Maximizando el valor de tus sesiones de Claude Code
La guía de Anthropic sobre cómo “maximizar” las sesiones de Claude Code provoca reacciones mixtas entre desarrolladores que intentan controlar el uso de tokens, el comportamiento de la caché y los costes en una herramienta opaca y cambiante con rapidez. Muchos agradecen consejos concretos sobre el almacenamiento en caché de prompts, la gestión del contexto y los subagentes, pero otros sostienen que estas optimizaciones deberían gestionarse automáticamente desde el producto en lugar de descargarse sobre los usuarios, que ahora soportan costes directos por tarea. El intercambio pone de relieve una inquietud más amplia sobre los incentivos de los proveedores, los frecuentes cambios de comportamiento en los servicios de IA alojados y las comparaciones con competidores más baratos y con configuraciones autogestionadas y más transparentes.
Ineficiencia percibida y errores en Claude Code
- Algunos usuarios informan que Claude Code es más lento y menos preciso que alternativas (p. ej., Codex/Copilot), leyendo en exceso archivos y directorios en lugar de mantenerse enfocado en el archivo dado.
- Las reescrituras inesperadas de la caché de prompts y los altos recuentos de escrituras en caché están generando facturas muy grandes para algunos, incluso cuando creen estar siguiendo las mejores prácticas.
- Se citan múltiples incidencias de GitHub (errores de caché,
/clearque se filtra a la siguiente sesión, nuevas sesiones que no aprovechan la caché completa), lo que provoca frustración y desconfianza en la herramienta. - Se informa que la búsqueda de archivos
@en la app de escritorio es defectuosa o inferior a la CLI.
Costes de tokens, comportamiento de la caché e incentivos
- Muchos comentarios se centran en el almacenamiento en caché de prompts: diferencias de TTL (5 minutos vs 1 hora), invalidación de caché por cambiar el modelo/esfuerzo, uso de
/compacty confusión sobre cuándo se restablecen las cachés. - Algunos argumentan que Anthropic está alineado con los usuarios al querer menos tokens (la computación es cara; las suscripciones limitan el uso); otros responden que la facturación empresarial por token incentiva un mayor uso de tokens.
- Hay escepticismo en torno al comportamiento de “invalidación de caché” y sobre si las optimizaciones favorecen el ahorro del usuario o el beneficio del proveedor.
Diseño del producto frente a “lo estás usando mal”
- Hay un fuerte sentimiento de que la entrada del blog traslada la complejidad (gestión del contexto, compactación, TTL de caché, niveles de esfuerzo) a los usuarios en lugar de construir mejores valores predeterminados.
- Varios ven la guía como el equivalente en IA de “lo estás sosteniendo mal”: si el uso incorrecto es común, argumentan que es un fallo de diseño del producto.
- Otros defienden la entrada como una guía normal de “cómo usar una herramienta potente de forma eficiente”, análoga a las guías de optimización de costes para AWS o bases de datos.
Comparaciones con otros LLMs y harnesses locales
- Algunos informan de mejor coste/rendimiento usando otros LLMs (OpenAI, DeepSeek, Kimi, Qwen) o harnesses personalizados con configuraciones fijadas por versión y modelos locales o alojados en la nube.
- Los límites de uso y el supuesto mayor coste/latencia de Claude Code son razones frecuentes citadas para preferir competidores.
Flujos de trabajo, comandos y habilidades
- Los usuarios comparten prácticas avanzadas: sesiones cortas,
/clearo/compactfrecuentes,/handoffa nuevas sesiones u otros modelos, desarrollo “impulsado por docsets” y documentos externos de planificación. - Debate sobre si mencionar archivos grandes con
@es bueno (se puede cachear, siempre presente) o malo (fuerza lecturas completas). - Confusión e irritación porque cambiar el “nivel de esfuerzo” invalida la caché; se especula que está implementado mediante prompts de sistema ocultos.
Preocupaciones más amplias sobre herramientas opacas y cambiantes
- Algunos quieren herramientas inspeccionables y estables y resienten los cambios rápidos y opacos en los servicios de IA alojados.
- Otros aceptan la rotación como inevitable para las herramientas agentivas en rápida evolución, argumentando que las expectativas de estabilidad no son realistas por ahora.