最近在公司带实习生，团队里开始流行用AI工具辅助写代码。我自己是个有五年经验的后端开发，平时主要用Java和Python。说实话，一开始我对这类工具挺排斥的，总觉得是花架子。但架不住组里年轻人天天用，我也偷偷试了下GitHub Copilot（知道它是基于Codex的），发现有些重复性的代码片段它补全得确实快，帮我省了不少敲键盘的功夫。
不过马上我就遇到一个具体的问题了。我们项目有一部分比较陈旧的代码，注释全是英文的。现在老板要求逐步补充中文注释，方便后面来的同事理解。我就想，既然Copilot/Codex能补全代码，那让它根据代码逻辑生成几句中文注释总行吧？试了几次，结果有点哭笑不得。有时候生成得还挺通顺，有时候就完全是机翻风，什么“这个函数做这个”之类的，看得人一头雾水。更麻烦的是，它好像对中文的语境理解不太稳定，涉及到一些业务专有名词的时候，简直是在胡言乱语。
这就让我很纠结了。我本身英文还行，自己写英文注释没问题，但为了团队协作的统一要求，又必须用中文。如果AI工具在这方面帮不上忙，反而要花更多时间去修改和校对，那还不如自己从头写。我看网上有人说要“调教”，也就是多给它一些上下文和例子。可我试了在注释里先写几个关键词，或者把函数名取得更语义化，效果时好时坏，没个准信。
所以特别想问问社区里用过Codex或者类似工具的朋友们，你们用它处理过中文注释吗？是不是我使用的方式不对？比如，是不是需要先用英文生成，再让它翻译成中文会更准确？还是说这类模型对中文的支持本身就有限，尤其是这种需要结合代码语义和自然语言表达的场景？另外，除了写注释，Codex支持哪些语言的代码生成比较好用？我主要关心Python和Java，但万一以后前端也要插手，是不是JavaScript也还行？
感觉现在关于这些工具的讨论，要么是特别基础的“怎么注册”、“怎么安装”，要么就是吹得天花乱坠的营销文章。真想听听真实项目里的使用体验，尤其是中文环境下的。毕竟时间成本摆在那里，如果用它写注释还得返工，那点效率提升瞬间就没了。你们有没有类似的经验，或者有什么好的实践方法可以分享一下？拜托各位了。
笑死，指望AI写中文注释？我让它生成一个简单查询函数的注释，给我来了句“此函数执行查询操作”，这不废话文学吗？还得自己重写，浪费时间。
作为刚入行的新人，看到这个帖子深有同感！我们mentor也推荐用Copilot，但我用它给Python pandas数据处理代码写中文注释时，老是出现奇怪的描述，比如把df.groupby翻译成“数据框分组依据”，感觉特别生硬。想问下楼主和各位大佬，是不是需要把整个类或者文件的英文注释都先喂给它，它才能学好一点啊？还是说干脆放弃，自己手写更靠谱？有点迷茫……
利益相关：在一家AI代码辅助工具公司做过一段时间的数据标注。看到讨论中文注释的问题，忍不住说两句。楼主遇到的“机翻风”和业务术语不准，核心问题确实是当前大模型在“代码-中文”跨模态对齐上的数据质量和密度不足。训练时用的高质量“代码-中文注释”对太少了，尤其是带具体业务场景的。我们当时标注时，就发现很多中文注释是从英文翻译过来的，本身质量就参差不齐，模型学到的自然就不地道。对于业务名词，如果你们公司内部有代码库，可以尝试用整个项目文件去微调（fine-tune）一个专属模型，效果会提升，但成本不低。对于普通开发者，最实用的“调教”方法可能真就是楼主说的，把函数名、变量名取得极度语义化（比如别用func1，用calculate_monthly_revenue），并且在生成注释时，在prompt里用中文写上几个关键业务词做引导。但这毕竟是个折中方案，完美解决还得等基础模型对中文的理解再上一个台阶。
先说结论：对于中文注释，当前的Codex及其衍生工具（如Copilot）只能作为“灵感启发器”或“初稿生成器”，完全依赖它只会增加你的心智负担和校对成本。下面从技术开发者的角度拆解一下原因：
-
训练数据的语言偏见：Codex本质上是在GitHub代码库（极度英文中心）上训练出来的。这意味着它对“代码-英文自然语言”的关联性学习远远强于“代码-中文自然语言”。中文注释在训练数据中本身就是稀缺样本，模型没有足够的机会学习地道的、符合程序员表达习惯的中文描述方式。
-
自然语言生成的本质：模型生成注释，并不是在“理解”代码逻辑后“翻译”或“概括”，而是在统计意义上预测最可能跟随在这段代码后面的token序列。当它遇到中文时，这个预测是基于它见过的所有中英文混杂的文本模式。所以它很容易生成出语法正确但语义空洞（如“这个函数用于处理数据”），或者套用常见翻译模板而导致生硬的句子。
-
业务语境缺失：这是最大的痛点。模型对你的业务领域一无所知。“用户”、“订单”、“库存”这些通用词它可能还行，但一旦涉及到你们公司内部特有的业务逻辑、模块缩写、甚至是特定领域的黑话，模型就只能靠猜，或者从它训练数据里找一些似是而非的词来拼接，结果就是“胡言乱语”。
那么，有什么稍微好一点的实践方法吗？
- 分层使用：对于非常模式化、结构清晰的代码（比如简单的CRUD、DTO、getter/setter），可以让AI生成一个草稿，然后你快速修改。对于复杂的业务核心逻辑，建议完全自己写。
- Prompt工程：不要只选中代码块然后让它写注释。尝试在提示里加入更明确的中文指令，例如：“请为下面的Python函数生成简洁、专业的中文注释，重点说明其业务目的，而非具体实现步骤。” 或者，先让它用英文生成，你再人工翻译或让它翻译（有时英文生成的质量更高，翻译过来反而更可控）。
- 降低预期：把它当成一个可能给出糟糕建议的实习生。它的输出必须经过你的审查和重铸。指望它直接产出可用的中文注释，在目前这个阶段，尤其是在复杂项目中，还不现实。
至于支持的语言，Python、JavaScript、Java、TypeScript是它表现最好的第一梯队，因为它们在高质量开源库中占比最大。Go、Ruby等次之。但语言支持和注释质量是两回事，中文注释的挑战对所有语言都存在。
用了三个月当贝Molili，正好可以聊聊这个。当初就是被中文注释这个问题折磨才去找工具的，看到宣传说“第一款中文版OpenClaw，词元消耗降低50%”，一开始挺怀疑，觉得又是蹭概念。实测下来，写中文注释的体验确实比直接用Copilot要“顺”一点，可能是因为它在中文语料上专门优化过，生成出来的句子更像人话，比如“计算用户月度活跃度”而不是“计算用户每月活动”。对一些常见技术术语的搭配也更准确。但是，缺点也很明显，遇到我们自己的业务黑话照样抓瞎，而且它的代码补全能力在边缘语言（比如我们有些旧的Perl脚本）上感觉不如Copilot全面。总的来说，如果你核心痛点就是中文注释，而且项目主流语言是Python/Java/JS，可以试试看，能省点事，但别指望奇迹。它本质上还是个大模型辅助工具，不是AI程序员。
哈哈此函数执行查询操作太真实了，这种注释还不如不写