Aprendí mucho durante el curso «Claude formación » sobre el uso de Claude Code en el desarrollo y sobre cómo crear productos de IA aptos para producción que utilicen la API. Al sintetizar lo que había aprendido en sus principios básicos durante los días previos al examen, me di cuenta de que muchos de esos principios se aplicaban a cualquier interacción con un modelo de lenguaje grande (LLM) y , una vez superado el examen, decidí investigar este tema.

Me propuse el reto de aplicar lo que había aprendido en el examen a usos más cotidianos de la IA, interactuando con un chatbot, ya fuera Claude o ChatGPT. A continuación voy a describir algunas cosas que descubrí que funcionaban bien y que antes no sabía ni había hecho.

Gestión del contexto

Al interactuar con un modelo de lenguaje grande (LLM), siempre había prestado atención al contexto inicial que le proporcionaba, asegurándome de que tuviera suficiente información para entender lo que le estaba preguntando; sin embargo, hasta que empecé a prepararme para el examen, realmente no me había planteado que el contexto de toda la conversación fuera responsabilidad del usuario ni que fuera algo que este pudiera gestionar.

El examen deja muy clara esta responsabilidad. Tú, como desarrollador que utiliza Claude Code, debes conocer el contexto del que dispone el modelo, saber cómo y cuándo utilizar instrucciones persistentes —teniendo en cuenta que estas ocupan espacio en la ventana de contexto del modelo— y saber cómo y cuándo utilizar instrucciones bajo demanda mediante habilidades y reglas, para no «agotar» la ventana de contexto innecesariamente. Debes saber reconocer cuándo el contexto ha quedado obsoleto, cuándo corres el riesgo de perder detalles importantes, cuándo la conversación se ha desviado del tema y cómo restablecer el contexto que necesitas para seguir trabajando. En el examen, se espera que conozcas las técnicas para gestionar el contexto de esta manera.

‍

Externalización del estado de funcionamiento

He descubierto una técnica de este tipo que se adapta muy bien a las interacciones generales con los chatbots, y es la de externalizar el contexto importante. Con esto me refiero a crear un registro externo y conciso de los detalles importantes de la conversación. Donde más útil me ha resultado es cuando estoy haciendo una lluvia de ideas o explorando una idea con ChatGPT. Estas conversaciones pueden alargarse mucho y es fácil que el modelo de lenguaje grande (LLM) se confunda entre las ideas en las que aún estás trabajando y las que has decidido conservar o las que has descartado. A menudo he tenido la sensación en este tipo de conversaciones de que, de un turno a otro, estamos en sintonía, pero a medida que la conversación avanza, acabamos volviendo sobre temas ya tratados, o el LLM se va por las ramas y parece quedarse atascado ahí. El resultado puede acabar siendo un poco caótico.

Aquí es donde entra en juego el documento de estado de trabajo , que establece una distinción entre el lugar donde se exploran y se desarrollan las ideas (la conversación) y el lugar donde se almacenan esas ideas (el documento independiente). El documento de estado de trabajo es un registro permanente y visible de los puntos clave de la conversación, lo que favorece la continuidad. Ayuda a mantener la conversación por el buen camino y, al final, se obtiene un registro portátil que se puede utilizar para iniciar otras conversaciones, si fuera necesario.

Entonces, ¿cómo se crea y se utiliza este documento? Depende un poco de la aplicación y del grado de automatización que quieras para el flujo de trabajo. Voy a describir lo que he probado con ChatGPT. La forma más sencilla es pedirle al LLM que genere un documento de estado de trabajo (.md) al inicio del chat y, a lo largo de la conversación, cada vez que surja algo que quieras registrar, pedirle que lo añada al documento. Después, al final, puedes pedir que te descargue el archivo. En el otro extremo del espectro, puedes crear unas instrucciones sobre lo que quieres que el LLM incluya en tu documento y cómo quieres que esté organizado, y guardar estas instrucciones en «Project Sources». Luego, durante la conversación, puedes pedirle que cree el documento de estado de trabajo y que lo actualice periódicamente. El LLM decidirá, basándose en tus instrucciones, qué registrar.

Revisión de los resultados generados por IA con IA

Otros conceptos clave del examen de Claude se refieren a cómo utilizar el modelo de lenguaje grande (LLM) de forma eficaz para revisar sus propios resultados. Hay dos técnicas en particular que se pueden aplicar fácilmente a casos de uso generales de la IA, como la revisión de un documento de propuesta que hayas creado con Claude.

Una instancia independiente

La primera técnica es tan sencilla como utilizar una instancia independiente del modelo para revisar el resultado. Al igual que a nosotros nos cuesta corregir nuestro propio trabajo, a los modelos de lenguaje grande (LLM) también les resulta un reto. El contexto del que disponen desde la fase de generación, su razonamiento y el planteamiento original de una solución pueden «anclarlos», lo que significa que no pueden ver lo que han producido con «ojos nuevos». En Claude Code, la solución consiste en iniciar una nueva sesión, aislada del chat que generó el código. Al trabajar con aplicaciones como Claude o ChatGPT, nos enfrentamos al reto adicional de la memoria del proyecto y de la propia aplicación, de la que quizá queramos aislarnos. Esta separación clara puede lograrse de varias maneras. Si has creado el documento con Claude, podrías revisarlo con ChatGPT, con cualquier otro LLM o en un chat de incógnito dentro de Claude.  

Revisiones en varias fases

La segunda técnica tiene como objetivo resolver el problema de la dilución de la atención y, en particular, el efecto de «pérdida en el medio». Si la entrada que se va a revisar es extensa —por ejemplo, una base de código grande en Claude Code o un documento largo en ChatGPT— y ocuparía una parte significativa de la ventana de contexto, pedir al LLM que analice esta entrada con un nivel de profundidad real implica que no podrá «prestar atención» a toda la entrada por igual. El LLM puede ofrecer buenos comentarios sobre el principio y el final de la entrada, pero podría «perderse en el medio» y ofrecerte comentarios superficiales sobre el contenido del centro.

Entonces, ¿cuál es la técnica que se enseña en el curso para abordar este problema? La mejor práctica que recomiendan aquí es «realizar revisiones en varias pasadas más una revisión final de integración», es decir, dividir una tarea de revisión extensa en «pasadas» más pequeñas y específicas, en las que, en cada una de ellas, se centre en un pequeño aspecto de la retroalimentación necesaria, y luego una «pasada» final de integración que recopile y evalúe los resultados de estas revisiones separadas, resolviendo los conflictos o interacciones entre ellas. Aplicado a la revisión de un documento de propuesta extenso, esto podría ser:

1. ¿Responde a las indicaciones del cliente?

2. ¿Le resulta comprensible al lector?

3. ¿Es convincente el caso?

4. ¿Es correcto desde el punto de vista técnico?

5. ¿Está claro y es fácil de entender?

Además, la revisión de integración que evalúa todas estas conclusiones, con una pregunta como:

«¿Qué observaciones requieren realmente cambios en la propuesta, cuáles son repeticiones o síntomas del mismo problema subyacente y cuáles no deben tenerse en cuenta? Elabora una lista de cambios ordenada por prioridades que mejore la propuesta sin crear nuevas incoherencias ni alterar el significado previsto».

Iterar correctamente

Esta última técnica, que he adaptado del examen, es otra muy sencilla, pero, de nuevo, algo que no había tenido en cuenta antes, y tiene que ver con la iteración sobre el resultado generado por la IA. Hacer cambios en un documento con la IA parece fácil —solo hay que decirle lo que quieres cambiar, ¿no?—, pero, según mi experiencia, nunca ha sido tan sencillo como eso.  

Parece que se niega a cambiar lo único que quieres cambiar, mientras que cambia otras cosas que no querías que tocara, o bien toma tus comentarios y los aplica de forma increíblemente literal, todo ello mientras te pasas el documento de un lado a otro 100 veces.  

La técnica del examen no pretende resolver todos estos problemas, pero sí facilita el control de las iteraciones. En este sentido, la idea clave del examen de Claude es que debemos identificar si los cambios que queremos realizar están relacionados entre sí o son independientes. Si dependen unos de otros, debemos dar instrucciones al LLM para que realice todos los cambios al mismo tiempo. Si son independientes, cada cambio se puede implementar por separado. Lo mismo se aplica a la iteración sobre un documento.

Conclusión: opta por un flujo de trabajo estructurado

Personalmente, los resultados de estos experimentos me han parecido interesantes y, sin duda, han cambiado mi forma de interactuar con ChatGPT o Claude. Quizá la lección más importante sea que contar con un flujo de trabajo estructurado para estas interacciones marca una enorme diferencia. Y tiene sentido: si utilizamos un modelo de lenguaje grande (LLM) como parte de nuestro trabajo, debemos estructurar la interacción de la misma forma que lo haríamos con un compañero de trabajo humano. Las técnicas son diferentes, pero la idea fundamental es la misma.