Anthropic borró el 80% del system prompt de Claude Code sin perder precisión

Anthropic acaba de publicar una guía que rompe varias reglas establecidas sobre cómo trabajar con modelos de lenguaje avanzados. La novedad: removieron más del 80% del system prompt original de Claude Code al migrar a modelos como Claude Opus 5 y Claude Fable 5, sin registrar pérdida de rendimiento en sus evaluaciones de código.

La entrada en el blog oficial de Claude resume años de aprendizaje interno sobre context engineering, el arte de ensamblar instrucciones, ejemplos y guías que el modelo recibe junto con cada prompt del usuario. A diferencia del prompting puntual, el contexto es reutilizable y genérico, lo que lo vuelve más difícil de diseñar — y más crítico cuando evolucionan las capacidades del modelo.

Menos restricciones, mejor criterio

El equipo de Anthropic descubrió que estaban sobre-restringiendo a Claude. System prompts, archivos CLAUDE.md y Skills enviaban mensajes contradictorios en una misma request: "dejá documentación apropiada" vs. "NO agregues comentarios". El modelo lograba interpretar la intención del usuario, pero tenía que pensar más para resolver el conflicto.

Las restricciones severas eran necesarias en generaciones anteriores para evitar casos extremos (como borrar archivos). Hoy, los modelos nuevos pueden usar su propio juicio sin esas barandas explícitas.

Anthropic resume tres cambios de paradigma:

Antes: dar reglas → Ahora: dejar que Claude juzgue
El system prompt original prohibía comentarios multilínea y bloques de documentación extensos. Funcionaba como red de contención, pero fallaba en contextos donde esas prácticas sí eran correctas. Los modelos nuevos leen el código existente y replican su densidad de comentarios, naming e idioms sin instrucciones rígidas.

Antes: dar ejemplos → Ahora: diseñar interfaces
La regla de oro del tool use era incluir ejemplos. Hoy, Anthropic encontró que los ejemplos limitan el espacio de exploración del modelo. En su lugar, recomiendan diseñar parámetros expresivos: un enum de status con valores pending | in_progress | completed ya sugiere el comportamiento esperado sin necesidad de un caso de uso escrito.

Antes: todo al frente → Ahora: progressive disclosure
Claude Code cargaba instrucciones detalladas de code review en cada interacción, aunque no siempre fueran relevantes. Los modelos actuales son competentes en cargar el contexto justo cuando lo necesitan, reduciendo ruido y tokens.

Herramienta de diagnóstico incluida

Anthropic integró estas reglas en claude doctor, un comando (/doctor) dentro de Claude Code que audita Skills y archivos CLAUDE.md para identificar instrucciones obsoletas o redundantes.

La empresa también destaca que Claude Code ahora tiene más herramientas nativas (memory, artifacts, skills) que antes se simulaban forzando texto en CLAUDE.md. El contexto puede distribuirse mejor.

Por qué importa

Si estás construyendo agentes o aplicaciones sobre modelos de lenguaje, esta guía marca un cambio de mentalidad: menos microgestión, más diseño de interfaz. Los LLMs de última generación no son autómatas que ejecutan reglas al pie de la letra; son sistemas que interpretan intención, leen patrones y toman decisiones contextuales.

Para equipos que vienen arrastrando system prompts de 2023, este es un buen momento para hacer limpieza. Prompts hinchados no solo consumen tokens: también generan conflictos internos que el modelo tiene que desambiguar, agregando latencia y reduciendo coherencia.

La recomendación de Anthropic es clara: diseñá herramientas con parámetros claros, confiá en el criterio del modelo, y cargá contexto progresivamente. Si tu stack incluye Claude (o cualquier modelo de frontera), vale la pena revisar cuánto de tu contexto es andamiaje legacy de una generación anterior.