Resumen / Puntos clave
- Los mejores ingenieros de IA en Anthropic están abandonando los prompts manuales por 'bucles' autónomos que se ejecutan durante horas.
- Pero este nuevo paradigma conlleva costos ocultos y trampas de fiabilidad que pueden descarrilar cualquier proyecto.
¿El Fin del Prompting Manual?
Ingenieros de élite en Anthropic (hogar de Claude Code) y OpenClaw están redefiniendo la interacción con la IA, yendo más allá de los prompts únicos hacia sistemas totalmente autónomos. Construyen máquinas inteligentes que operan sin la entrada humana constante, un cambio de paradigma significativo respecto al prompting tradicional.
Esta nueva metodología, denominada Loop Engineering, orquesta toda una fuerza laboral de IA. Un agente orquestador de alto nivel 'promptea' a agentes trabajadores especializados en un ciclo continuo, impulsando el progreso incremental en tareas complejas. Realmente son agentes 'prompteando' a agentes, no humanos.
Boris Cherny, líder en Claude Code, lo expresó claramente: "Ya no 'prompteo' a Claude. Escribo loops y los loops hacen el trabajo." Esto implica un prompting humano mínimo a un alto nivel, dejando que el sistema de IA determine la ejecución.
Claude Code ejemplifica esto con potentes funcionalidades incorporadas. El comando `/loop` establece intervalos para ejecutar prompts, permitiendo verificaciones repetitivas como escanear problemas de GitHub cada cinco minutos, manejando de forma autónoma las tareas entrantes.
De manera similar, `/routines` programa trabajos, quizás cada hora, para procesar documentos de especificaciones más grandes de forma incremental. Combinadas con `/goal`, que define criterios de finalización específicos, estas herramientas permiten a los agentes de IA perseguir tareas hasta terminarlas, imitando un "Ralph loop" avanzado. Este enfoque sistemático permite a la IA gestionar proyectos complejos de forma autónoma, centrándose en un progreso continuo y orientado a objetivos.
Tu Nueva Factura de IA: The Million-Token Run
El alejamiento del prompting directo, defendido por The Creators en Claude Code de Anthropic y OpenClaw, introduce un asombroso nuevo modelo de costos. Este paradigma de "loop engineering" incurre en un significativo reasoning tax. Los agentes orquestadores, en lugar de recibir prompts únicos, queman tokens continuamente para planificar, delegar tareas a trabajadores paralelos, revisar sus resultados y replanificar iterativamente. Este bucle de retroalimentación de múltiples pasos, donde los agentes 'promptean' a otros agentes, significa que incluso los proyectos modestos acumulan rápidamente million-token runs en una sola sesión, inflando drásticamente las facturas de computación.
Este enfoque agéntico autónomo también plantea preguntas críticas sobre la fiabilidad y la calidad. La noción de que miles de agentes sin prompts puedan operar durante horas sin acumular errores o generar alucinaciones elaboradas parece un salto especulativo. A medida que Peter Steinberger de OpenClaw y Boris Cherny de Claude Code exploran estos sistemas, el riesgo de que imprecisiones sutiles se conviertan en fallos catastróficos crece con cada capa autónoma adicional.
Además, el 'context bloat' presenta una limitación práctica inherente. Los bucles continuos de auto-prompting abruman rápidamente la context window finita de un LLM. A medida que los agentes generan un extenso monólogo interno y pasos intermedios, el rendimiento se degrada, lo que lleva a resultados irrelevantes, instrucciones perdidas y, finalmente, a un fallo catastrófico. Incluso un flujo de trabajo aparentemente simple puede agotar modelos como Claude o Kimi en unas pocas iteraciones, dificultando las operaciones complejas y sostenidas sin una gestión de contexto robusta.
De Loops a Harnesses: Recuperando el Control
La era de los loops puramente impulsados por IA, donde los agentes 'promptean' sin fin a sus agentes, está dando paso a un paradigma más controlado: el harness. Ingenieros de élite de Anthropic (Claude Code) y OpenClaw reconocen el consumo astronómico de tokens de los loops autónomos. Estos sistemas, aunque potentes, a menudo incurren en un elevado "reasoning tax" a medida que los orquestadores planifican, delegan y replanifican.
Un 'harness' cambia el guion. En lugar de preguntar a una IA qué hacer a continuación, creando una ambigüedad costosa, un 'harness' le dice a la IA qué hacer dentro de una estructura predefinida y fiable. Este enfoque aprovecha los LLM solo por su fuerza principal: el razonamiento y tareas creativas como la generación de código.
Los pasos predecibles –obtener datos, ejecutar pruebas, desplegar artefactos– vuelven al código estándar y determinista. Este modelo híbrido asegura que un LLM como Claude solo actúe donde su inteligencia es esencial, minimizando los costosos bucles de retroalimentación abiertos. Esta orquestación disciplinada transforma el potencial de una IA en un flujo de trabajo predecible y rentable. Para obtener información más detallada sobre el sistema de codificación agéntico de Anthropic, explore Claude Code | Anthropic's agentic coding system.
Enjoying this? Get one like it in your inbox each morning.
one email a day · unsubscribe in two clicks · no third-party tracking
Orquestar, Observar y Optimizar
Orquestar estos sistemas autónomos exige observabilidad. Un panel de control dedicado es innegociable para monitorear ejecuciones complejas, rastrear el uso de tokens por paso y depurar rápidamente fallos en todo el sistema. Sin esta visibilidad granular, el "impuesto al razonamiento" se descontrola rápidamente, haciendo imposible la optimización y la mejora continua.
Los 'harnesses' robustos gestionan sesiones de agente en entornos aislados separadas para subtareas distintas. Un agente orquestador decide las siguientes tareas y activa trabajadores para ejecutarlas en paralelo, como se ve en los avanzados Ralph loops. Fundamentalmente, solo el contexto necesario pasa entre estos agentes, evitando la sobrecarga de 'prompts' y reduciendo las alucinaciones compuestas para una ejecución determinista y fiable.
Implementar este enfoque requiere disciplina. Comience con flujos de trabajo pequeños y deterministas para generar confianza e integre el seguimiento de costos desde el primer día, monitoreando meticulosamente el consumo de tokens por agente. Optimice su presupuesto desplegando modelos más económicos, como Pi (on Kimi), para tareas más sencillas, mientras reserva modelos de frontera costosos (como Claude) para la resolución de problemas complejos; esta estratificación estratégica de modelos es clave para un desarrollo sostenible de la IA, yendo más allá de simplemente dejar que los agentes Prompt Their Agents Anymore.
Preguntas Frecuentes
¿Qué es Loop Engineering en IA?
Es un método en el que una IA 'orquestadora' automatiza la instrucción a otras IA 'trabajadoras' en un bucle continuo para completar tareas grandes y complejas sin intervención humana constante.
¿Por qué Loop Engineering es tan costoso?
Consume cantidades masivas de tokens porque la IA orquestadora realiza repetidamente tareas de razonamiento: planificar, delegar a los trabajadores, procesar sus resultados y replanificar los siguientes pasos.
¿Cuál es una mejor alternativa a Loop Engineering puro?
Un flujo de trabajo determinista o un 'harness' que predefine el proceso. Este enfoque utiliza la IA solo para tareas creativas específicas como la codificación, mientras que usa código regular para pasos predecibles, ahorrando costos y aumentando la fiabilidad.
¿Quién está siendo pionero en el concepto de Loop Engineering?
Entre las figuras destacadas se encuentran Boris Cherny, jefe de Claude Code en Anthropic, y Peter Steinberger, creador del agente OpenClaw.