El equipo detrás de Claude Code recortó su system prompt un 80% y, lejos de degradar el rendimiento, mejoró la coherencia del agente. Ese es el dato que puso a debatir a media comunidad técnica en Hacker News. La pregunta que sigue, y que un análisis publicado en Antigma.ai intenta responder, es incómoda para muchos builders: si un prompt corto funciona con un modelo grande como Claude, ¿pasa lo mismo con los modelos pequeños que muchos usamos por coste?
La respuesta corta es: no siempre, y ahí está el matiz que importa. Los modelos grandes toleran —incluso agradecen— instrucciones escuetas porque infieren el contexto que falta. Los modelos pequeños necesitan andamiaje. En este artículo desglosamos qué cambió en Claude Code, qué revela el experimento sobre los modelos pequeños, y cómo un builder en España o LATAM debería ajustar sus prompts hoy para no pagar de más ni perder precisión.
¿Qué cambió exactamente en el system prompt de Claude Code?
Según el análisis publicado en Antigma.ai, el equipo de Claude Code redujo el tamaño de su system prompt en torno a un 80%. La idea de fondo es que un prompt inflado genera ruido: instrucciones redundantes, ejemplos que compiten entre sí y reglas que el modelo grande ya conoce implícitamente por su entrenamiento.
El autor lo resume con una tesis clara: "un prompt más corto obliga al modelo a razonar en lugar de recitar". En un modelo con fuerte capacidad de razonamiento, quitar andamiaje no rompe nada; libera capacidad de atención para la tarea real. Menos tokens de sistema también significa más espacio de contexto para el código del usuario y menor latencia por petición.
Desde nuestra experiencia con Claude API, este patrón se confirma en agentes complejos: cada instrucción redundante que añades a un modelo capaz es una oportunidad de contradicción. El prompt largo no es sinónimo de prompt robusto.
¿Funciona el prompt corto también con modelos pequeños?
Aquí está el giro. El experimento de Antigma.ai probó la misma filosofía de recorte con modelos pequeños y el resultado fue distinto: los modelos pequeños se benefician menos, y a veces se degradan, cuando les quitas contexto explícito.
La explicación es intuitiva una vez la ves. Un modelo grande tiene interiorizado el "cómo" de muchas tareas; un modelo pequeño tiene lagunas que el system prompt rellenaba. Si borras el andamiaje pensando que "menos es más", el modelo pequeño se queda sin las muletas que compensaban su menor capacidad de razonamiento. El prompt corto asume una competencia que el modelo pequeño no siempre tiene.
La lección práctica para los builders: la longitud óptima del prompt depende del modelo, no es una regla universal. Lo que optimizas para Claude Opus o Sonnet no se traslada a un modelo de 7B o 8B parámetros que corres en local para ahorrar. Con modelos pequeños conviene mantener ejemplos concretos (few-shot), definir el formato de salida de forma explícita y no dar por hecho el conocimiento tácito.
Comparado con GPT-4o mini o Gemini Flash, la dinámica es la misma: cuanto más pequeño el modelo, más importa la guía explícita. Para los builders hispanohablantes esto significa que no existe un "prompt maestro" reutilizable entre tiers de modelo; cada nivel exige su propia calibración.
¿Qué implica esto para builders en España y LATAM?
El coste es el nervio de esta decisión en nuestra región. Muchos equipos en Colombia, México o Argentina eligen modelos pequeños precisamente para reducir la factura de API cuando facturan en pesos y el tipo de cambio aprieta. La tentación de "copiar el prompt corto de Claude Code" para ahorrar tokens es real, pero puede salir caro: un modelo pequeño mal guiado genera más reintentos, más errores y, al final, más llamadas.
La estrategia sensata para un builder hispano hoy es híbrida: usar prompts cortos y densos con Claude para las tareas de razonamiento complejo, y prompts más explícitos con modelos pequeños para tareas acotadas y repetitivas. Medir el coste real por tarea completada —no por token— es la métrica que de verdad importa. Un prompt un 30% más largo que evita tres reintentos sale más barato que uno minimalista que falla.
Si trabajas con arquitecturas de agentes, este ajuste fino de prompts es una de las habilidades que se cubren al dar el salto hacia agentes e integraciones con MCP, donde el system prompt es el pegamento entre el modelo y las herramientas externas. MCP (Model Context Protocol) es el estándar abierto de Anthropic para conectar modelos con datos y herramientas, y ahí la calibración del prompt según el tamaño del modelo se vuelve crítica.
¿Cómo empezar a optimizar tus prompts hoy?
Un flujo de trabajo accionable, probado en producción:
- Mide antes de tocar. Establece una línea base con tu prompt actual: tasa de acierto, tokens por tarea y latencia.
- Recorta por capas. Elimina primero las instrucciones redundantes, luego los ejemplos, y mide tras cada corte. No borres todo de golpe.
- Segmenta por modelo. Mantén dos versiones del prompt: una densa para el modelo grande y otra explícita para el pequeño.
- Vigila los reintentos. Si al acortar suben los reintentos, el ahorro es ilusorio.
Un esqueleto mínimo para arrancar el experimento:
system_grande = "Eres un asistente de código. Prioriza correccion y claridad."
system_pequeno = system_grande + "\nDevuelve solo codigo. Formato: bloque markdown. Ejemplo: ..."La documentación oficial de Anthropic sobre diseño de prompts y uso de herramientas es el punto de partida obligatorio antes de industrializar cualquier agente.
Conclusión
El titular tentador —"corta tu system prompt un 80%"— es cierto para Claude, pero engañoso como receta universal. La verdadera lección del experimento no es "prompt corto = mejor", sino que la longitud del prompt debe escalar inversamente a la capacidad del modelo: cuanto más pequeño el modelo, más andamiaje necesita. Para los builders en España y LATAM que optimizan coste con modelos pequeños, aplicar a ciegas el recorte de Claude Code es un error caro. Mide por tarea completada, segmenta por tier de modelo y trata el prompt corto como una hipótesis a validar, no como un dogma. Comparte este artículo si te fue útil.
