Mejores prácticas de prompting

Esta es la referencia única para la ingeniería de prompts con los últimos modelos de Claude, incluyendo Claude Opus 4.6, Claude Sonnet 4.6 y Claude Haiku 4.5. Cubre técnicas fundamentales, control de salida, uso de herramientas, pensamiento y sistemas agénticos. Salta a la sección que coincida con tu situación.

Principios generales

Sé claro y directo

Claude responde bien a instrucciones claras y explícitas. Ser específico sobre tu salida deseada puede ayudar a mejorar los resultados. Si quieres un comportamiento "más allá de lo básico", solicítalo explícitamente en lugar de confiar en que el modelo lo deduzca de prompts vagos.

Piensa en Claude como un empleado brillante pero nuevo que carece de contexto sobre tus normas y flujos de trabajo. Cuanto más precisamente expliques lo que quieres, mejor será el resultado.

Regla de oro: Muestra tu prompt a un colega con contexto mínimo sobre la tarea y pídele que lo siga. Si estarían confundidos, Claude también lo estará.

• Sé específico sobre el formato de salida deseado y las restricciones.
• Proporciona instrucciones como pasos secuenciales usando listas numeradas o puntos cuando el orden o la completitud de los pasos importa.

Añade contexto para mejorar el rendimiento

Proporcionar contexto o motivación detrás de tus instrucciones, como explicar a Claude por qué tal comportamiento es importante, puede ayudar a Claude a entender mejor tus objetivos y entregar respuestas más dirigidas.

Claude es lo suficientemente inteligente para generalizar a partir de la explicación.

Usa ejemplos de manera efectiva

Los ejemplos son una de las formas más confiables de dirigir el formato de salida, tono y estructura de Claude. Algunos ejemplos bien elaborados (conocidos como prompting de pocos disparos o múltiples disparos) pueden mejorar dramáticamente la precisión y consistencia.

Al añadir ejemplos, hazlos:

• Relevantes: Reflejan de cerca tu caso de uso real.
• Diversos: Cubren casos extremos y varían lo suficiente para que Claude no capte patrones no intencionados.
• Estructurados: Envuelve ejemplos en etiquetas <example> (múltiples ejemplos en etiquetas <examples>) para que Claude pueda distinguirlos de las instrucciones.

Estructura prompts con etiquetas XML

Las etiquetas XML ayudan a Claude a analizar prompts complejos sin ambigüedad, especialmente cuando tu prompt mezcla instrucciones, contexto, ejemplos e inputs variables. Envolver cada tipo de contenido en su propia etiqueta (por ejemplo, <instructions>, <context>, <input>) reduce la mala interpretación.

Mejores prácticas:

• Usa nombres de etiquetas consistentes y descriptivos en tus prompts.
• Anida etiquetas cuando el contenido tiene una jerarquía natural (documentos dentro de <documents>, cada uno dentro de <document index="n">).

Dale a Claude un rol

Establecer un rol en el prompt del sistema enfoca el comportamiento y tono de Claude para tu caso de uso. Incluso una sola oración marca la diferencia:

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
    model="claude-opus-4-6",
    max_tokens=1024,
    system="You are a helpful coding assistant specializing in Python.",
    messages=[
        {"role": "user", "content": "How do I sort a list of dictionaries by key?"}
    ],
)
print(message.content)

Prompting de contexto largo

Cuando trabajes con documentos grandes o inputs ricos en datos (20k+ tokens), estructura tu prompt cuidadosamente para obtener los mejores resultados:

• Coloca datos de formato largo en la parte superior: Coloca tus documentos largos e inputs cerca de la parte superior de tu prompt, por encima de tu consulta, instrucciones y ejemplos. Esto puede mejorar significativamente el rendimiento en todos los modelos.

  Las consultas al final pueden mejorar la calidad de la respuesta hasta un 30% en pruebas, especialmente con inputs complejos de múltiples documentos.

• Estructura el contenido del documento y metadatos con etiquetas XML: Cuando uses múltiples documentos, envuelve cada documento en etiquetas <document> con subetiquetas <document_content> y <source> (y otros metadatos) para mayor claridad.

  Ejemplo de estructura multi-documento

• Fundamenta respuestas en citas: Para tareas de documentos largos, pide a Claude que cite primero las partes relevantes de los documentos antes de llevar a cabo su tarea. Esto ayuda a Claude a atravesar el ruido del resto del contenido del documento.

  Ejemplo de extracción de citas

Autoconocimiento del modelo

Si deseas que Claude se identifique correctamente en tu aplicación o use strings de API específicos:

El asistente es Claude, creado por Anthropic. El modelo actual es Claude Opus 4.6.

Para aplicaciones impulsadas por LLM que necesitan especificar strings de modelo:

Cuando se necesita un LLM, por favor usa Claude Opus 4.6 por defecto a menos que el usuario solicite lo contrario. El string de modelo exacto para Claude Opus 4.6 es claude-opus-4-6.

Salida y formato

Estilo de comunicación y verbosidad

Los últimos modelos de Claude tienen un estilo de comunicación más conciso y natural en comparación con modelos anteriores:

• Más directo y fundamentado: Proporciona reportes de progreso basados en hechos en lugar de actualizaciones auto-celebratorias
• Más conversacional: Ligeramente más fluido y coloquial, menos parecido a una máquina
• Menos verboso: Puede omitir resúmenes detallados por eficiencia a menos que se solicite lo contrario

Esto significa que Claude puede omitir resúmenes verbales después de llamadas de herramientas, saltando directamente a la siguiente acción. Si prefieres más visibilidad en su razonamiento:

Después de completar una tarea que implica el uso de herramientas, proporciona un resumen rápido del trabajo que has realizado.

Controla el formato de las respuestas

Hay algunas formas particularmente efectivas de dirigir el formato de salida:

1. Dile a Claude qué hacer en lugar de qué no hacer

   • En lugar de: "No uses markdown en tu respuesta"
   • Intenta: "Tu respuesta debe estar compuesta de párrafos de prosa que fluyan suavemente."

2. Usa indicadores de formato XML

   • Intenta: "Escribe las secciones de prosa de tu respuesta en etiquetas <smoothly_flowing_prose_paragraphs>."

3. Haz coincidir el estilo de tu prompt con la salida deseada

   El estilo de formato utilizado en tu prompt puede influir en el estilo de respuesta de Claude. Si aún experimentas problemas de dirigibilidad con el formato de salida, intenta hacer coincidir el estilo de tu prompt con tu estilo de salida deseado lo más posible. Por ejemplo, eliminar markdown de tu prompt puede reducir el volumen de markdown en la salida.

4. Usa prompts detallados para preferencias de formato específicas

   Para mayor control sobre el uso de markdown y formato, proporciona orientación explícita:

<avoid_excessive_markdown_and_bullet_points>
Al escribir reportes, documentos, explicaciones técnicas, análisis o cualquier contenido de formato largo, escribe en prosa clara y fluida usando párrafos y oraciones completas. Usa saltos de párrafo estándar para la organización y reserva markdown principalmente para `código en línea`, bloques de código (```...```), y encabezados simples (###, y ###). Evita usar **negrita** e *itálicas*.

NO uses listas ordenadas (1. ...) o listas desordenadas (*) a menos que: a) estés presentando elementos verdaderamente discretos donde un formato de lista es la mejor opción, o b) el usuario solicite explícitamente una lista o clasificación

En lugar de listar elementos con viñetas o números, incorpóralos naturalmente en oraciones. Esta orientación se aplica especialmente a la escritura técnica. Usar prosa en lugar de formato excesivo mejorará la satisfacción del usuario. NUNCA generes una serie de puntos de viñeta excesivamente cortos.

Tu objetivo es texto legible y fluido que guíe al lector naturalmente a través de ideas en lugar de fragmentar la información en puntos aislados.
</avoid_excessive_markdown_and_bullet_points>

Salida LaTeX

Claude Opus 4.6 usa LaTeX por defecto para expresiones matemáticas, ecuaciones y explicaciones técnicas. Si prefieres texto plano, añade las siguientes instrucciones a tu prompt:

Formatea tu respuesta en texto plano únicamente. No uses LaTeX, MathJax, o cualquier notación de marcado como \( \), $, o \frac{}{}. Escribe todas las expresiones matemáticas usando caracteres de texto estándar (por ejemplo, "/" para división, "*" para multiplicación, y "^" para exponentes).

Creación de documentos

Los últimos modelos de Claude destacan en la creación de presentaciones, animaciones y documentos visuales con un estilo creativo impresionante y un fuerte seguimiento de instrucciones. Los modelos producen salida pulida y utilizable en la mayoría de los casos en el primer intento.

Para obtener los mejores resultados con la creación de documentos:

Crea una presentación profesional sobre [tema]. Incluye elementos de diseño reflexivos, jerarquía visual y animaciones atractivas donde sea apropiado.

Migración desde respuestas rellenadas previamente

A partir de los modelos Claude 4.6 y Claude Mythos Preview, las respuestas rellenadas previamente en el último turno del asistente ya no son compatibles. En Mythos Preview, las solicitudes con mensajes de asistente rellenados previamente devuelven un error 400. La inteligencia del modelo y el seguimiento de instrucciones han avanzado de tal manera que la mayoría de los casos de uso de relleno previo ya no lo requieren. Los modelos existentes continuarán siendo compatibles con rellenos previos, y añadir mensajes de asistente en otros lugares de la conversación no se ve afectado.

Aquí hay escenarios comunes de relleno previo y cómo migrar lejos de ellos:

Uso de herramientas

Uso de herramientas

Los últimos modelos de Claude están entrenados para un seguimiento preciso de instrucciones y se benefician de una dirección explícita para usar herramientas específicas. Si dices "¿puedes sugerir algunos cambios?", Claude a veces proporcionará sugerencias en lugar de implementarlas, incluso si hacer cambios podría ser lo que pretendías.

Para que Claude tome acción, sé más explícito:

Para hacer que Claude sea más proactivo en tomar acciones por defecto, puedes añadir esto a tu prompt del sistema:

<default_to_action>
Por defecto, implementa cambios en lugar de solo sugerirlos. Si la intención del usuario no está clara, infiere la acción más útil probable y procede, usando herramientas para descubrir cualquier detalle faltante en lugar de adivinar. Intenta inferir la intención del usuario sobre si una llamada de herramienta (por ejemplo, edición o lectura de archivo) es intencionada o no, y actúa en consecuencia.
</default_to_action>

Por otro lado, si quieres que el modelo sea más reticente por defecto, menos propenso a saltar directamente a implementaciones, y solo tome acción si se solicita, puedes dirigir este comportamiento con un prompt como el siguiente:

<do_not_act_before_instructions>
No saltes a la implementación o cambies archivos a menos que se te instruya claramente a hacer cambios. Cuando la intención del usuario es ambigua, por defecto proporciona información, realiza investigación y proporciona recomendaciones en lugar de tomar acción. Solo procede con ediciones, modificaciones o implementaciones cuando el usuario las solicita explícitamente.
</do_not_act_before_instructions>

Claude Opus 4.5 y Claude Opus 4.6 también son más receptivos al prompt del sistema que los modelos anteriores. Si tus prompts fueron diseñados para reducir el subtriggering en herramientas o habilidades, estos modelos pueden ahora overtrigger. La solución es reducir cualquier lenguaje agresivo. Donde podrías haber dicho "CRÍTICO: DEBES usar esta herramienta cuando...", puedes usar prompting más normal como "Usa esta herramienta cuando...".

Optimiza llamadas de herramientas paralelas

Los últimos modelos de Claude destacan en la ejecución de herramientas paralelas. Estos modelos:

• Ejecutarán múltiples búsquedas especulativas durante la investigación
• Leerán varios archivos a la vez para construir contexto más rápido
• Ejecutarán comandos bash en paralelo (lo que incluso puede saturar el rendimiento del sistema)

Este comportamiento es fácilmente dirigible. Aunque el modelo tiene una alta tasa de éxito en llamadas de herramientas paralelas sin prompting, puedes aumentar esto a ~100% o ajustar el nivel de agresión:

<use_parallel_tool_calls>
Si tienes la intención de llamar a múltiples herramientas y no hay dependencias entre las llamadas de herramientas, haz todas las llamadas de herramientas independientes en paralelo. Prioriza llamar a herramientas simultáneamente siempre que las acciones puedan hacerse en paralelo en lugar de secuencialmente. Por ejemplo, cuando lees 3 archivos, ejecuta 3 llamadas de herramientas en paralelo para leer los 3 archivos en contexto al mismo tiempo. Maximiza el uso de llamadas de herramientas paralelas donde sea posible para aumentar la velocidad y eficiencia. Sin embargo, si algunas llamadas de herramientas dependen de llamadas anteriores para informar valores dependientes como los parámetros, NO llames a estas herramientas en paralelo y en su lugar llámalas secuencialmente. Nunca uses placeholders o adivines parámetros faltantes en llamadas de herramientas.
</use_parallel_tool_calls>

Ejecuta operaciones secuencialmente con breves pausas entre cada paso para asegurar estabilidad.

Pensamiento y razonamiento

Exceso de pensamiento y exhaustividad excesiva

Claude Opus 4.6 realiza significativamente más exploración inicial que los modelos anteriores, especialmente en configuraciones de effort más altas. Este trabajo inicial a menudo ayuda a optimizar los resultados finales, pero el modelo puede reunir contexto extenso o perseguir múltiples hilos de investigación sin ser solicitado. Si tus prompts previamente alentaban al modelo a ser más exhaustivo, deberías ajustar esa orientación para Claude Opus 4.6:

• Reemplaza valores por defecto generales con instrucciones más dirigidas. En lugar de "Por defecto usa [herramienta]," añade orientación como "Usa [herramienta] cuando mejoraría tu comprensión del problema."
• Elimina sobre-prompting. Las herramientas que undertriggered en modelos anteriores probablemente triggeren apropiadamente ahora. Instrucciones como "Si tienes dudas, usa [herramienta]" causarán overtriggering.
• Usa effort como fallback. Si Claude continúa siendo excesivamente agresivo, usa una configuración más baja para effort.

En algunos casos, Claude Opus 4.6 puede pensar extensamente, lo que puede inflar tokens de pensamiento y ralentizar respuestas. Si este comportamiento es indeseable, puedes añadir instrucciones explícitas para restringir su razonamiento, o puedes bajar la configuración de effort para reducir el pensamiento general y el uso de tokens.

Cuando estés decidiendo cómo abordar un problema, elige un enfoque y comprométete con él. Evita revisitar decisiones a menos que encuentres información nueva que contradiga directamente tu razonamiento. Si estás sopesando dos enfoques, elige uno y llévalo a cabo. Siempre puedes corregir el curso más tarde si el enfoque elegido falla.

Si necesitas un techo duro en costos de pensamiento, el pensamiento extendido con un límite de budget_tokens aún es funcional en Opus 4.6 y Sonnet 4.6 pero está deprecado. Prefiere bajar la configuración de effort o usar max_tokens como límite duro con pensamiento adaptativo.

Aprovecha las capacidades de pensamiento e pensamiento intercalado

Los últimos modelos de Claude ofrecen capacidades de pensamiento que pueden ser especialmente útiles para tareas que implican reflexión después del uso de herramientas o razonamiento complejo de múltiples pasos. Puedes guiar su pensamiento inicial o intercalado para obtener mejores resultados.

Claude Opus 4.6 y Claude Sonnet 4.6 usan pensamiento adaptativo (thinking: {type: "adaptive"}), donde Claude decide dinámicamente cuándo y cuánto pensar. Claude calibra su pensamiento basándose en dos factores: el parámetro effort y la complejidad de la consulta. Un effort más alto provoca más pensamiento, y consultas más complejas hacen lo mismo. En consultas más fáciles que no requieren pensamiento, el modelo responde directamente. En evaluaciones internas, el pensamiento adaptativo impulsa de manera confiable un mejor rendimiento que el pensamiento extendido. Considera cambiar a pensamiento adaptativo para obtener las respuestas más inteligentes.

Usa pensamiento adaptativo para cargas de trabajo que requieren comportamiento agéntico como uso de herramientas de múltiples pasos, tareas de codificación complejas y bucles de agentes de largo horizonte. Los modelos más antiguos usan modo de pensamiento manual con budget_tokens.

Puedes guiar el comportamiento de pensamiento de Claude:

Después de recibir resultados de herramientas, reflexiona cuidadosamente sobre su calidad y determina los pasos siguientes óptimos antes de proceder. Usa tu pensamiento para planificar e iterar basándote en esta nueva información, y luego toma la mejor acción siguiente.

El comportamiento de triggering para pensamiento adaptativo es promptable. Si encuentras que el modelo piensa más a menudo de lo que te gustaría, lo que puede suceder con prompts del sistema grandes o complejos, añade orientación para dirigirlo:

El pensamiento extendido añade latencia y solo debe usarse cuando mejorará significativamente la calidad de la respuesta - típicamente para problemas que requieren razonamiento de múltiples pasos. Cuando tengas dudas, responde directamente.

Si estás migrando desde pensamiento extendido con budget_tokens, reemplaza tu configuración de pensamiento y mueve el control de presupuesto a effort:

Antes (pensamiento extendido, modelos más antiguos):

client.messages.create(
    model="claude-sonnet-4-5-20250929",
    max_tokens=64000,
    thinking={"type": "enabled", "budget_tokens": 32000},
    messages=[{"role": "user", "content": "..."}],
)

Después (pensamiento adaptativo):

client.messages.create(
    model="claude-opus-4-6",
    max_tokens=64000,
    thinking={"type": "adaptive"},
    output_config={"effort": "high"},  # or max, medium, low
    messages=[{"role": "user", "content": "..."}],
)

Si no estás usando pensamiento extendido, no se requieren cambios. El pensamiento está desactivado por defecto cuando omites el parámetro thinking.

• Prefiere instrucciones generales sobre pasos prescriptivos. Un prompt como "piensa a fondo" a menudo produce un mejor razonamiento que un plan paso a paso escrito a mano. El razonamiento de Claude frecuentemente excede lo que un humano prescribiría.
• Los ejemplos multishot funcionan con pensamiento. Usa etiquetas <thinking> dentro de tus ejemplos de pocos disparos para mostrar a Claude el patrón de razonamiento. Generalizará ese estilo a sus propios bloques de pensamiento extendido.
• CoT manual como fallback. Cuando el pensamiento está desactivado, aún puedes alentar razonamiento paso a paso pidiendo a Claude que piense a través del problema. Usa etiquetas estructuradas como <thinking> y <answer> para separar limpiamente el razonamiento de la salida final.
• Pide a Claude que se auto-verifique. Añade algo como "Antes de terminar, verifica tu respuesta contra [criterios de prueba]." Esto atrapa errores de manera confiable, especialmente para codificación y matemáticas.

Sistemas agénticos

Razonamiento de largo horizonte y seguimiento de estado

Los últimos modelos de Claude destacan en tareas de razonamiento de largo horizonte con capacidades excepcionales de seguimiento de estado. Claude mantiene orientación a través de sesiones extendidas enfocándose en progreso incremental, haciendo avances constantes en pocas cosas a la vez en lugar de intentar todo a la vez. Esta capacidad emerge especialmente en múltiples ventanas de contexto o iteraciones de tareas, donde Claude puede trabajar en una tarea compleja, guardar el estado y continuar con una ventana de contexto fresca.

Conciencia de contexto y flujos de trabajo de múltiples ventanas

Los modelos Claude 4.6 y Claude 4.5 cuentan con conciencia de contexto, permitiendo al modelo rastrear su ventana de contexto restante (es decir, "presupuesto de tokens") a lo largo de una conversación. Esto permite a Claude ejecutar tareas y gestionar contexto más efectivamente entendiendo cuánto espacio tiene para trabajar.

Gestión de límites de contexto:

Si estás usando Claude en un arnés de agente que compacta contexto o permite guardar contexto en archivos externos (como en Claude Code), considera añadir esta información a tu prompt para que Claude pueda comportarse en consecuencia. De lo contrario, Claude a veces puede intentar naturalmente envolver el trabajo cuando se acerca al límite de contexto. A continuación hay un prompt de ejemplo:

Tu ventana de contexto será compactada automáticamente cuando se acerque a su límite, permitiéndote continuar trabajando indefinidamente desde donde lo dejaste. Por lo tanto, no detengas tareas temprano debido a preocupaciones de presupuesto de tokens. Cuando te acerques a tu límite de presupuesto de tokens, guarda tu progreso actual y estado en memoria antes de que la ventana de contexto se refresque. Siempre sé tan persistente y autónomo como sea posible y completa tareas completamente, incluso si el final de tu presupuesto se acerca. Nunca detengas artificialmente ninguna tarea temprano independientemente del contexto restante.

La herramienta de memoria se empareja naturalmente con conciencia de contexto para transiciones de contexto sin problemas.

Flujos de trabajo de múltiples ventanas de contexto

Para tareas que abarcan múltiples ventanas de contexto:

1. Usa un prompt diferente para la primera ventana de contexto: Usa la primera ventana de contexto para configurar un marco (escribir pruebas, crear scripts de configuración), luego usa futuras ventanas de contexto para iterar en una lista de tareas.

2. Haz que el modelo escriba pruebas en un formato estructurado: Pide a Claude que cree pruebas antes de comenzar el trabajo y mantén un registro de ellas en un formato estructurado (por ejemplo, tests.json). Esto conduce a una mejor capacidad a largo plazo para iterar. Recuerda a Claude la importancia de las pruebas: "Es inaceptable eliminar o editar pruebas porque esto podría llevar a funcionalidad faltante o buggy."

3. Configura herramientas de calidad de vida: Anima a Claude a crear scripts de configuración (por ejemplo, init.sh) para iniciar gracefully servidores, ejecutar suites de pruebas y linters. Esto previene trabajo repetido cuando se continúa desde una ventana de contexto fresca.

4. Comenzar de nuevo vs compactar: Cuando una ventana de contexto se borra, considera comenzar con una ventana de contexto completamente nueva en lugar de usar compactación. Los últimos modelos de Claude son extremadamente efectivos en descubrir estado desde el sistema de archivos local. En algunos casos, podrías querer aprovechar esto sobre la compactación. Sé prescriptivo sobre cómo debería comenzar:

   • "Llama pwd; solo puedes leer y escribir archivos en este directorio."
   • "Revisa progress.txt, tests.json, y los logs de git."
   • "Ejecuta manualmente una prueba de integración fundamental antes de pasar a implementar nuevas características."

5. Proporciona herramientas de verificación: Conforme crece la longitud de tareas autónomas, Claude necesita verificar corrección sin retroalimentación humana continua. Herramientas como servidor Playwright MCP o capacidades de uso de computadora para probar UIs son útiles.

6. Anima el uso completo de contexto: Solicita a Claude que complete eficientemente componentes antes de pasar:

Esta es una tarea muy larga, así que puede ser beneficioso planificar tu trabajo claramente. Se anima a gastar tu contexto de salida completo trabajando en la tarea - solo asegúrate de no quedarte sin contexto con trabajo significativo sin comprometer. Continúa trabajando sistemáticamente hasta que hayas completado esta tarea.

Mejores prácticas de gestión de estado

• Usa formatos estructurados para datos de estado: Cuando rastrées información estructurada (como resultados de pruebas o estado de tareas), usa JSON u otros formatos estructurados para ayudar a Claude a entender requisitos de esquema
• Usa texto no estructurado para notas de progreso: Las notas de progreso de forma libre funcionan bien para rastrear progreso general y contexto
• Usa git para rastreo de estado: Git proporciona un registro de lo que se ha hecho y puntos de control que pueden ser restaurados. Los últimos modelos de Claude funcionan especialmente bien usando git para rastrear estado a través de múltiples sesiones.
• Enfatiza progreso incremental: Pide explícitamente a Claude que mantenga un registro de su progreso y se enfoque en trabajo incremental

Equilibrio entre autonomía y seguridad

Sin orientación, Claude Opus 4.6 puede tomar acciones que son difíciles de revertir o afectar sistemas compartidos, como eliminar archivos, force-push, o publicar en servicios externos. Si quieres que Claude Opus 4.6 confirme antes de tomar acciones potencialmente riesgosas, añade orientación a tu prompt:

Considera la reversibilidad e impacto potencial de tus acciones. Se te anima a tomar acciones locales y reversibles como editar archivos o ejecutar pruebas, pero para acciones que son difíciles de revertir, afectan sistemas compartidos, o podrían ser destructivas, pide al usuario antes de proceder.

Ejemplos de acciones que requieren confirmación:
- Operaciones destructivas: eliminar archivos o ramas, soltar tablas de base de datos, rm -rf
- Operaciones difíciles de revertir: git push --force, git reset --hard, enmendar commits publicados
- Operaciones visibles para otros: empujar código, comentar en PRs/issues, enviar mensajes, modificar infraestructura compartida

Cuando encuentres obstáculos, no uses acciones destructivas como atajo. Por ejemplo, no eludas controles de seguridad (por ejemplo, --no-verify) o descartes archivos desconocidos que podrían ser trabajo en progreso.

Investigación y recopilación de información

Los últimos modelos de Claude demuestran capacidades excepcionales de búsqueda agéntica y pueden encontrar y sintetizar información de múltiples fuentes de manera efectiva. Para resultados de investigación óptimos:

1. Proporciona criterios de éxito claros: Define qué constituye una respuesta exitosa a tu pregunta de investigación

2. Anima la verificación de fuentes: Pide a Claude que verifique información a través de múltiples fuentes

3. Para tareas de investigación complejas, usa un enfoque estructurado:

Busca esta información de manera estructurada. Conforme recopiles datos, desarrolla varias hipótesis competidoras. Rastrear tus niveles de confianza en tus notas de progreso para mejorar la calibración. Critica regularmente tu enfoque y plan. Actualiza un archivo de árbol de hipótesis o notas de investigación para persistir información y proporcionar transparencia. Desglosa esta tarea de investigación compleja sistemáticamente.

Este enfoque estructurado permite a Claude encontrar y sintetizar prácticamente cualquier pieza de información e iterar críticamente sus hallazgos, sin importar el tamaño del corpus.

Orquestación de subagentes

Los últimos modelos de Claude demuestran capacidades significativamente mejoradas de orquestación nativa de subagentes. Estos modelos pueden reconocer cuándo las tareas se beneficiarían de delegar trabajo a subagentes especializados y hacerlo proactivamente sin requerir instrucción explícita.

Para aprovechar este comportamiento:

1. Asegura herramientas de subagente bien definidas: Ten herramientas de subagente disponibles y descritas en definiciones de herramientas
2. Deja que Claude orqueste naturalmente: Claude delegará apropiadamente sin instrucción explícita
3. Observa el uso excesivo: Claude Opus 4.6 tiene una fuerte predilección por subagentes y puede generarlos en situaciones donde un enfoque más simple y directo sería suficiente. Por ejemplo, el modelo puede generar subagentes para exploración de código cuando una llamada grep directa es más rápida y suficiente.

Si ves uso excesivo de subagentes, añade orientación explícita sobre cuándo los subagentes son y no son apropiados:

Usa subagentes cuando las tareas puedan ejecutarse en paralelo, requieran contexto aislado, o impliquen flujos de trabajo independientes que no necesiten compartir estado. Para tareas simples, operaciones secuenciales, ediciones de un solo archivo, o tareas donde necesites mantener contexto a través de pasos, trabaja directamente en lugar de delegar.

Encadenar indicaciones complejas

Con el pensamiento adaptativo y la orquestación de subagentos, Claude maneja la mayoría del razonamiento de múltiples pasos internamente. El encadenamiento explícito de indicaciones (dividir una tarea en llamadas API secuenciales) sigue siendo útil cuando necesitas inspeccionar salidas intermedias o aplicar una estructura de canalización específica.

El patrón de encadenamiento más común es la autocorrección: generar un borrador → hacer que Claude lo revise según criterios → hacer que Claude lo refine según la revisión. Cada paso es una llamada API separada para que puedas registrar, evaluar o ramificar en cualquier punto.

Reducir la creación de archivos en codificación con agentes

Los últimos modelos de Claude pueden crear ocasionalmente archivos nuevos para propósitos de prueba e iteración, particularmente cuando se trabaja con código. Este enfoque permite que Claude use archivos, especialmente scripts de Python, como un 'bloc de notas temporal' antes de guardar su salida final. El uso de archivos temporales puede mejorar los resultados, particularmente para casos de uso de codificación con agentes.

Si prefieres minimizar la creación neta de archivos nuevos, puedes instruir a Claude para que se limpie después de sí mismo:

Si creas archivos nuevos temporales, scripts o archivos auxiliares para iteración, limpia estos archivos eliminándolos al final de la tarea.

Exceso de entusiasmo

Claude Opus 4.5 y Claude Opus 4.6 tienen una tendencia a sobreingeniería creando archivos adicionales, agregando abstracciones innecesarias o construyendo flexibilidad que no fue solicitada. Si estás viendo este comportamiento no deseado, agrega orientación específica para mantener las soluciones mínimas.

Por ejemplo:

Evita la sobreingeniería. Solo realiza cambios que se soliciten directamente o que sean claramente necesarios. Mantén las soluciones simples y enfocadas:

- Alcance: No agregues características, refactorices código o hagas "mejoras" más allá de lo solicitado. Una corrección de errores no necesita que se limpie el código circundante. Una característica simple no necesita configurabilidad adicional.

- Documentación: No agregues docstrings, comentarios o anotaciones de tipo al código que no cambió. Solo agrega comentarios donde la lógica no sea evidente por sí sola.

- Codificación defensiva: No agregues manejo de errores, alternativas o validación para escenarios que no pueden ocurrir. Confía en las garantías del código interno y del marco. Solo valida en los límites del sistema (entrada del usuario, APIs externas).

- Abstracciones: No crees ayudantes, utilidades o abstracciones para operaciones únicas. No diseñes para requisitos futuros hipotéticos. La cantidad correcta de complejidad es la mínima necesaria para la tarea actual.

Evitar enfocarse en pasar pruebas y codificación fija

Claude a veces puede enfocarse demasiado en hacer que las pruebas pasen a expensas de soluciones más generales, o puede usar soluciones alternativas como scripts auxiliares para refactorización compleja en lugar de usar herramientas estándar directamente. Para prevenir este comportamiento y asegurar soluciones robustas y generalizables:

Por favor, escribe una solución de alta calidad y propósito general usando las herramientas estándar disponibles. No crees scripts auxiliares o soluciones alternativas para realizar la tarea de manera más eficiente. Implementa una solución que funcione correctamente para todas las entradas válidas, no solo para los casos de prueba. No codifiques valores fijos ni crees soluciones que solo funcionen para entradas de prueba específicas. En su lugar, implementa la lógica real que resuelve el problema de manera general.

Enfócate en entender los requisitos del problema e implementar el algoritmo correcto. Las pruebas están ahí para verificar la corrección, no para definir la solución. Proporciona una implementación fundamentada que siga las mejores prácticas y principios de diseño de software.

Si la tarea es irrazonable o inviable, o si alguna de las pruebas es incorrecta, por favor infórmame en lugar de trabajar alrededor de ellas. La solución debe ser robusta, mantenible y extensible.

Minimizar alucinaciones en codificación con agentes

Los últimos modelos de Claude son menos propensos a alucinaciones y dan respuestas más precisas, fundamentadas e inteligentes basadas en el código. Para fomentar aún más este comportamiento y minimizar alucinaciones:

<investigate_before_answering>
Nunca especules sobre código que no has abierto. Si el usuario hace referencia a un archivo específico, DEBES leer el archivo antes de responder. Asegúrate de investigar y leer archivos relevantes ANTES de responder preguntas sobre la base de código. Nunca hagas afirmaciones sobre código antes de investigar a menos que estés seguro de la respuesta correcta - proporciona respuestas fundamentadas y libres de alucinaciones.
</investigate_before_answering>

Consejos específicos de capacidad

Capacidades de visión mejoradas

Claude Opus 4.5 y Claude Opus 4.6 tienen capacidades de visión mejoradas en comparación con modelos anteriores de Claude. Tienen mejor desempeño en tareas de procesamiento de imágenes y extracción de datos, particularmente cuando hay múltiples imágenes presentes en el contexto. Estas mejoras se trasladan al uso de computadora, donde los modelos pueden interpretar de manera más confiable capturas de pantalla y elementos de interfaz de usuario. También puedes usar estos modelos para analizar videos dividiéndolos en fotogramas.

Una técnica que ha demostrado ser efectiva para mejorar aún más el desempeño es darle a Claude una herramienta de recorte o habilidad. Las pruebas han mostrado una mejora consistente en evaluaciones de imágenes cuando Claude puede "ampliar" regiones relevantes de una imagen. Anthropic ha creado un libro de recetas para la herramienta de recorte.

Diseño de interfaz

Claude Opus 4.5 y Claude Opus 4.6 sobresalen en la construcción de aplicaciones web complejas y del mundo real con un fuerte diseño de interfaz. Sin embargo, sin orientación, los modelos pueden recurrir a patrones genéricos que crean lo que los usuarios llaman la estética "AI slop". Para crear interfaces distintivas y creativas que sorprendan y deleiten:

Aquí hay un fragmento de indicación del sistema que puedes usar para fomentar un mejor diseño de interfaz:

<frontend_aesthetics>
Tienes a converger hacia salidas genéricas y "en distribución". En el diseño de interfaz, esto crea lo que los usuarios llaman la estética "AI slop". Evita esto: crea interfaces distintivas y creativas que sorprendan y deleiten.

Enfócate en:
- Tipografía: Elige fuentes que sean hermosas, únicas e interesantes. Evita fuentes genéricas como Arial e Inter; opta en su lugar por opciones distintivas que eleven la estética de la interfaz.
- Color y tema: Comprométete con una estética coherente. Usa variables CSS para consistencia. Los colores dominantes con acentos agudos superan a las paletas tímidas y distribuidas uniformemente. Extrae inspiración de temas de IDE y estéticas culturales.
- Movimiento: Usa animaciones para efectos e interacciones micro. Prioriza soluciones solo CSS para HTML. Usa la biblioteca Motion para React cuando esté disponible. Enfócate en momentos de alto impacto: una carga de página bien orquestada con revelaciones escalonadas (animation-delay) crea más deleite que micro-interacciones dispersas.
- Fondos: Crea atmósfera y profundidad en lugar de recurrir a colores sólidos. Superpone gradientes CSS, usa patrones geométricos o agrega efectos contextuales que coincidan con la estética general.

Evita estéticas genéricas generadas por IA:
- Familias de fuentes sobreutilizadas (Inter, Roboto, Arial, fuentes del sistema)
- Esquemas de color cliché (particularmente gradientes púrpura sobre fondos blancos)
- Diseños y patrones de componentes predecibles
- Diseño genérico que carece de carácter específico del contexto

Interpreta creativamente y haz opciones inesperadas que se sientan genuinamente diseñadas para el contexto. Varía entre temas claros y oscuros, diferentes fuentes, diferentes estéticas. Aún tienes a converger en opciones comunes (Space Grotesk, por ejemplo) entre generaciones. Evita esto: ¡es crítico que pienses fuera de la caja!
</frontend_aesthetics>

También puedes consultar la definición de habilidad completa.

Consideraciones de migración

Al migrar a modelos Claude 4.6 desde generaciones anteriores:

1. Sé específico sobre el comportamiento deseado: Considera describir exactamente lo que te gustaría ver en la salida.

2. Enmarca tus instrucciones con modificadores: Agregar modificadores que alienten a Claude a aumentar la calidad y detalle de su salida puede ayudar a moldear mejor el desempeño de Claude. Por ejemplo, en lugar de "Crear un panel de análisis", usa "Crear un panel de análisis. Incluye tantas características e interacciones relevantes como sea posible. Ve más allá de lo básico para crear una implementación completamente funcional".

3. Solicita características específicas explícitamente: Las animaciones y elementos interactivos deben solicitarse explícitamente cuando se deseen.

4. Actualiza la configuración de pensamiento: Los modelos Claude 4.6 usan pensamiento adaptativo (thinking: {type: "adaptive"}) en lugar de pensamiento manual con budget_tokens. Usa el parámetro de esfuerzo para controlar la profundidad del pensamiento.

5. Migra desde respuestas prefijadas: Las respuestas prefijadas en el último turno del asistente están deprecadas a partir de los modelos Claude 4.6. Consulta Migración desde respuestas prefijadas para orientación detallada sobre alternativas.

6. Ajusta la indicación anti-pereza: Si tus indicaciones anteriores alentaban al modelo a ser más exhaustivo o usar herramientas de manera más agresiva, reduce esa orientación. Los modelos Claude 4.6 son significativamente más proactivos y pueden sobreactivarse en instrucciones que eran necesarias para modelos anteriores.

Para pasos de migración detallados, consulta la Guía de migración.

Migración de Claude Sonnet 4.5 a Claude Sonnet 4.6

Claude Sonnet 4.6 tiene un nivel de esfuerzo predeterminado de high, en contraste con Claude Sonnet 4.5 que no tenía parámetro de esfuerzo. Considera ajustar el parámetro de esfuerzo mientras migras de Claude Sonnet 4.5 a Claude Sonnet 4.6. Si no se establece explícitamente, puedes experimentar mayor latencia con el nivel de esfuerzo predeterminado.

Configuraciones de esfuerzo recomendadas:

• Medium para la mayoría de aplicaciones
• Low para cargas de trabajo de alto volumen o sensibles a la latencia
• Establece un presupuesto de token de salida máximo grande (se recomiendan 64k tokens) con esfuerzo medio o alto para darle al modelo espacio para pensar y actuar

Cuándo usar Opus 4.6 en su lugar: Para los problemas más difíciles y de horizonte más largo (migraciones de código a gran escala, investigación profunda, trabajo autónomo extendido), Opus 4.6 sigue siendo la opción correcta. Sonnet 4.6 está optimizado para cargas de trabajo donde la rápida respuesta y la eficiencia de costos son lo más importante.

Si no estás usando pensamiento extendido

Si no estás usando pensamiento extendido en Claude Sonnet 4.5, puedes continuar sin él en Claude Sonnet 4.6. Debes establecer explícitamente el esfuerzo al nivel apropiado para tu caso de uso. Con esfuerzo low y pensamiento deshabilitado, puedes esperar un desempeño similar o mejor en relación con Claude Sonnet 4.5 sin pensamiento extendido.

client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=8192,
    thinking={"type": "disabled"},
    output_config={"effort": "low"},
    messages=[{"role": "user", "content": "..."}],
)

Si estás usando pensamiento extendido

Si estás usando pensamiento extendido con budget_tokens en Claude Sonnet 4.5, aún es funcional en Claude Sonnet 4.6 pero está deprecado. Migra a pensamiento adaptativo con el parámetro de esfuerzo.

Migración a pensamiento adaptativo

El pensamiento adaptativo es particularmente adecuado para los siguientes patrones de carga de trabajo:

• Agentes autónomos de múltiples pasos: agentes de codificación que convierten requisitos en software funcional, canalizaciones de análisis de datos y búsqueda de errores donde el modelo se ejecuta independientemente en muchos pasos. El pensamiento adaptativo permite que el modelo calibre su razonamiento por paso, manteniéndose en el camino en trayectorias más largas. Para estas cargas de trabajo, comienza con esfuerzo high. Si la latencia o el uso de tokens es una preocupación, reduce a medium.
• Agentes de uso de computadora: Claude Sonnet 4.6 logró la mejor precisión en su clase en evaluaciones de uso de computadora usando modo adaptativo.
• Cargas de trabajo bimodales: una mezcla de tareas fáciles y difíciles donde adaptativo omite el pensamiento en consultas simples y razona profundamente en las complejas.

Cuando uses pensamiento adaptativo, evalúa esfuerzo medium y high en tus tareas. El nivel correcto depende del equilibrio de tu carga de trabajo entre calidad, latencia y uso de tokens.

client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=64000,
    thinking={"type": "adaptive"},
    output_config={"effort": "high"},
    messages=[{"role": "user", "content": "..."}],
)

Mantener budget_tokens durante la migración

Si necesitas mantener budget_tokens temporalmente mientras migras, un presupuesto alrededor de 16k tokens proporciona espacio para problemas más difíciles sin riesgo de uso descontrolado de tokens. Esta configuración está deprecada y será eliminada en una futura versión del modelo.

Para casos de uso de codificación (codificación con agentes, flujos de trabajo con muchas herramientas, generación de código), comienza con esfuerzo medium:

client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=16384,
    thinking={"type": "enabled", "budget_tokens": 16384},
    output_config={"effort": "medium"},
    messages=[{"role": "user", "content": "..."}],
)

Para casos de uso de chat y no codificación (chat, generación de contenido, búsqueda, clasificación), comienza con esfuerzo low:

client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=8192,
    thinking={"type": "enabled", "budget_tokens": 16384},
    output_config={"effort": "low"},
    messages=[{"role": "user", "content": "..."}],
)