Mejores prácticas de prompting

Esta es la referencia para la ingeniería de prompts con los modelos más recientes de Claude, incluidos Claude Fable 5, Claude Mythos 5, Claude Opus 4.8, Claude Opus 4.7, Claude Opus 4.6, Claude Sonnet 4.6 y Claude Haiku 4.5. La página está organizada en tres partes:

• Orientación específica por modelo primero: dónde Claude Fable 5 y Claude Opus 4.8 se comportan de manera diferente y qué cambiar.
• Técnicas para todos los modelos actuales después: principios generales, salida y formato, uso de herramientas, pensamiento y sistemas agénticos.
• Consideraciones de migración al final, para prompts que provienen de generaciones anteriores.

Claude Fable 5

La orientación de prompting para Claude Fable 5 y Claude Mythos 5 tiene su propia página: Prompting para Claude Fable 5. Cubre las diferencias de comportamiento respecto a Claude Opus 4.8 y los cambios de prompt y scaffolding que vale la pena hacer, incluidos los niveles de esfuerzo, el seguimiento de instrucciones, las afirmaciones de progreso en ejecuciones largas, los sistemas de memoria y la categoría de rechazo reasoning_extraction.

Prompting para Claude Opus 4.8

La orientación de prompting para Claude Opus 4.8 tiene su propia página: Prompting para Claude Opus 4.8. Cubre la longitud de las respuestas, la calibración del esfuerzo y la profundidad del pensamiento, la activación del uso de herramientas, el seguimiento literal de instrucciones, el control de subagentes y los valores predeterminados de diseño y frontend.

Principios generales

Las técnicas de esta sección y las siguientes se aplican a todos los modelos actuales de Claude, incluidos Claude Fable 5 y Claude Mythos 5.

Sé claro y directo

Claude responde bien a instrucciones claras y explícitas. Ser específico sobre la salida deseada puede ayudar a mejorar los resultados. Si quieres un comportamiento que vaya "más allá de lo esperado", solicítalo explícitamente en lugar de confiar en que el modelo lo infiera a partir 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 se confunde, Claude también lo hará.

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

Agrega contexto para mejorar el rendimiento

Proporcionar contexto o motivación detrás de tus instrucciones, como explicarle a Claude por qué dicho comportamiento es importante, puede ayudar a Claude a comprender mejor tus objetivos y ofrecer respuestas más específicas.

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

Usa ejemplos de manera efectiva

Los ejemplos son una de las formas más confiables de orientar el formato de salida, el tono y la estructura de Claude. Unos pocos ejemplos bien elaborados (conocidos como "few-shot" o "multishot prompting") pueden mejorar drásticamente la precisión y la consistencia.

Al agregar ejemplos, asegúrate de que sean:

• Relevantes: Reflejen de cerca tu caso de uso real.
• Diversos: Cubran casos límite y varíen lo suficiente para que Claude no detecte patrones no deseados.
• Estructurados: Envuelve los ejemplos en etiquetas <example> (múltiples ejemplos en etiquetas <examples>) para que Claude pueda distinguirlos de las instrucciones.

Estructura los prompts con etiquetas XML

Las etiquetas XML ayudan a Claude a analizar prompts complejos sin ambigüedad, especialmente cuando tu prompt mezcla instrucciones, contexto, ejemplos y entradas variables. Envolver cada tipo de contenido en su propia etiqueta (p. ej., <instructions>, <context>, <input>) reduce las malas interpretaciones.

Mejores prácticas:

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

Asigna un rol a Claude

Establecer un rol en la indicación del sistema enfoca el comportamiento y el 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-4-8",
    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 con contexto largo

Cuando trabajes con documentos grandes o entradas ricas en datos (más de 20k tokens), estructura tu prompt cuidadosamente para obtener los mejores resultados:

• Coloca los datos extensos al principio: Ubica tus documentos largos y entradas cerca del inicio 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 las respuestas hasta en un 30% en las pruebas, especialmente con entradas complejas de múltiples documentos.

• Estructura el contenido y los metadatos de los documentos 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 multidocumento

Autoconocimiento del modelo

Si deseas que Claude se identifique correctamente en tu aplicación o use cadenas específicas de la API:

The assistant is Claude, created by Anthropic. The current model is Claude Opus 4.8.

Para aplicaciones basadas en LLM que necesitan especificar cadenas de modelo:

When an LLM is needed, please default to Claude Opus 4.8 unless the user requests
otherwise. The exact model string for Claude Opus 4.8 is claude-opus-4-8.

Salida y formato

Estilo de comunicación y verbosidad

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

• Más directo y fundamentado: Proporciona informes de progreso basados en hechos en lugar de actualizaciones autocomplacientes
• Más conversacional: Ligeramente más fluido y coloquial, menos mecánico
• Menos verboso: Puede omitir resúmenes detallados por eficiencia a menos que se le indique lo contrario

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

After completing a task that involves tool use, provide a quick summary of the work you've done.

Controla el formato de las respuestas

Hay algunas formas particularmente efectivas de orientar 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"
   • Prueba: "Tu respuesta debe estar compuesta por párrafos de prosa fluida."

2. Usa indicadores de formato XML

   • Prueba: "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 usado en tu prompt puede influir en el estilo de respuesta de Claude. Si aún experimentas problemas de control con el formato de salida, intenta hacer coincidir el estilo de tu prompt con el 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

<avoid_excessive_markdown_and_bullet_points>
When writing reports, documents, technical explanations, analyses, or any long-form
content, write in clear, flowing prose using complete paragraphs and sentences. Use
standard paragraph breaks for organization and reserve markdown primarily for `inline
code`, code blocks (```...```), and simple headings (###, and ###). Avoid using **bold**
and *italics*.

DO NOT use ordered lists (1. ...) or unordered lists (*) unless : a) you're presenting
truly discrete items where a list format is the best option, or b) the user explicitly
requests a list or ranking

Instead of listing items with bullets or numbers, incorporate them naturally into
sentences. This guidance applies especially to technical writing. Using prose instead of
excessive formatting will improve user satisfaction. NEVER output a series of overly
short bullet points.

Your goal is readable, flowing text that guides the reader naturally through ideas
rather than fragmenting information into isolated points.
</avoid_excessive_markdown_and_bullet_points>

Salida en LaTeX

Los modelos más recientes de Claude usan LaTeX de forma predeterminada para expresiones matemáticas, ecuaciones y explicaciones técnicas. Si prefieres texto plano, agrega las siguientes instrucciones a tu prompt:

Format your response in plain text only. Do not use LaTeX, MathJax, or any markup
notation such as \( \), $, or \frac{}{}. Write all math expressions using standard text
characters (e.g., "/" for division, "*" for multiplication, and "^" for exponents).

Creación de documentos

Los modelos más recientes de Claude destacan en la creación de presentaciones, animaciones y documentos visuales con un impresionante toque creativo y un sólido seguimiento de instrucciones. Los modelos producen resultados pulidos y utilizables al primer intento en la mayoría de los casos.

Para obtener mejores resultados con la creación de documentos:

Create a professional presentation on [topic]. Include thoughtful design elements,
visual hierarchy, and engaging animations where appropriate.

Migrar de las respuestas precompletadas

A partir de los modelos Claude 4.6 y Claude Mythos Preview, las respuestas precompletadas en el último turno del asistente ya no son compatibles. Las solicitudes con mensajes de asistente precompletados a estos modelos 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 precompletado ya no lo requieren. Los modelos anteriores continúan admitiendo precompletados, y agregar mensajes de asistente en otras partes de la conversación no se ve afectado.

Aquí hay escenarios comunes de precompletado y cómo migrar de ellos:

Uso de herramientas

Uso de herramientas

Los modelos más recientes de Claude están entrenados para un seguimiento preciso de instrucciones y se benefician de indicaciones explícitas 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 al tomar acciones de forma predeterminada, puedes agregar esto a tu indicación del sistema:

<default_to_action>
By default, implement changes rather than only suggesting them. If the user's intent is
unclear, infer the most useful likely action and proceed, using tools to discover any
missing details instead of guessing. Try to infer the user's intent about whether a tool
call (e.g., file edit or read) is intended or not, and act accordingly.
</default_to_action>

Por otro lado, si quieres que el modelo sea más cauteloso de forma predeterminada, menos propenso a saltar directamente a las implementaciones y que solo tome acción si se le solicita, puedes orientar este comportamiento con un prompt como el siguiente:

<do_not_act_before_instructions>
Do not jump into implementation or change files unless clearly instructed to make
changes. When the user's intent is ambiguous, default to providing information, doing
research, and providing recommendations rather than taking action. Only proceed with
edits, modifications, or implementations when the user explicitly requests them.
</do_not_act_before_instructions>

Claude Opus 4.5 y Claude Opus 4.6 también son más receptivos a la indicación del sistema que los modelos anteriores. Si tus prompts fueron diseñados para reducir la subactivación de herramientas o habilidades, estos modelos ahora pueden sobreactivarse. La solución es moderar cualquier lenguaje agresivo. Donde podrías haber dicho "CRÍTICO: DEBES usar esta herramienta cuando...", puedes usar un prompting más normal como "Usa esta herramienta cuando...".

Optimiza las llamadas paralelas a herramientas

Los modelos más recientes de Claude destacan en la ejecución paralela de herramientas. 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 generar cuellos de botella en el rendimiento del sistema)

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

<use_parallel_tool_calls>
If you intend to call multiple tools and there are no dependencies between the tool
calls, make all of the independent tool calls in parallel. Prioritize calling tools
simultaneously whenever the actions can be done in parallel rather than sequentially.
For example, when reading 3 files, run 3 tool calls in parallel to read all 3 files into
context at the same time. Maximize use of parallel tool calls where possible to increase
speed and efficiency. However, if some tool calls depend on previous calls to inform
dependent values like the parameters, do NOT call these tools in parallel and instead
call them sequentially. Never use placeholders or guess missing parameters in tool
calls.
</use_parallel_tool_calls>

Execute operations sequentially with brief pauses between each step to ensure stability.

Pensamiento y razonamiento

Sobrepensamiento y exhaustividad excesiva

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

• Reemplaza los valores predeterminados generales con instrucciones más específicas. En lugar de "Usa [herramienta] de forma predeterminada", agrega orientación como "Usa [herramienta] cuando mejore tu comprensión del problema."
• Elimina el exceso de prompting. Las herramientas que se subactivaban en modelos anteriores probablemente se activen apropiadamente ahora. Instrucciones como "En caso de duda, usa [herramienta]" causarán sobreactivación.
• Usa effort como alternativa. Si Claude continúa siendo demasiado agresivo, usa una configuración más baja para effort.

En algunos casos, Claude Opus 4.6 puede pensar extensamente, lo que puede inflar los tokens de pensamiento y ralentizar las respuestas. Si este comportamiento no es deseable, puedes agregar instrucciones explícitas para restringir su razonamiento, o puedes reducir la configuración de effort para disminuir el pensamiento general y el uso de tokens.

When you're deciding how to approach a problem, choose an approach and commit to it.
Avoid revisiting decisions unless you encounter new information that directly
contradicts your reasoning. If you're weighing two approaches, pick one and see it
through. You can always course-correct later if the chosen approach fails.

Si necesitas un límite estricto en los costos de pensamiento, el pensamiento extendido con un límite de budget_tokens sigue siendo funcional en Opus 4.6 y Sonnet 4.6, pero está obsoleto. Es preferible reducir la configuración de effort o usar max_tokens como límite estricto con pensamiento adaptativo.

Aprovecha las capacidades de pensamiento y pensamiento intercalado

Los modelos más recientes de Claude ofrecen capacidades de pensamiento que pueden ser especialmente útiles para tareas que involucran 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 mayor esfuerzo provoca más pensamiento, y las 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 al pensamiento adaptativo para obtener las respuestas más inteligentes.

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

Puedes guiar el comportamiento de pensamiento de Claude:

After receiving tool results, carefully reflect on their quality and determine optimal
next steps before proceeding. Use your thinking to plan and iterate based on this new
information, and then take the best next action.

El comportamiento de activación del pensamiento adaptativo es orientable mediante prompts. Si encuentras que el modelo piensa con más frecuencia de lo que te gustaría, lo que puede ocurrir con indicaciones del sistema grandes o complejas, agrega orientación para dirigirlo:

Extended thinking adds latency and should only be used when it will meaningfully improve
answer quality - typically for problems that require multi-step reasoning. When in
doubt, respond directly.

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

Antes (pensamiento extendido, modelos anteriores):

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-4-8",
    max_tokens=64000,
    thinking={"type": "adaptive"},
    output_config={"effort": "high"},  # or "max", "xhigh", "medium", "low"
    messages=[{"role": "user", "content": "..."}],
)

Si no estás usando pensamiento extendido, no se requieren cambios. El pensamiento está desactivado de forma predeterminada cuando omites el parámetro thinking.

• Prefiere instrucciones generales sobre pasos prescriptivos. Un prompt como "piensa exhaustivamente" a menudo produce mejor razonamiento que un plan paso a paso escrito a mano. El razonamiento de Claude frecuentemente supera lo que un humano prescribiría.
• Los ejemplos multishot funcionan con el pensamiento. Usa etiquetas <thinking> dentro de tus ejemplos few-shot para mostrarle a Claude el patrón de razonamiento. Generalizará ese estilo a sus propios bloques de pensamiento extendido.
• CoT manual como alternativa. Cuando el pensamiento está desactivado, aún puedes fomentar el razonamiento paso a paso pidiéndole a Claude que razone el problema. Usa etiquetas estructuradas como <thinking> y <answer> para separar limpiamente el razonamiento de la salida final.
• Pídele a Claude que se autoverifique. Agrega algo como "Antes de terminar, verifica tu respuesta contra [criterios de prueba]." Esto detecta errores de manera confiable, especialmente para codificación y matemáticas.

Sistemas agénticos

Razonamiento de largo horizonte y seguimiento de estado

Los modelos más recientes de Claude destacan en tareas de razonamiento de largo horizonte con capacidades excepcionales de seguimiento de estado. Claude mantiene la orientación a lo largo de sesiones extendidas enfocándose en el progreso incremental, avanzando de manera constante en unas pocas cosas a la vez en lugar de intentar todo de una vez. Esta capacidad emerge especialmente a lo largo de 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 nueva.

Conciencia de contexto y flujos de trabajo multiventana

Los modelos Claude 4.6 y Claude 4.5 cuentan con conciencia de contexto, lo que permite 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 el contexto de manera más efectiva al comprender cuánto espacio tiene para trabajar.

Gestión de límites de contexto:

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

Your context window will be automatically compacted as it approaches its limit, allowing
you to continue working indefinitely from where you left off. Therefore, do not stop
tasks early due to token budget concerns. As you approach your token budget limit, save
your current progress and state to memory before the context window refreshes. Always be
as persistent and autonomous as possible and complete tasks fully, even if the end of
your budget is approaching. Never artificially stop any task early regardless of the
context remaining.

La herramienta de memoria se combina naturalmente con la conciencia de contexto para transiciones de contexto fluidas.

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 de trabajo (escribir pruebas, crear scripts de configuración), luego usa las ventanas de contexto futuras para iterar sobre una lista de tareas pendientes.

2. Haz que el modelo escriba pruebas en un formato estructurado: Pídele a Claude que cree pruebas antes de comenzar el trabajo y que las registre en un formato estructurado (p. ej., tests.json). Esto conduce a una mejor capacidad a largo plazo para iterar. Recuérdale a Claude la importancia de las pruebas: "Es inaceptable eliminar o editar pruebas porque esto podría llevar a funcionalidad faltante o con errores."

3. Configura herramientas de calidad de vida: Anima a Claude a crear scripts de configuración (p. ej., init.sh) para iniciar servidores, ejecutar suites de pruebas y linters de manera ordenada. Esto evita trabajo repetido al continuar desde una ventana de contexto nueva.

4. Empezar de cero vs. compactar: Cuando se borra una ventana de contexto, considera comenzar con una ventana de contexto completamente nueva en lugar de usar compactación. Los modelos más recientes de Claude son extremadamente efectivos para descubrir el estado desde el sistema de archivos local. En algunos casos, es posible que quieras aprovechar esto en lugar de la compactación. Sé prescriptivo sobre cómo debe comenzar:

This is a very long task, so it may be beneficial to plan out your work clearly. It's
encouraged to spend your entire output context working on the task - just make sure you
don't run out of context with significant uncommitted work. Continue working
systematically until you have completed this task.

Mejores prácticas de gestión de estado

• Usa formatos estructurados para datos de estado: Al rastrear información estructurada (como resultados de pruebas o estado de tareas), usa JSON u otros formatos estructurados para ayudar a Claude a comprender los requisitos del esquema
• Usa texto no estructurado para notas de progreso: Las notas de progreso de formato libre funcionan bien para rastrear el progreso general y el contexto
• Usa git para el seguimiento de estado: Git proporciona un registro de lo que se ha hecho y puntos de control que se pueden restaurar. Los modelos más recientes de Claude funcionan especialmente bien al usar git para rastrear el estado a lo largo de múltiples sesiones.
• Enfatiza el progreso incremental: Pídele explícitamente a Claude que lleve un registro de su progreso y se enfoque en el trabajo incremental

Equilibrar autonomía y seguridad

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

Consider the reversibility and potential impact of your actions. You are encouraged to
take local, reversible actions like editing files or running tests, but for actions that
are hard to reverse, affect shared systems, or could be destructive, ask the user before
proceeding.

Examples of actions that warrant confirmation:
- Destructive operations: deleting files or branches, dropping database tables, rm -rf
- Hard to reverse operations: git push --force, git reset --hard, amending published commits
- Operations visible to others: pushing code, commenting on PRs/issues, sending
messages, modifying shared infrastructure

When encountering obstacles, do not use destructive actions as a shortcut. For example,
don't bypass safety checks (e.g. --no-verify) or discard unfamiliar files that may be
in-progress work.

Investigación y recopilación de información

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

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

2. Fomenta la verificación de fuentes: Pídele a Claude que verifique la información en múltiples fuentes

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

Search for this information in a structured way. As you gather data, develop several
competing hypotheses. Track your confidence levels in your progress notes to improve
calibration. Regularly self-critique your approach and plan. Update a hypothesis tree or
research notes file to persist information and provide transparency. Break down this
complex research task systematically.

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

Orquestación de subagentes

Los modelos más recientes de Claude demuestran capacidades nativas de orquestación de subagentes significativamente mejoradas. Estos modelos pueden reconocer cuándo las tareas se beneficiarían de delegar trabajo a subagentes especializados y hacerlo de manera proactiva sin requerir instrucción explícita.

Para aprovechar este comportamiento:

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

Si observas un uso excesivo de subagentes, agrega orientación explícita sobre cuándo los subagentes están y no están justificados:

Use subagents when tasks can run in parallel, require isolated context, or involve
independent workstreams that don't need to share state. For simple tasks, sequential
operations, single-file edits, or tasks where you need to maintain context across steps,
work directly rather than delegating.

Encadena prompts complejos

Con el pensamiento adaptativo y la orquestación de subagentes, Claude maneja la mayor parte del razonamiento de múltiples pasos internamente. El encadenamiento explícito de prompts (dividir una tarea en llamadas secuenciales a la API) sigue siendo útil cuando necesitas inspeccionar salidas intermedias o imponer una estructura de pipeline 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 basándose en la revisión. Cada paso es una llamada separada a la API para que puedas registrar, evaluar o bifurcar en cualquier punto.

Reduce la creación de archivos en codificación agéntica

Los modelos más recientes de Claude a veces pueden crear nuevos archivos con fines de prueba e iteración, particularmente cuando trabajan con código. Este enfoque permite a Claude usar archivos, especialmente scripts de Python, como un 'bloc de notas temporal' antes de guardar su salida final. Usar archivos temporales puede mejorar los resultados, particularmente para casos de uso de codificación agéntica.

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

If you create any temporary new files, scripts, or helper files for iteration, clean up
these files by removing them at the end of the task.

Exceso de entusiasmo

Claude Opus 4.5 y Claude Opus 4.6 tienen tendencia a sobreingeniar creando archivos adicionales, agregando abstracciones innecesarias o incorporando flexibilidad que no se solicitó. Si observas este comportamiento no deseado, agrega orientación específica para mantener las soluciones mínimas.

Por ejemplo:

Avoid over-engineering. Only make changes that are directly requested or clearly
necessary. Keep solutions simple and focused:

- Scope: Don't add features, refactor code, or make "improvements" beyond what was
asked. A bug fix doesn't need surrounding code cleaned up. A simple feature doesn't need
extra configurability.

- Documentation: Don't add docstrings, comments, or type annotations to code you didn't
change. Only add comments where the logic isn't self-evident.

- Defensive coding: Don't add error handling, fallbacks, or validation for scenarios
that can't happen. Trust internal code and framework guarantees. Only validate at system
boundaries (user input, external APIs).

- Abstractions: Don't create helpers, utilities, or abstractions for one-time
operations. Don't design for hypothetical future requirements. The right amount of
complexity is the minimum needed for the current task.

Evita enfocarte en pasar pruebas y hard-coding

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:

Please write a high-quality, general-purpose solution using the standard tools
available. Do not create helper scripts or workarounds to accomplish the task more
efficiently. Implement a solution that works correctly for all valid inputs, not just
the test cases. Do not hard-code values or create solutions that only work for specific
test inputs. Instead, implement the actual logic that solves the problem generally.

Focus on understanding the problem requirements and implementing the correct algorithm.
Tests are there to verify correctness, not to define the solution. Provide a principled
implementation that follows best practices and software design principles.

If the task is unreasonable or infeasible, or if any of the tests are incorrect, please
inform me rather than working around them. The solution should be robust, maintainable,
and extendable.

Minimizar alucinaciones en codificación agéntica

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

<investigate_before_answering>
Never speculate about code you have not opened. If the user references a specific file,
you MUST read the file before answering. Make sure to investigate and read relevant
files BEFORE answering questions about the codebase. Never make any claims about code
before investigating unless you are certain of the correct answer - give grounded and
hallucination-free answers.
</investigate_before_answering>

Consejos específicos por capacidad

Capacidades de visión mejoradas

Claude Opus 4.5 y Claude Opus 4.6 tienen capacidades de visión mejoradas en comparación con los modelos anteriores de Claude. Funcionan mejor 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 aumentar aún más el rendimiento es darle a Claude una herramienta de recorte o habilidad. Las pruebas han mostrado una mejora consistente en las evaluaciones de imágenes cuando Claude puede "hacer zoom" en regiones relevantes de una imagen. Anthropic ha creado un cookbook para la herramienta de recorte.

Diseño frontend

Claude Opus 4.5 y Claude Opus 4.6 destacan en la construcción de aplicaciones web complejas del mundo real con un sólido diseño frontend. Sin embargo, sin orientación, los modelos pueden recurrir a patrones genéricos que crean lo que los usuarios llaman la estética de "AI slop" (contenido genérico de IA). Para crear frontends distintivos y creativos que sorprendan y deleiten:

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

<frontend_aesthetics>
You tend to converge toward generic, "on distribution" outputs. In frontend design, this
creates what users call the "AI slop" aesthetic. Avoid this: make creative, distinctive
frontends that surprise and delight.

Focus on:
- Typography: Choose fonts that are beautiful, unique, and interesting. Avoid generic
fonts like Arial and Inter; opt instead for distinctive choices that elevate the
frontend's aesthetics.
- Color & Theme: Commit to a cohesive aesthetic. Use CSS variables for consistency.
Dominant colors with sharp accents outperform timid, evenly-distributed palettes. Draw
from IDE themes and cultural aesthetics for inspiration.
- Motion: Use animations for effects and micro-interactions. Prioritize CSS-only
solutions for HTML. Use Motion library for React when available. Focus on high-impact
moments: one well-orchestrated page load with staggered reveals (animation-delay)
creates more delight than scattered micro-interactions.
- Backgrounds: Create atmosphere and depth rather than defaulting to solid colors. Layer
CSS gradients, use geometric patterns, or add contextual effects that match the overall
aesthetic.

Avoid generic AI-generated aesthetics:
- Overused font families (Inter, Roboto, Arial, system fonts)
- Clichéd color schemes (particularly purple gradients on white backgrounds)
- Predictable layouts and component patterns
- Cookie-cutter design that lacks context-specific character

Interpret creatively and make unexpected choices that feel genuinely designed for the
context. Vary between light and dark themes, different fonts, different aesthetics. You
still tend to converge on common choices (Space Grotesk, for example) across
generations. Avoid this: it is critical that you think outside the box!
</frontend_aesthetics>

También puedes consultar la definición completa de la habilidad.

Consideraciones de migración

Al migrar a los 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 el detalle de su salida puede ayudar a moldear mejor el rendimiento de Claude. Por ejemplo, en lugar de "Crea un panel de análisis", usa "Crea un panel de análisis. Incluye tantas funcionalidades e interacciones relevantes como sea posible. Ve más allá de lo básico para crear una implementación completa."

3. Solicita funcionalidades específicas explícitamente: Las animaciones y los 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 effort para controlar la profundidad del pensamiento.

5. Migra de las respuestas precompletadas: Las respuestas precompletadas en el último turno del asistente ya no son compatibles a partir de los modelos Claude 4.6. Consulta para obtener orientación detallada sobre alternativas.

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

Migrar de Claude Sonnet 4.5 a Claude Sonnet 4.6

Consulta Migrar desde Sonnet 4.5 en la guía de migración, que cubre el cambio del valor predeterminado de effort y ambas rutas de migración del pensamiento extendido.