Cómo usar Claude Code y Claude de forma correcta, entender el costo de los tokens, comparar con otros LLM (incluidos los abiertos) y ver temas avanzados.
Usar Claude Code de manera correcta y productiva en tareas reales de desarrollo.
Aplicar buenas prácticas al trabajar con Claude en general, más allá del código.
Entender qué es un token, cómo se traduce en costo, y ubicar a Claude frente a otros LLM.
Elegir con criterio el modelo y el nivel de esfuerzo (effort) según cada tarea.
Un modelo de lenguaje grande (LLM) es una red entrenada con enormes cantidades de texto y código, que predice el siguiente fragmento de texto (token) más probable dado el contexto.
Analiza archivos, historial de git, errores y documentación como contexto.
Genera y edita código, tests, commits y documentación.
Corre comandos, tests y builds a través de herramientas (tool use).
Lee el resultado de cada acción y ajusta el siguiente paso, en bucle.
| Modelo | Descripción | Precio (in/out por MTok) | Contexto | Cuándo usarlo |
|---|---|---|---|---|
| Claude Fable 5 | Próxima generación de inteligencia para agentes de largo plazo | $10 / $50 | 1M tok | Máxima capacidad disponible |
| Claude Opus 4.8 | Codificación agéntica compleja y trabajo enterprise | $5 / $25 | 1M tok | Tareas complejas, razonamiento profundo |
| Claude Sonnet 5 | Mejor combinación de velocidad e inteligencia | $3 / $15* | 1M tok | Uso diario, default en Claude Code |
| Claude Haiku 4.5 | El modelo más rápido, inteligencia casi de frontera | $1 / $5 | 200K tok | Alto volumen, baja latencia, subagentes |
*Precio de lanzamiento de Sonnet 5: $2 / $10 hasta el 31 de agosto de 2026.
Un entorno de codificación agéntico: a diferencia de un chatbot que responde y espera, Claude Code lee archivos, ejecuta comandos, hace cambios y resuelve problemas de forma autónoma mientras vos observás, redirigís o te alejás del teclado.
Documentación oficial de Claude Code
macOS / Linux / WSL:
Extensión con diffs inline, @-menciones y revisión de planes.
Buscar “Claude Code” en Extensiones
Sesiones en paralelo, revisión visual de diffs, tareas programadas.
claude.ai → pestaña Code
Sin instalación local. Tareas largas desde el navegador o iOS.
claude.ai/code
Separar la exploración y planificación de la implementación evita resolver el problema equivocado.
Modo plan: Claude lee archivos y responde preguntas sin modificar nada.
Pedile un plan de implementación detallado. Editalo con Ctrl+G si hace falta.
Salís del modo plan: Claude codea y verifica contra su propio plan.
Pedile un commit con mensaje descriptivo y, si aplica, un PR.
Claude puede inferir intención, pero no puede leer tu mente. Cuanto más preciso el pedido, menos correcciones necesitás después.
| Antes | Después | |
|---|---|---|
| Ejemplo 1 | “agregá tests para foo.py” | “escribí un test para foo.py que cubra el caso donde el usuario está deslogueado. Evitá mocks.” |
| Ejemplo 2 | “arreglá el bug de login” | “los usuarios reportan que el login falla tras expirar la sesión. Revisá el flujo en src/auth/, especialmente el refresh de tokens. Escribí un test que reproduzca el bug y después arreglalo.” |
Un archivo que Claude Code lee al empezar cada sesión. Ejecutá /init para generar uno a partir de tu repo, y refinalo con el tiempo.
Sin un check que pueda correr, “parece terminado” es la única señal disponible. Con un check, el ciclo se cierra solo: Claude trabaja, corre el check, lee el resultado e itera.
Correr la suite y pedir que arregle lo que falle.
Un exit code que indica éxito o error de forma objetiva.
Comparar el resultado visual contra un diseño de referencia.
Una segunda pasada, en contexto limpio, que audite el diff.
El contexto de Claude guarda toda la conversación: cada mensaje, archivo leído y salida de comando. El rendimiento se degrada a medida que se llena.
| /clear | Resetea el contexto entre tareas no relacionadas. |
| Subagentes | Investigan en un contexto separado y reportan un resumen. |
| /rewind | Restaura conversación, código o ambos a un checkpoint anterior. |
| Regla de 2 correcciones | Si corregiste lo mismo dos veces, hacé /clear y escribí un mejor prompt inicial. |
claude -p "prompt"Para CI, pre-commit hooks o scripts. Salida en JSON para parsear.
Acciones que deben pasar siempre, sin excepción (ej: lint tras cada edit).
Empaquetan flujos repetibles que el equipo puede compartir e invocar.
Varias instancias de Claude trabajando en partes distintas a la vez.
| Patrón | Qué pasa | Cómo arreglarlo |
|---|---|---|
| Sesión “cajón de sastre” | Empezás una tarea, pedís algo no relacionado, volvés: contexto lleno de ruido. | /clear entre tareas no relacionadas. |
| Corregir una y otra vez | Claude se equivoca, corregís, sigue mal: contexto contaminado con intentos fallidos. | Tras 2 correcciones fallidas: /clear y un prompt inicial mejor. |
| CLAUDE.md sobrecargado | Si es muy largo, Claude ignora la mitad porque las reglas importantes se pierden. | Podarlo sin piedad; convertir en hooks lo que sea posible. |
| Confiar sin verificar | Una implementación que parece correcta pero no cubre casos borde. | Siempre dar una forma de verificar: tests, scripts, capturas. |
| Exploración infinita | “Investigá esto” sin acotar: Claude lee cientos de archivos. | Acotar el alcance o delegar en un subagente. |
Los mismos principios aplican fuera de Claude Code: en claude.ai, la API o cualquier integración.
Detallá formato, tono, audiencia y restricciones en vez de dar por sentado que Claude las adivina.
Mostrar 2-3 ejemplos de entrada/salida deseada mejora mucho la consistencia.
Para tareas complejas, pedir que piense antes de responder mejora la calidad.
Estructurar el prompt con <contexto>, <tarea>, <formato> ayuda a Claude a separar partes.
Indicá si querés una lista, una tabla, un párrafo o una extensión máxima.
Tratalo como código: probá, ajustá, y guardá lo que funciona para reusar.
Cómo se mide y se cobra el uso de un modelo, con datos de Artificial Analysis y de la documentación oficial de Claude.
La unidad mínima de texto que procesa un modelo: no es una palabra ni una letra, sino un fragmento intermedio.
≈ 6-7 tokens
Un repo completo leído como contexto puede sumar decenas o cientos de miles de tokens fácilmente.
Dólares por millón de tokens (API). El output siempre cuesta más que el input.
Índice compuesto (0-100) que promedia 9 evaluaciones en 4 categorías con igual peso: agentes, coding, capacidad general y razonamiento científico.
Costo promedio ponderado por tarea (input + output + thinking). Más inteligencia suele implicar más tokens generados, no solo precio por token más alto.
El parámetro effort controla cuántos tokens usa Claude para responder: pensamiento, texto y llamadas a herramientas.
| Nivel | Qué hace | Caso de uso típico |
|---|---|---|
| low | Máxima eficiencia; ahorro de tokens notable con algo de reducción de capacidad. | Tareas simples, alto volumen o subagentes. |
| medium | Enfoque equilibrado, ahorro moderado de tokens. | Tareas agénticas que buscan balance costo/velocidad. |
| high (default) | Capacidad alta. Es el comportamiento si no se cambia el parámetro. | Razonamiento complejo, coding difícil, tareas agénticas. |
| xhigh | Capacidad extendida para trabajo de largo horizonte. | Coding y agentes de más de 30 min, presupuestos de millones de tokens. |
| max | Máxima capacidad posible, sin límite de gasto de tokens. | Problemas realmente de frontera. |
Con effort Max usó ~6x más turnos que con effort Low (niveles intermedios interpolados a modo ilustrativo).
más tokens usa un modelo con reasoning effort alto que con effort mínimo (GPT-5, medido por Artificial Analysis).
| Tipo de tarea | Modelo sugerido | Effort sugerido |
|---|---|---|
| Subagentes, clasificación, lookups rápidos | Claude Haiku 4.5 | low |
| Chat y coding del día a día | Claude Sonnet 5 | high (default) |
| Coding agéntico complejo, refactors grandes | Claude Opus 4.8 | xhigh |
| Tareas de máxima capacidad / frontera | Claude Fable 5 | high – max |
DeepSeek, Qwen, GLM y Kimi: qué son, qué tan abiertos son realmente, y cuándo conviene elegir uno sobre Claude.
“Open weight” no es lo mismo que “open source”: normalmente se publican los parámetros entrenados, pero no siempre el código ni los datos de entrenamiento.
| Dimensión | Modelos abiertos (DeepSeek, Qwen, GLM, Kimi…) | Modelos cerrados (Claude, GPT, Gemini) |
|---|---|---|
| Acceso a los pesos | Descargables (ej. Hugging Face) | No se publican |
| Self-hosting | Posible, con tu propia infraestructura | No, solo vía API del proveedor |
| Fine-tuning propio | Posible sobre los pesos originales | Limitado a lo que ofrezca el proveedor |
| Costo por token | Generalmente más bajo | Generalmente más alto |
| Soporte y actualizaciones | A tu cargo (o de quien te hostee) | Incluido por el proveedor |
| Licencia típica | MIT / Apache 2.0 (la mayoría) | Términos de servicio comerciales |
| Modelo | Empresa | Licencia | Parámetros (activos) | Contexto | Fortaleza |
|---|---|---|---|---|---|
| DeepSeek V4 Pro | DeepSeek | MIT | 1.6T (49B) | 1M / 384K out | Coding y razonamiento a muy bajo costo |
| Qwen3-Coder | Alibaba | Apache 2.0 | 480B (35B) | 256K+ | Coding agéntico |
| GLM-5.2 | Zhipu / Z.ai | MIT | 745B (40B) | 1M / 128K out | Coding y tareas agénticas |
| Kimi K2.6 | Moonshot AI | MIT modificada* | 1T (32B) | 262K | Coding de largo horizonte, “agent swarm” |
*Kimi K2.6 usa MIT con una cláusula: si tu producto supera 100M de usuarios activos mensuales o USD 20M/mes de ingresos, tenés que mostrar “Kimi K2” en la interfaz. Por debajo de eso, funciona como MIT estándar.
Dólares por millón de tokens, precio oficial de lista de cada proveedor. Los proveedores externos (OpenRouter, etc.) suelen ofrecer tarifas distintas.
Respuesta corta: no de forma nativa. Claude Code está construido y optimizado específicamente para los modelos Claude.
El soporte “de terceros” de Claude Code (Terminal y VS Code) es para exponer los propios modelos Claude a través de Amazon Bedrock, Google Vertex AI, u otro endpoint compatible con la API de Anthropic, no para correr DeepSeek, Qwen o GLM dentro de Claude Code.
Si tu equipo quiere trabajar con un modelo abierto en un flujo agéntico, lo normal es usar la CLI o el plan de coding propio de ese proveedor (por ejemplo, el GLM Coding Plan de Z.ai o el CLI de Kimi), u otra herramienta agnóstica de modelo, no Claude Code.
MCP, subagentes, prompt caching y seguridad, para llevar Claude Code más allá del uso básico.
Model Context Protocol es un estándar abierto para conectar modelos con datos y herramientas externas: el mismo servidor MCP funciona con distintos clientes.
Google Drive
Jira / Linear
Slack
Figma
Bases de datos
Herramientas internas
claude mcp add. Fuente: code.claude.com/docs — MCPCorren en su propio contexto, con su propio set de herramientas permitidas, sin ensuciar la conversación principal.
Explora el codebase en contexto separado y devuelve un resumen.
Audita un diff en contexto limpio, sin el sesgo de haberlo escrito.
Se especializa en cubrir casos borde sin distraer la sesión principal.
Conoce las convenciones de un módulo específico del repo.
Reutilizar el contexto ya procesado (CLAUDE.md, codebase, ejemplos) evita pagarlo entero en cada turno.
| Modelo | Precio base input | Escritura en caché | Lectura en caché (hit) |
|---|---|---|---|
| Claude Sonnet 5 | $3 / MTok | $3.75 / MTok (+25%) | $0.30 / MTok (−90%) |
| Claude Opus 4.8 | $5 / MTok | $6.25 / MTok (+25%) | $0.50 / MTok (−90%) |
Recorta o resume automáticamente resultados viejos de herramientas para que no acumulen espacio en el contexto sin aportar valor a la tarea actual. Complementa a /clear y /compact.
Instrucciones maliciosas escondidas en contenido que el agente lee (una página web, un email, un issue) que el modelo puede confundir con órdenes legítimas del usuario.
Un chatbot que solo devuelve texto tiene impacto limitado si lo engañan. Un agente con acceso a herramientas, que puede escribir archivos, mandar mensajes o ejecutar comandos, puede convertir esas instrucciones en acciones reales.
code.claude.com/docs
platform.claude.com/docs
artificialanalysis.ai
huggingface.co · openrouter.ai
Instalá Claude Code en un repo chico esta semana y probá el flujo explorar → planificar → implementar en una tarea real.