Anthropic prohibió la crueldad hacia Claude, así que creé un filtro de palabrotas para los prompts

Una nueva prohibición y un hábito de insultar

Anthropic actualizó los términos de uso de sus modelos el 8 de octubre, añadiendo una cláusula que prohíbe la crueldad sistemática y sin sentido hacia los modelos. Ilya Timonin —fundador de ArtGeneration.me, autor del skill Prompt Warrior para el análisis de registros de prompts y product manager con 20 años de experiencia— notó que él mismo caería bajo esta prohibición. Según sus cálculos, las palabrotas aparecen en casi uno de cada dos mensajes a Claude Code. Cuando el agente, por enésima vez, informa alegremente «listo» y en realidad nada está listo, las palabras no se eligen con cuidado. En lugar de cambiar el hábito de insultar al agente, decidió hacer que Claude simplemente no viera las palabrotas.

La idea de revisar los prompts mediante un modelo adicional le daba vueltas en la cabeza desde hacía tiempo. Antes planeaba conectar un LLM a Whispering, una herramienta de dictado por voz de código abierto, para pulir el texto dictado. Tenía intención de configurarlo, pero nunca lo hizo. Las nuevas normas de Anthropic le dieron el empujón para actuar, y así nació Angry Switcher.

Cómo funciona el plugin

El plugin para Claude Code intercepta el mensaje en el momento en que ya has pulsado Enter, pero Claude aún no lo ha recibido. El texto se envía a revisión a otro LLM, que corrige erratas, errores de teclado y transliteraciones, elimina palabrotas y mayúsculas, pero no toca el sentido. Tras la revisión, el plugin sustituye el texto original, y Claude solo ve la versión limpia.

Sin embargo, esta capa invisible esconde trampas. Si la revisión entiende algo mal, el agente hará honestamente algo distinto de lo que pediste, pero no entenderás por qué. En la práctica, al principio ocurrió lo siguiente:

• Haiku leyó su propio nombre, «jaiku» (haiku en transliteración rusa), como «función hash»
• Sonnet cambió los sujetos: la frase «yo lo pensaré» se envió como «tú lo pensarás»
• La frase «¿eres idiota?» se transformó en el reclamo educado «¿Por qué hiciste eso?»
• El pronombre que indicaba que la persona «pensó» en femenino cambió el género del usuario a mujer

La solución vino de investigaciones sobre la reescritura de consultas de búsqueda: una paráfrasis libre empeoraba las consultas en el 42% de los casos, mientras que una corrección cuidadosa solo en el 24%. Ahora la revisión funciona como un corrector, no como un editor. Cada palabra del texto final sigue siendo tuya, solo corregida. Las palabras incomprensibles se dejan tal cual, el género nunca se adivina. El código, los registros (logs) y las citas no llegan al modelo, se sustituyen por marcadores. Las rutas de archivos, los nombres y los números se verifican. El comando `raw:` al inicio envía el texto sin procesar.

¿Realmente ayudan las palabrotas?

Antes de crear el plugin, Ilya revisó las investigaciones existentes. Un estudio de Penn State de 2025 mostró que los prompts groseros dieron a GPT-4o un 84,8% de respuestas correctas frente al 80,8% de los prompts educados, sobre una muestra de 50 preguntas. Pero cuando la prueba se amplió a 570 preguntas y cuatro modelos, no se encontró una regla única: en un modelo la grosería añadió 1,3 puntos, en otro las amenazas hicieron caer la precisión 11 puntos.

Con los insultos el panorama fue más claro. RudeBench puso a prueba cinco modelos (Claude, GPT-4o y otros tres) en seis tonos de comunicación, desde el educado hasta el «cállate, máquina inútil». Los insultos resultaron ser el peor tono para los cinco. Claude perdía con ellos alrededor de cinco puntos de precisión, y las respuestas se volvían un tercio más cortas. Se ofendió, al parecer. Las palabrotas reales no se midieron en estas investigaciones; se usó grosería educada en inglés. La conclusión fue: en el mejor caso, insultar no aporta nada; en el peor, el agente trabaja peor y responde más corto. No hay nada que perder evitándolo.

Sonnet o DeepSeek

El plugin puede revisar los textos con dos modelos. Por defecto se usa Sonnet, el mismo modelo de Anthropic. Ilya tiene una teoría: si en algún momento castigan por abuso, es poco probable que sea por Sonnet o Haiku, porque con ellos se entrenan los modelos grandes. Sonnet revisa en 1,5-2 segundos, cuesta alrededor de $0.0015 por mensaje (mil mensajes ≈ $1.5) y funciona mediante el inicio de sesión personal de Claude dentro de la suscripción, sin cargos adicionales.

La alternativa es DeepSeek V3 Flash mediante una clave de API propia. En ese caso las palabrotas no llegan a Anthropic en absoluto. Pero DeepSeek requiere más tiempo: con el modo de razonamiento activado (necesario para que funcione correctamente), la revisión tarda 3,4 segundos frente a los 1,9 de Sonnet, y hay que pagar con la propia clave ($0.30 por millón de tokens de entrada, $1.20 por millón de tokens de salida). Sin el modo de razonamiento, DeepSeek era el doble de rápido, pero pasaba por alto fragmentos peligrosos y adivinaba palabras incomprensibles.

Uso práctico

El código está disponible bajo licencia MIT. Se instala a través de Claude Code y se desactiva con el comando `/angry off`. Cada mensaje reescrito se muestra en el chat como una tarjeta de «escribiste / se envió», la sustitución no es secreta. Los comandos `/angry model deepseek` y `/angry model sonnet` permiten cambiar entre modelos. La herramienta adicional Prompt Warrior calcula el nivel de toxicidad a partir de los registros. El comando `/ask-ds` envía la pregunta directamente a DeepSeek.

Ilya no dejó de decir palabrotas. Pero Claude ya no las lee.