Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAPI / Producto · Listo para usarX: @AnthropicAI→ original

Anthropic añade a su API ejecución de código, servidores MCP, archivos y una caché de 1 hora en lugar de 5 minutos

Anthropic ha añadido a su API cuatro bloques listos para agentes: ejecución de Python en un entorno aislado, conexión de servicios mediante el protocolo MCP, carga única de archivos y una caché de prompt de 1 hora en lugar de 5 minutos. Un agente puede obtener una vez una tabla de clientes, calcular con código la tasa de abandono y no volver a enviar instrucciones largas. Según la compañía, la caché reduce el precio de los prompts largos hasta un 90 %. Los equipos deberían revisar qué código a medida pueden eliminar.

Procesado por IA desde X: @AnthropicAI; editado por Hamidun News
Anthropic añade a su API ejecución de código, servidores MCP, archivos y una caché de 1 hora en lugar de 5 minutos
Fuente: X: @AnthropicAI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalX: @AnthropicAI ↗
Editor jefe
Code execution50 horas gratuitas de contenedor al día por organización; después, unos 5 céntimos por hora de contenedor.
MCP connectorla dirección del servidor MCP remoto se indica directamente en la solicitud.
Dato clave #3Caché de 1 hora en lugar de 5 minutos; según Anthropic, la latencia baja hasta un 85 %.

Para construir un agente de IA sobre la API de un modelo de lenguaje no basta con el modelo. Hace falta un lugar donde ejecutar de forma segura el código que genera el modelo. Hace falta conectarlo con servicios externos, como un gestor de tareas o un CRM.

Y hace falta no reenviar cada vez los mismos documentos ni pagar de nuevo por procesarlos. El 22 de mayo de 2025, Anthropic anunció cuatro funciones de su API que resuelven precisamente estas tareas. La herramienta de ejecución de código (code execution tool) ejecuta el código Python del modelo en un entorno aislado del lado de Anthropic.

El conector MCP (MCP connector) conecta servicios externos mediante el protocolo MCP, sin que haya que escribir un cliente para cada uno. La API de archivos (Files API) permite subir un documento una sola vez y referirse a él después. La caché de prompt ampliada conserva la parte repetida de la solicitud hasta una hora en lugar de los cinco minutos anteriores, lo que abarata las solicitudes y acelera las respuestas.

En la publicación en X solo aparecen los nombres de las funciones y el enlace al anuncio. Los detalles están en la documentación y en el blog de la compañía. A continuación, un análisis de cada punto; las cifras corresponden a la documentación en el momento del anuncio.

Herramienta de ejecución de código: el modelo ejecuta código por sí mismo

La primera herramienta permite a Claude escribir y ejecutar código Python en un entorno aislado. Es similar a un cuaderno Jupyter integrado. El modelo calcula, genera gráficos, procesa tablas y comprueba sus propias hipótesis, en lugar de adivinar la respuesta.

Por ejemplo: se pide determinar qué clientes de una exportación abandonan con más frecuencia. Antes, el desarrollador tenía que levantar su propio sandbox, vigilar la seguridad y los tiempos de espera. Ahora basta con activar la herramienta en la solicitud. Según la documentación, en modo beta hay 50 horas gratuitas de contenedor al día por organización; después, unos 5 céntimos por hora de contenedor.

Conector MCP y Files API: menos pegamento entre servicios

MCP (Model Context Protocol) es un protocolo abierto de Anthropic mediante el que el modelo se comunica con herramientas externas: gestores de tareas, CRM, bases de conocimiento. Antes había que escribir un cliente propio para cada servidor MCP. El conector MCP permite indicar en la solicitud la dirección de un servidor MCP remoto. La API se conecta por sí sola, obtiene la lista de herramientas y llama a la que hace falta. Para un responsable de producto, esto significa que las integraciones ya existentes de terceros se conectan más rápido.

La Files API resuelve un problema cotidiano: la recarga repetida de archivos. Un documento, por ejemplo un PDF con un reglamento o una tabla, se sube una vez, se obtiene un identificador y después se hace referencia a él en cualquier solicitud. No hace falta codificar ni reenviar el mismo archivo en cada paso de la conversación. Junto con la ejecución de código, se obtiene una cadena completa: se suben los datos, el modelo ejecuta el código y devuelve los resultados listos.

Caché de prompt ampliada: una hora en lugar de cinco minutos

La caché de prompt funciona como un marcapáginas en un libro. El modelo no procesa de nuevo el fragmento largo y sin cambios de la solicitud (instrucciones, documentos, ejemplos), sino que lo toma de la caché. Esto reduce tanto el coste como la latencia. Antes, la caché duraba unos cinco minutos. Si el agente tardaba más en "pensar" o el usuario respondía despacio, todo el contexto había que volver a procesarlo. Ahora existe una opción con una vida útil de hasta una hora.

Anthropic afirma que la caché puede reducir el coste de los prompts largos hasta un 90 % y la latencia hasta un 85 %. La hora de almacenamiento es especialmente útil en tareas largas de agentes, donde el contexto es grande y los pasos se espacian en el tiempo. Por el almacenamiento más prolongado se paga aparte: escribir en la caché de una hora cuesta más que en la de cinco minutos, mientras que leer desde la caché resulta bastante más barato que la entrada normal.

Qué significa en la práctica

Las cuatro funciones llegaron junto con los modelos Claude 4. En conjunto, forman un conjunto para plataformas de agentes: ejecución de código, integraciones, archivos y ahorro en el contexto. Anthropic asume parte del trabajo de infraestructura que hasta ahora hacían los frameworks de terceros y el código propio.

También hay limitaciones reales. Algunas funciones están en modo beta, así que la interfaz y los precios pueden cambiar. El código se ejecuta en los servidores de Anthropic, por lo que, si se manejan datos sensibles, hay que revisar los requisitos de seguridad y almacenamiento. Y cuanta más lógica pasa a la API de un solo proveedor, mayor es la dependencia de ese proveedor.

Qué debería hacer un desarrollador: si ya tiene un agente con un sandbox propio o con un contexto largo y repetitivo, conviene medir cuánto se ahorra con la caché de una hora y con la ejecución de código integrada. Para prototipos, la combinación de conector MCP y Files API probablemente ahorre varios días de integración.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Herramienta de ejecución de código: el modelo ejecuta código por sí mismo?

La primera herramienta permite a Claude escribir y ejecutar código Python en un entorno aislado. Es similar a un cuaderno Jupyter integrado. El modelo calcula, genera gráficos, procesa tablas y comprueba sus propias hipótesis, en lugar de adivinar la respuesta. Por ejemplo: se pide determinar qué clientes de una exportación abandonan con más frecuencia. Antes, el desarrollador tenía que levantar su propio sandbox, vigilar la seguridad y los tiempos de espera. Ahora basta con activar la herramienta en la solicitud.

¿Qué se sabe sobre Conector MCP y Files API: menos pegamento entre servicios?

MCP (Model Context Protocol) es un protocolo abierto de Anthropic mediante el que el modelo se comunica con herramientas externas: gestores de tareas, CRM, bases de conocimiento. Antes había que escribir un cliente propio para cada servidor MCP. El conector MCP permite indicar en la solicitud la dirección de un servidor MCP remoto. La API se conecta por sí sola, obtiene la lista de herramientas y llama a la que hace falta.

¿Qué se sabe sobre Caché de prompt ampliada: una hora en lugar de cinco minutos?

La caché de prompt funciona como un marcapáginas en un libro. El modelo no procesa de nuevo el fragmento largo y sin cambios de la solicitud (instrucciones, documentos, ejemplos), sino que lo toma de la caché. Esto reduce tanto el coste como la latencia. Antes, la caché duraba unos cinco minutos. Si el agente tardaba más en "pensar" o el usuario respondía despacio, todo el contexto había que volver a procesarlo. Ahora existe una opción con una vida útil de hasta una hora.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…