En el mundo del desarrollo de IA se ha producido un cambio de paradigma revelador. La empresa Anthropic, tras analizar la telemetría interna de su herramienta Claude Code, llegó a una conclusión inesperada: más del 80% del prompt del sistema, que durante años se consideró crítico para controlar el modelo, resultó no solo inútil, sino perjudicial. Se trata de una revisión fundamental de los principios de la ingeniería de contexto para la nueva generación de modelos Claude.
Por qué las reglas antiguas jugaban en nuestra contra
El problema radicaba en las contradicciones. El enfoque tradicional implicaba saturar el modelo con instrucciones detalladas, habilidades y ejemplos. Sin embargo, el análisis de los registros mostró que estos componentes entraban en conflicto entre sí. El prompt del sistema exigía una cosa, la descripción de la herramienta lo contrario, y la solicitud del usuario añadía un tercer vector incompatible. El modelo, sobrecargado con instrucciones contradictorias, gastaba recursos computacionales en intentar conciliarlas en lugar de resolver la tarea.
La idea clave de Anthropic es que los nuevos modelos Claude se han vuelto lo suficientemente "inteligentes" como para interpretar el contexto circundante por sí mismos. Ya no necesitan marcos rígidos ni manifiestos de varias páginas. En su lugar, son capaces de tomar decisiones basándose en señales mínimas pero claras. Por eso la empresa optó por una reducción radical y, lo que es notable, en las pruebas internas de programación la calidad de los resultados no solo no cayó, sino que en varios escenarios aumentó.
Nuevas reglas: menos texto, más confianza
La nueva filosofía de Anthropic se basa en cuatro principios que dan la vuelta a las ideas anteriores sobre la ingeniería de prompts. En primer lugar, hay que confiar en el modelo. Prohibiciones como "no escribas comentarios en el código" se sustituyen por una simple recomendación: "sigue el estilo del código circundante". En segundo lugar, los ejemplos ya no son el estándar de oro. Los tres métodos de solución mostrados hacen que el modelo los perciba como las únicas opciones posibles, lo que limita su creatividad y adaptabilidad.
En tercer lugar, las instrucciones no deben acumularse en un solo archivo gigante. Claude extraerá la información necesaria en el momento adecuado, y las reglas superfluas solo queman tokens y generan ruido. En cuarto lugar, la duplicación es mala. Si la misma regla se menciona en el prompt, en la descripción de la herramienta y en la memoria, se crea un conflicto de prioridades. Ahora Anthropic recomienda eliminar todas las repeticiones, dejando solo la variante más clara.
Merece especial atención el consejo sobre el trabajo con memoria y artefactos. En lugar de simples archivos markdown, que el modelo puede interpretar de forma ambigua, es mejor usar HTML y datos estructurados. Esto permite al modelo extraer la información necesaria de forma más rápida y precisa.
Mi análisis: Este paso de Anthropic no es solo una optimización, sino una señal de la madurez de los LLM. Estamos presenciando la transición de la era del "adiestramiento" de modelos con prompts rígidos a la era de la "mentoría", donde la confianza en el razonamiento del modelo juega un papel clave. Para los desarrolladores, esto significa que es hora de revisar sus CLAUDE.md y prompts del sistema, dejando solo lo esencial. De lo contrario, no solo está desperdiciando tokens, sino que además está obstaculizando activamente que el modelo trabaje a plena capacidad. Es una lección que todos los que construyen sistemas de agentes basados en IA moderna deberían aprender.