Una guía técnica de Anthropic explica cómo la acumulación de archivos, resultados de comandos y conversaciones puede elevar el consumo de tokens en Claude Code.
El contexto acumulado durante una conversación puede influir tanto en el costo como en la utilidad de una herramienta de programación asistida por inteligencia artificial. En una guía publicada el 14 de agosto de 2026, Anthropic detalla varias prácticas para reducir información innecesaria durante las sesiones de Claude Code.
La explicación parte de una característica de estos sistemas: los archivos leídos, los resultados de herramientas y las salidas de comandos pasan a formar parte de la conversación. En los turnos posteriores, ese historial vuelve a ser considerado por el modelo. La caché puede abaratar el procesamiento repetido, pero el contenido sigue ocupando espacio en la ventana de contexto.
Separar las tareas que no comparten contexto
La recomendación principal es evitar que una conversación se convierta en un contenedor de trabajos sin relación. El comando /clear inicia una conversación con contexto vacío, mientras que /compact resume la conversación cuando el usuario necesita continuar con la misma tarea. La documentación de comandos también indica que /context permite visualizar qué elementos están ocupando la ventana disponible.
En términos prácticos, /clear resulta apropiado al pasar de una corrección de pruebas a una función diferente. /compact es más adecuado cuando el objetivo continúa siendo el mismo, pero una parte del historial ya no necesita conservarse con todo su detalle.
Elegir el modelo y el nivel de esfuerzo al comenzar
Anthropic aconseja establecer el modelo y el nivel de esfuerzo antes de iniciar el trabajo principal. Según la compañía, cambiar estas opciones en medio de una conversación extensa puede invalidar parte de la caché y obligar a procesar nuevamente el contexto. La elección debe responder a la dificultad de la tarea: los trabajos rutinarios no siempre requieren el modelo más capaz ni el nivel de razonamiento más alto.
La recomendación no implica reducir capacidad de manera indiscriminada. Si el problema es complejo, ambiguo o exige revisar varias dependencias, un modelo más avanzado puede evitar iteraciones fallidas. La eficiencia depende del equilibrio entre capacidad, número de turnos y cantidad de información incorporada.
Entregar referencias precisas
Cuando el usuario conoce el archivo relevante, puede mencionarlo directamente con @ en lugar de pedir al asistente que lo busque. De este modo se evita una operación adicional de lectura o exploración. También conviene formular instrucciones específicas, como identificar el archivo de prueba que falla, en vez de encargar una búsqueda abierta por todo el repositorio.
Esta práctica reduce llamadas a herramientas y limita la entrada de archivos que posteriormente dejarán de ser útiles, pero permanecerán dentro de la conversación.
Controlar las salidas de pruebas y compilaciones
Los resultados de comandos también se incorporan al contexto. Una prueba que enumera cientos de casos correctos puede añadir una cantidad considerable de texto sin aportar información necesaria para resolver el fallo. Anthropic recomienda utilizar opciones silenciosas, filtros o formatos resumidos cuando estén disponibles.
Para tareas que generan registros extensos, otra alternativa es delegar el análisis en un subagente. La documentación de Claude Code explica que estos agentes trabajan en una ventana independiente y devuelven un resultado resumido a la conversación principal. No siempre son convenientes para trabajos breves, porque pueden necesitar reconstruir información que la sesión principal ya posee.
Entender el papel de la caché
La caché de prompts permite reutilizar partes previamente procesadas de una solicitud. La documentación de precios de Anthropic señala que una lectura desde caché cuesta una fracción del precio normal de entrada, mientras que escribir una nueva entrada tiene un recargo. Por ello, mantener estable el inicio de una conversación puede reducir el procesamiento repetido.
Estas prácticas no garantizan por sí solas un costo determinado ni una mejor respuesta. El resultado depende del modelo, la versión de Claude Code, la complejidad del proyecto y el tipo de suscripción o acceso utilizado. Su valor principal consiste en mantener cada sesión enfocada y evitar que el modelo procese información que ya no contribuye a la tarea.
Fuentes
- Anthropic, Maximizing the value of your Claude Code sessions
- Documentación de Claude Code, Commands
- Documentación de Claude Code, Crear subagentes personalizados
- Claude Platform Docs, Pricing
Ilustración creada por IA. Collage con imagenes tomadas del sitio de Anthropic
📬 Newsletter gratuito
