元，中文可能一字一词元，具体差异要看模型的分词器。词元数又直接影响上下文占用和计费，价格以官方页面为准。更深一层，模型的跨语言迁移（cross-lingual transfer）并不完美：中文提问和英文提问，在模型内部未必落在同一个“理解点”上。
打个比方：一个在多语种环境长大的人，英文是母语，中文是后天学的。你用中文问专业问题，他听得懂，但反应慢半拍，偶尔用词不准；用英文问，他脱口而出。不是他不懂，是语言通道不同。
| 维度 | 英文提示 | 中文提示 |
|---|---|---|
| 常见通用任务 | 通常更稳 | 也能用，但可能多轮才到位 |
| 词元效率 | 往往更省 | 取决于分词器，未必更费 |
| 中文语境任务 | 可能“翻译腔” | 公文、本地法规、文化语境更合适 |
| 专业术语 | 英文原词歧义少 | 中文译名不统一时易跑偏 |
它和相邻概念不是一回事。提示词工程（prompt engineering）是方法集合，比如角色设定、少样本示例、思维链；语言效应只是其中一个变量，却常被漏掉。多语言能力说的是模型“会不会”，语言效应说的是“同一能力在不同语言下发挥得差多少”。翻译提示（translate-then-answer）则是利用这个效应的一种策略：先把任务译成英文，再让模型用中文回答。
对从业者，上线前值得按语言做小规模对照测试，其他变量固定，只换提示词语言；成本估算把词元数算进去；中文专有名词可保留中文并附英文原词。对普通人，更实用的做法是：先用自己最熟的语言把需求写清楚，再明确要求“用中文回答”；如果效果不理想，试试把任务描述换成英文或中英混合。输入语言和输出语言，本来就可以分开要求。
语言不是背景，它是提示词的一个超参数。