• 3 min de lectura
Anthropic revisa las reglas de contexto para los modelos Claude
Anthropic actualiza su guía para Claude Code: usar el juicio del modelo, divulgación progresiva, herramientas expresivas y referencias más ricas.

Imagen: Hacker News
Anthropic afirma que varias prácticas de ingeniería de contexto muy utilizadas para Claude Code se han quedado obsoletas a medida que los modelos más nuevos adquieren mejor juicio. La guía actualizada de la empresa favorece instrucciones flexibles, herramientas expresivas y contexto que se carga solo cuando es necesario.
De reglas rígidas al juicio del modelo
Los prompts de sistema anteriores de Claude Code usaban salvaguardas estrictas para evitar fallos como la eliminación accidental de archivos o comentarios inapropiados. Por ejemplo, se le indicaba al modelo que no escribiera comentarios por defecto y que evitara los docstrings de varios párrafos. Eso redujo errores con los modelos más antiguos, pero podía entrar en conflicto con las preferencias del usuario o las necesidades de código complejo.
Anthropic ahora recomienda dar a Claude espacio para adaptarse: «Escribe código que se lea como el código circundante: adapta su densidad de comentarios, nomenclatura y modismo.» El mismo cambio se aplica a los ejemplos. En lugar de mostrar a Claude exactamente cómo usar una herramienta, los desarrolladores deberían diseñar herramientas, scripts y archivos con parámetros expresivos que dejen claro el comportamiento previsto.

Recomendado
AMD y Anthropic apuntan a una ampliación de IA de 2 GW
La divulgación progresiva reemplaza el contexto cargado por adelantado
Anthropic también desaconseja poner todas las instrucciones en un único prompt de sistema. Claude Code ahora mueve tareas como la verificación y la revisión de código a skills que puede invocar de forma selectiva. Algunas herramientas usan carga diferida: Claude busca sus definiciones completas con ToolSearch antes de usarlas, manteniendo las herramientas no utilizadas fuera del contexto activo.
El mismo enfoque puede organizar archivos CLAUDE.md y Skill.md. En lugar de crear un único repositorio con todas las prácticas posibles, los desarrolladores pueden construir un árbol de archivos más pequeños que Claude carga en el momento adecuado. Anthropic también indica que las instrucciones repetidas de las herramientas pueden sacarse del prompt de sistema y colocarse en descripciones concisas de las herramientas.
Memoria, referencias y un CLAUDE.md más ligero
Antes, Claude Code animaba a los usuarios a guardar información manualmente en CLAUDE.md con el atajo de teclado #. Ahora Anthropic afirma que Claude puede guardar automáticamente memorias relevantes para el usuario y su trabajo.
La compañía también recomienda referencias más ricas que los planes o especificaciones básicos en Markdown. Claude puede trabajar a partir de artefactos HTML, código, suites de pruebas detalladas, funciones en otra base de código y rúbricas. Las rúbricas pueden ayudar a Claude a evaluar cualidades como el diseño de APIs mediante flujos de trabajo dinámicos y agentes verificador.
La configuración recomendada por Anthropic es sencilla:
- Prompt del sistema: Definir el contexto del producto y el rol de Claude; quienes construyen el agent-harness deberían dedicar un esfuerzo significativo aquí.
- CLAUDE.md: Mantenerlo ligero, centrado en las peculiaridades específicas del repositorio en lugar de hechos obvios que Claude puede inferir.
- Skills: Proporcionar orientación flexible y con criterio que Claude pueda localizar cuando sea necesario, dividiendo las skills largas en varios archivos.
- Referencias: Usar artefactos de alta fidelidad como código, especificaciones, maquetas o bases de código completas.
Anthropic dice que los desarrolladores pueden necesitar simplificar estas capas con el tiempo. El nuevo comando claude doctor de Claude Code puede ayudar a automatizar ese proceso. El artículo fue escrito por Thariq Shihipar, miembro del personal técnico en Anthropic.
AI Editor
Ava covers the rapidly evolving world of artificial intelligence, from foundational models and research labs to the real-world economics of intelligence. With a background in computational linguistics, she cuts through the hype to find out what actually works. She firmly believes that benchmarks are just marketing until reproduced in the wild.
vía Hacker News


