Anthropic muestra cómo hacer que Claude programe durante días: una lista de más de 200 tareas en JSON

Anthropic ha publicado un análisis de ingeniería sobre cómo mantener operativos a los agentes basados en Claude Agent SDK a lo largo de muchas ventanas de contexto. El punto de partida: incluso Opus 4.5, lanzado en bucle con un único prompt de alto nivel como «construye un clon de claude.ai», no lleva la aplicación web a calidad de producción. La compactación del contexto ayuda, pero no resuelve el problema. El autor del texto, Justin Young, propone un esquema con dos roles, historial de git y un archivo de progreso. Está planteado a imagen de cómo trabajan los ingenieros que se pasan el relevo sin tener memoria personal del turno anterior.

Dónde fallan los agentes de larga duración

Los ingenieros de Anthropic observaron tres fallos recurrentes. El primero: el agente intenta hacerlo todo de golpe, se topa con el límite de contexto en mitad de la implementación y deja a la siguiente sesión una función a medio hacer y sin documentar. El sucesor tiene que adivinar qué ocurrió y perder tiempo en recuperar el funcionamiento básico. La compactación no lo cura, porque no siempre transmite instrucciones claras a la siguiente sesión.

El segundo fallo aparece hacia la mitad del proyecto. Una nueva instancia del agente echa un vistazo, ve que ya hay mucho construido y declara el trabajo terminado. El tercero tiene que ver con la verificación: Claude marca una función como completada tras pasar pruebas unitarias o peticiones curl al servidor de desarrollo, aunque el escenario de extremo a extremo en el navegador no funcione.

Cómo está construido el arnés

La primera sesión recibe un prompt distinto y actúa como inicializador. El prompt de sistema, el conjunto de herramientas y la propia infraestructura son idénticos en ambos «agentes»; solo cambia el mensaje inicial del usuario. El inicializador crea el script init.sh para arrancar el servidor de desarrollo, el archivo claude-progress.txt con el registro de acciones y el primer commit de git. Lo más importante que escribe es la lista de requisitos. Para el clon de claude.ai salieron más de 200 puntos, por ejemplo: «el usuario abre un chat nuevo, escribe una consulta, pulsa Enter y ve la respuesta de la IA». Todos los puntos se marcan inicialmente como fallidos.

Parámetros clave del esquema:

• Formato de la lista de funciones: JSON con los campos category, description, steps y passes. El modelo sobrescribía Markdown con mucha más frecuencia.
• Permisos del agente de programación: solo puede modificar el campo passes. La formulación del prompt es tajante: eliminar o editar las pruebas es inadmisible.
• Volumen de trabajo: una función por iteración.
• Cierre de sesión: un commit de git con un mensaje descriptivo y una anotación en el archivo de progreso, lo que permite revertir los cambios fallidos.
• Inicio de sesión: pwd, lectura de git log y del archivo de progreso, elección de la función pendiente de mayor prioridad, ejecución de init.sh y una prueba básica de extremo a extremo.

Pruebas y límites del enfoque

La comprobación inicial es sencilla: el agente levanta el servidor, abre un chat nuevo con Puppeteer MCP, envía un mensaje y espera la respuesta. Si la aplicación está rota, se corrige el error antes de empezar trabajo nuevo; de lo contrario, la siguiente función solo agravaría la situación. Cuando se pide expresamente al modelo que pruebe mediante automatización del navegador, como lo haría una persona, encuentra errores que no se ven en el código y, según Anthropic, la calidad del resultado mejora de forma notable. Además, ahorra tokens: el agente no tiene que averiguar cada vez cómo arrancar y verificar la aplicación.

Las limitaciones persisten. Con Puppeteer MCP, Claude no ve los diálogos modales nativos del navegador, como alert, así que las funciones que dependían de ellos resultaban más defectuosas. Además, la visión del modelo y las capacidades de las herramientas no permiten detectar cualquier clase de error.

Qué llevarse a tu propio proyecto

El mínimo práctico se puede trasladar ya a cualquier pipeline de agentes. Crea un prompt inicial independiente para preparar el entorno. Guarda los requisitos en un archivo legible por máquina con un estado booleano y prohíbe al agente modificar las formulaciones. Exige un commit y una anotación en el registro al final de cada sesión. Empieza cada sesión con git log y una breve ejecución de la aplicación. Añade herramientas de automatización del navegador si pruebas software web.

Quedan abiertas dos preguntas. Aún no está claro si un único agente de programación universal es mejor que un conjunto de agentes especializados: un tester, un agente de QA, otro para limpiar código. Además, los resultados se obtuvieron en desarrollo web full-stack, y Anthropic solo supone que parte de las lecciones se podrá trasladar a la investigación científica o al modelado financiero. Es una hipótesis, no un resultado medido.