Loading
Loading
Loading
Loading
Loading
Loading
Loading
Loading
Loading
Loading
Loading
Loading
Loading
Loading
Loading
Loading
Esta guía cubre los patrones de prompting específicos de Claude Sonnet 5. Para las capacidades del modelo y los cambios en la API, consulta Qué hay de nuevo en Claude Sonnet 5. Para técnicas que aplican a todos los modelos actuales de Claude, consulta Mejores prácticas de prompting.
Claude Sonnet 5 tiene fortalezas particulares en tareas de codificación y agénticas. Funciona bien desde el primer momento con los prompts existentes de Claude Sonnet 4.6. Los patrones de esta guía cubren los comportamientos que con mayor frecuencia requieren ajuste.
Claude Sonnet 5 calibra la longitud de la respuesta según la complejidad de la tarea en lugar de usar una verbosidad fija de forma predeterminada. Esto generalmente significa respuestas más cortas en consultas simples y más largas en análisis abiertos.
Si tu producto depende de un cierto estilo o verbosidad de salida, es posible que necesites ajustar tus prompts. Como ejemplo, para disminuir la verbosidad, podrías agregar:
Provide concise, focused responses. Skip non-essential context, and keep examples minimal.Si observas tipos específicos de verbosidad (como explicar en exceso), puedes agregar instrucciones adicionales en tu prompt para prevenirlos. Los ejemplos positivos que muestran cómo Claude puede comunicarse con el nivel apropiado de concisión tienden a ser más efectivos que los ejemplos negativos o las instrucciones que le dicen al modelo lo que no debe hacer.
El parámetro effort te permite ajustar la inteligencia de Claude frente al gasto de tokens, intercambiando capacidad por mayor velocidad y menores costos. En Claude Sonnet 5, effort tiene como valor predeterminado high, igual que en Claude Sonnet 4.6. Para las tareas de codificación y agénticas más difíciles, eleva effort a xhigh. Experimenta con otros niveles de effort para ajustar aún más el uso de tokens y la inteligencia:
max: Capacidad máxima absoluta sin restricciones en el gasto de tokens.xhigh: El esfuerzo extra alto es la configuración recomendada para los casos de uso de codificación y agénticos más difíciles.high: El valor predeterminado. Esta configuración equilibra el uso de tokens y la inteligencia para la mayoría de los casos de uso.medium: Bueno para casos de uso sensibles al costo que necesitan reducir el uso de tokens a cambio de inteligencia.low: Resérvalo para tareas cortas y acotadas y cargas de trabajo sensibles a la latencia que no son sensibles a la inteligencia.Como un mapeo aproximado entre modelos al migrar: Claude Sonnet 5 en medium es comparable en inteligencia a Claude Sonnet 4.6 en high, y Claude Sonnet 5 en high es comparable a Claude Sonnet 4.6 en max. Al hacer benchmarking, haz la correspondencia según la longitud de pensamiento observada en lugar del nombre del nivel de effort.
Claude Sonnet 5 respeta los niveles de effort estrictamente, especialmente en el extremo bajo. En low y medium, el modelo limita su trabajo a lo que se le pidió en lugar de ir más allá. Esto es bueno para la latencia y el costo, pero en tareas moderadamente complejas que se ejecutan con effort low existe cierto riesgo de pensamiento insuficiente.
Si observas razonamiento superficial en problemas complejos, eleva effort a high o xhigh en lugar de intentar resolverlo con prompting. Si necesitas mantener effort en low por latencia, agrega orientación específica:
This task involves multistep reasoning. Think carefully through the problem before responding.En Claude Sonnet 5, el pensamiento adaptativo está activado de forma predeterminada. Las solicitudes sin un campo thinking se ejecutan con pensamiento adaptativo. Esto es un cambio respecto a Claude Sonnet 4.6, donde las mismas solicitudes se ejecutaban sin pensamiento. Para desactivar el pensamiento por completo, pasa thinking: {type: "disabled"}. Debido a que max_tokens es un límite estricto sobre la salida total (pensamiento más texto de respuesta), revísalo para cargas de trabajo que se ejecutaban sin pensamiento en Claude Sonnet 4.6. Si anteriormente usabas el pensamiento desactivado con Claude Sonnet 4.6, prueba el pensamiento activado con niveles de effort más bajos para Claude Sonnet 5.
El comportamiento de activación del pensamiento adaptativo es dirigible. Si encuentras que el modelo emite bloques de pensamiento con más frecuencia de la que te gustaría, lo cual puede ocurrir con indicaciones del sistema grandes o complejas, agrega orientación para dirigirlo. Como siempre, mide el efecto de cualquier cambio de prompting en el rendimiento. Ejemplo:
Thinking adds latency and should only be used when it will meaningfully improve answer quality, typically for problems that require multistep reasoning. When in doubt, respond directly.Por el contrario, si estás ejecutando cargas de trabajo difíciles en medium y observas pensamiento insuficiente, la primera palanca es elevar effort. Si necesitas un control más fino, indícalo directamente en el prompt.
El pensamiento extendido manual (thinking: {type: "enabled", budget_tokens: N}) no es compatible con Claude Sonnet 5 y devuelve un error 400. Fue marcado como obsoleto en Claude Sonnet 4.6 y ahora se ha eliminado. Usa el pensamiento adaptativo con el parámetro effort en su lugar.
Claude Sonnet 5 es más agéntico que Claude Sonnet 4.6 de forma predeterminada y recurrirá a herramientas y ejecutará bucles de autoverificación con mayor facilidad. Con el pensamiento desactivado, el modelo es menos propenso a recurrir a herramientas o considerar buscar; si dependes de llamadas a herramientas con el pensamiento desactivado, agrega un empujón explícito en la indicación del sistema. Effort también es una palanca para el uso de herramientas: las configuraciones de effort high o xhigh muestran un uso de herramientas sustancialmente mayor en búsqueda agéntica y codificación. Para escenarios donde quieres más uso de herramientas, también puedes ajustar tu prompt para instruir explícitamente al modelo sobre cuándo y cómo usar correctamente sus herramientas. Por ejemplo, si encuentras que el modelo no está usando tus herramientas de búsqueda web, describe claramente por qué y cómo debería hacerlo.
Claude Sonnet 5 proporciona actualizaciones regulares y de mayor calidad al usuario a lo largo de trazas agénticas largas. Si agregaste andamiaje para forzar mensajes de estado intermedios ("Después de cada 3 llamadas a herramientas, resume el progreso"), intenta eliminarlo. Si encuentras que la longitud o el contenido de las actualizaciones orientadas al usuario de Claude Sonnet 5 no están bien calibrados para tu caso de uso, describe explícitamente cómo deberían verse estas actualizaciones en el prompt y proporciona ejemplos.
Claude Sonnet 5 interpreta los prompts de manera literal y explícita, particularmente en niveles de effort más bajos. No generaliza silenciosamente una instrucción de un elemento a otro, y no infiere solicitudes que no hiciste. La ventaja de este literalismo es la precisión, y generalmente funciona mejor para casos de uso de API con prompts cuidadosamente ajustados, extracción estructurada y pipelines donde quieres un comportamiento predecible. Si necesitas que Claude aplique una instrucción de manera amplia, indica el alcance explícitamente (por ejemplo, "Aplica este formato a cada sección, no solo a la primera").
Como con cualquier modelo nuevo, el estilo de prosa en la escritura de formato largo puede cambiar. Si tu producto depende de una voz específica, reevalúa los prompts de estilo contra la nueva línea base.
Por ejemplo, si la voz de tu producto es más cálida o más conversacional, agrega:
Use a warm, collaborative tone. Acknowledge the user's framing before answering.Si anteriormente dependías de temperature para la variedad estilística, ten en cuenta que establecer temperature, top_p o top_k en un valor no predeterminado devuelve un error 400 en Claude Sonnet 5. Esta restricción es nueva para los modelos de clase Sonnet. Elimina estos parámetros al migrar y usa instrucciones en la indicación del sistema para guiar el tono y la variedad en su lugar.
Claude Sonnet 5 puede asentarse en un estilo visual predeterminado consistente en briefs abiertos de frontend y diseño. Un estilo propio predeterminado puede leerse bien para algunos briefs pero sentirse fuera de lugar para dashboards, herramientas de desarrollo, fintech, salud o aplicaciones empresariales.
Las instrucciones genéricas ("no uses ese color", "hazlo limpio y minimalista") tienden a desplazar al modelo a una paleta fija diferente en lugar de producir variedad. Dos enfoques funcionan de manera confiable:
1. Especifica una alternativa concreta. El modelo sigue las especificaciones explícitas con precisión:
Design a desktop landing page for a supplement brand called AEFRM.
The visual direction should come from a cold monochrome atmosphere using pale silver-gray tones that gradually deepen into blue-gray and near-black, similar to a misted metallic surface.
The page should feel sharp and controlled, with a strong sense of structure and restraint.
Use this tonal system across the full page instead of introducing bright accent colors.
Use the uploaded image on the hero design in black and white.
The layout should be built with clear horizontal sections and a centered max-width container. Use 4px corner radius consistently across cards, buttons, inputs, and media frames. Margins should feel generous, with enough empty space around each section so the page breathes.
Typography should use a square, angular sans-serif with wider letter spacing than usual, especially in headings and navigation, so the text feels more engineered and less compressed. Headline text can be large and uppercase, while supporting copy remains short and sparse. The sub texts should be written with Alumni Sans SC in 4-6px like tiny little texts on corners bottom centre like that.
For the structure, start with a hero section containing a strong product statement, one short supporting paragraph, and a clean product placeholder or packshot frame. Below that, add a benefit grid with three or four blocks, then a formulation or ingredients section, and finally a cta.
Buttons should be flat and precise, with subtle hover changes using transition: all 160ms ease out where brightness and border contrast shift slightly rather than using dramatic motion.
Color palette should stay within this range:
#E9ECEC, #C9D2D4, #8C9A9E, #44545B, #11171B.2. Haz que el modelo proponga opciones antes de construir. Esto rompe el valor predeterminado y da control a los usuarios. Debido a que temperature no se acepta en Claude Sonnet 5, este enfoque es la forma recomendada de producir direcciones de diseño significativamente diferentes entre ejecuciones. Ejemplo de prompt:
Before building, propose 4 distinct visual directions tailored to this brief (each as: bg hex / accent hex / typeface, plus a one-line rationale). Ask the user to pick one, then implement only that direction.Para alejarte de los patrones genéricos que los usuarios llaman la estética de "AI slop", puedes incluir una directiva corta en tu indicación del sistema. La skill de frontend-design proporciona un tratamiento más completo, pero este fragmento funciona bien junto con los enfoques de variedad anteriores:
<frontend_aesthetics>
NEVER use generic AI-generated aesthetics like overused font families (Inter, Roboto, Arial, system fonts), cliched color schemes (particularly purple gradients on white or dark backgrounds), predictable layouts and component patterns, and cookie-cutter design that lacks context-specific character. Use unique fonts, cohesive colors and themes, and animations for effects and micro-interactions.
</frontend_aesthetics>El uso de tokens y el comportamiento pueden diferir entre agentes de codificación autónomos y asíncronos con un solo turno de usuario y agentes de codificación interactivos y síncronos con múltiples turnos de usuario. Para maximizar tanto el rendimiento como la eficiencia de tokens en productos de codificación, usa effort xhigh o high, agrega características autónomas como un modo automático y reduce el número de interacciones humanas requeridas de tus usuarios.
Al limitar el número de interacciones de usuario requeridas, es importante especificar la tarea, la intención y las restricciones relevantes por adelantado en el primer turno humano. Proporcionar descripciones de tareas bien especificadas, claras y precisas por adelantado puede ayudar a maximizar la autonomía y la inteligencia mientras se minimiza el uso adicional de tokens después de los turnos de usuario. En contraste, los prompts ambiguos o poco especificados transmitidos progresivamente a lo largo de múltiples turnos de usuario tienden a reducir relativamente la eficiencia de tokens y, a veces, el rendimiento.
Si tu harness de revisión de código fue ajustado para un modelo anterior, es posible que inicialmente veas un recall más bajo en Claude Sonnet 5. Esto probablemente sea un efecto del harness, no una regresión de capacidad. Cuando un prompt de revisión dice cosas como "solo reporta problemas de alta severidad", "sé conservador" o "no seas quisquilloso", Claude Sonnet 5 puede seguir esa instrucción más fielmente que los modelos anteriores: puede investigar el código con la misma minuciosidad, identificar los bugs y luego no reportar hallazgos que juzga por debajo del umbral que estableciste. Esto puede manifestarse como el modelo haciendo la misma profundidad de investigación pero convirtiendo menos investigaciones en hallazgos reportados, especialmente en bugs de menor severidad. La precisión típicamente aumenta, pero el recall medido puede caer aunque la capacidad subyacente del modelo para encontrar bugs haya mejorado.
Algo de lenguaje de prompt recomendado:
Report every issue you find, including ones you are uncertain about or consider low-severity. Do not filter for importance or confidence at this stage - a separate verification step will do that. Your goal here is coverage: it is better to surface a finding that later gets filtered out than to silently drop a real bug. For each finding, include your confidence level and an estimated severity so a downstream filter can rank them.Este prompt puede usarse sin tener un segundo paso real, pero mover el filtrado por confianza fuera del paso de hallazgo a menudo ayuda. Si tu harness tiene una etapa separada de verificación, deduplicación o clasificación, dile al modelo explícitamente que su trabajo en la etapa de hallazgo es la cobertura en lugar del filtrado.
Si quieres que el modelo se autofiltre en una sola pasada, sé concreto sobre dónde está el umbral en lugar de usar términos cualitativos como "importante": por ejemplo, "reporta cualquier bug que pueda causar un comportamiento incorrecto, una falla de prueba o un resultado engañoso; solo omite detalles menores como preferencias puras de estilo o de nomenclatura".
Itera sobre los prompts contra un subconjunto de tus evaluaciones o casos de prueba para validar las ganancias en recall o puntuación F1.
Claude Sonnet 5 admite la versión de herramienta computer_20251124. La capacidad de uso de computadora funciona en todas las resoluciones, hasta una resolución máxima de 2576px / 3.75MP. Las pruebas internas de uso de computadora muestran que enviar imágenes a 1080p proporciona un buen equilibrio entre rendimiento y costo.
Para cargas de trabajo particularmente sensibles al costo, 720p o 1366×768 son opciones de menor costo con un rendimiento sólido. Realiza tus propias pruebas para encontrar la configuración ideal para tu caso de uso; experimentar con las configuraciones de effort también puede ayudar a ajustar el comportamiento del modelo.
Was this page helpful?