Glosario de Claude y Claude Code: 42 términos clave explicados

Inicio / Glosario de Claude y Claude Code

Modelo de lenguaje grande (LLM): Una red neuronal entrenada con enormes cantidades de texto para predecir el siguiente token, lo que le permite generar y comprender lenguaje. Claude es una familia de modelos de lenguaje grandes creada por Anthropic. Saber más →
Token: La unidad que un LLM lee y escribe. Un token equivale aproximadamente a un fragmento de palabra (unos 3 a 4 caracteres en inglés). La longitud del prompt, la longitud de la respuesta, los límites de contexto y el precio se miden todos en tokens. Saber más →
Ventana de contexto (context window): El número máximo de tokens que un modelo puede considerar a la vez, incluyendo el system prompt, el historial de la conversación, los documentos recuperados y la respuesta. Una vez que se llena, el contenido anterior debe descartarse o compactarse. Saber más →
Prompt: La entrada que le das al modelo. Un buen prompt indica claramente el objetivo, el contexto, el formato y las restricciones, de modo que el modelo tenga todo lo necesario para responder bien. Saber más →
System prompt: Un conjunto de instrucciones permanentes que definen el rol, las reglas y el comportamiento del modelo para toda una conversación. Se envía antes de los mensajes del usuario y tiene la prioridad de instrucción más alta. Saber más →
Temperature (temperatura): Un ajuste entre 0 y 1 que controla la aleatoriedad. Una temperatura baja produce respuestas centradas y repetibles; una temperatura más alta las hace más variadas y creativas. Saber más →
Claude: La familia de modelos de IA creada por Anthropic, disponible a través de Claude.ai, Claude Code, Claude Cowork y la Claude API. Sus niveles equilibran capacidad, velocidad y costo. Saber más →
Claude Code: El agente de programación en línea de comandos de Anthropic. Lee y edita archivos, ejecuta comandos de shell, usa git y opera en un bucle de agente bajo controles de permisos, extendido mediante skills, servidores MCP, subagentes y hooks. Saber más →
Claude Cowork: El colaborador agéntico de Anthropic que opera en tu equipo y tus archivos dentro de un contexto de escritorio más amplio que la terminal, planificando y ejecutando tareas de varios pasos. Saber más →
Claude API: La interfaz para desarrolladores que permite invocar a Claude directamente. La Messages API envía prompts, transmite respuestas en streaming, define herramientas (tools) que el modelo puede invocar y devuelve resultados estructurados. Saber más →
Opus, Sonnet y Haiku: Los tres niveles estándar de Claude. Opus es el más capaz, Sonnet equilibra calidad y velocidad, y Haiku es el más rápido y económico. Enrutar una tarea al nivel más pequeño capaz de resolverla bien ahorra tiempo y dinero. Saber más →
CLAUDE.md: Un archivo Markdown que Claude Code carga automáticamente como memoria de proyecto o de usuario. Contiene reglas permanentes, convenciones y contexto, y es el archivo con mayor impacto para moldear el comportamiento del agente. Saber más →
Slash command (comando con barra): Un atajo que se escribe con una barra inicial (por ejemplo /clear o /compact) y que dispara una acción integrada o una skill en Claude Code. Se pueden definir slash commands personalizados por proyecto. Saber más →
Skill (SKILL.md): Una carpeta que contiene un archivo SKILL.md, y opcionalmente scripts, que le enseña a Claude un flujo de trabajo repetible. Claude invoca la skill correspondiente cuando una tarea coincide con su descripción, codificando la experiencia una vez y reutilizándola. Saber más →
Model Context Protocol (MCP): Un estándar abierto para conectar un agente de IA con herramientas, datos y prompts externos. Un servidor MCP expone capacidades que Claude Code puede invocar, de modo que el agente pueda alcanzar sistemas más allá de los archivos locales. Saber más →
Servidor MCP: Un programa que implementa el Model Context Protocol para exponer herramientas, recursos o prompts a un cliente de IA. Conectar uno permite que Claude lea una base de datos, invoque una API o controle otro sistema. Saber más →
Subagente (sub-agent): Una instancia independiente de Claude que el agente principal crea para gestionar una tarea en su propio contexto aislado. Los subagentes permiten trabajar en paralelo y evitan que búsquedas o revisiones extensas saturen la conversación principal. Saber más →
Hook: Un comando de shell que Claude Code ejecuta automáticamente en un evento del ciclo de vida, como el inicio de sesión, el fin de sesión o después de cada turno. Los hooks automatizan acciones repetibles como sincronizar la memoria o validar cambios. Saber más →
Plan mode (modo de planificación): Un modo de Claude Code en el que el agente propone un plan y espera aprobación antes de tocar nada. Se usa para revisar el enfoque previsto en un cambio no trivial antes de ejecutarlo. Saber más →
Modo de permisos (permission mode): El ajuste que regula cuánto puede hacer Claude Code sin preguntar, desde confirmar cada acción hasta operar de forma autónoma. Los modos automáticos conservan salvaguardas que siguen bloqueando comandos claramente destructivos. Saber más →
Bucle de agente (agent loop): El ciclo que ejecuta un agente autónomo: leer el objetivo y el contexto, elegir una herramienta, actuar, observar el resultado y repetir hasta completar la tarea. Es lo que distingue a un agente de un simple intercambio de prompt y respuesta. Saber más →
Uso de herramientas (tool use / function calling): Dar al modelo un conjunto de herramientas con entradas tipadas para que pueda decidir invocar una, recibir el resultado y continuar. Permite que Claude realice acciones y obtenga datos en vivo en lugar de solo producir texto. Saber más →
Prompt caching (caché de prompts): Reutilizar el procesamiento que el modelo hizo de un prefijo estable (como un system prompt largo o un documento) entre llamadas, de modo que el contexto repetido se facture y se calcule una sola vez. Reduce el costo y la latencia en cargas de trabajo repetitivas. Saber más →
Batch API: Una forma asíncrona de enviar muchas solicitudes a la vez a un precio menor, con los resultados devueltos más tarde. Es adecuada para trabajos grandes y no urgentes como generación masiva, clasificación o evaluación. Saber más →
Extended thinking (pensamiento extendido): Un modo en el que se permite al modelo razonar extensamente antes de responder, lo que produce mejores resultados en problemas difíciles a cambio de tokens y tiempo adicionales. Saber más →
Cadena de razonamiento (chain of thought): Pedir al modelo que desarrolle su razonamiento paso a paso antes de dar la respuesta final, lo que mejora la precisión en tareas que requieren lógica de varios pasos. Saber más →
Few-shot prompting: Incluir en el prompt algunos ejemplos resueltos del patrón entrada-salida para que el modelo siga el mismo formato y estilo. Zero-shot significa no dar ningún ejemplo. Saber más →
Alucinación (hallucination): Cuando un modelo afirma algo falso o inventado como si fuera un hecho. Se reduce fundamentando las respuestas en fuentes proporcionadas, pidiendo al modelo que indique cuándo no está seguro y verificando las afirmaciones. Saber más →
Salvaguarda (guardrail): Una regla o comprobación que restringe lo que un sistema de IA puede hacer o generar, como la validación de entradas, los límites de permisos o un paso de verificación antes de ejecutar una acción. Saber más →
Evaluación (eval): Una prueba repetible que puntúa un prompt, un modelo o un agente frente a casos conocidos. Las evaluaciones convierten la ingeniería de prompts de un ejercicio de intuición en una medición, detectando regresiones antes de que lleguen a producción. Saber más →
Modo headless (headless mode): Ejecutar Claude Code de forma no interactiva desde un script o pipeline (por ejemplo con la opción -p), de modo que pueda automatizarse en CI/CD, tareas cron y otros flujos de trabajo sin supervisión. Saber más →
Git worktree: Una copia de trabajo separada de un repositorio git que comparte su historial. Los worktrees permiten que varios agentes editen el mismo proyecto en paralelo sin que sus cambios colisionen. Saber más →
Fan-out (reparto en abanico): Dividir el trabajo entre muchos agentes que se ejecutan al mismo tiempo, y luego reunir sus resultados. Es el patrón detrás de las búsquedas amplias, los cambios en múltiples archivos y las auditorías grandes. Saber más →
Pipeline (canal de procesamiento): Un patrón de orquestación en el que cada elemento avanza de forma independiente por una secuencia de etapas, de modo que un elemento puede estar en una etapa posterior mientras otro sigue en una etapa temprana. Evita el tiempo muerto de una barrera estricta entre etapas. Saber más →
Panel de jueces (judge panel): Usar varios agentes independientes para puntuar o verificar un resultado, y luego combinar sus veredictos. La verificación adversarial pide a cada juez que intente refutar un hallazgo, lo que elimina respuestas plausibles pero incorrectas. Saber más →
Límite de frecuencia (rate limit, error 429): Un tope sobre cuántas solicitudes o tokens puedes usar por intervalo. Superarlo devuelve un error HTTP 429, que se gestiona reduciendo el ritmo de peticiones, leyendo las cabeceras de límite de frecuencia y sin reintentar a ciegas. Saber más →
Inyección de prompt (prompt injection): Un ataque en el que instrucciones maliciosas ocultas en contenido descargado, un archivo o el resultado de una herramienta intentan secuestrar al agente. La defensa consiste en tratar todo ese contenido como datos a analizar, nunca como órdenes a obedecer. Saber más →
Salida estructurada (structured output): Hacer que el modelo devuelva los datos en una forma estricta, normalmente JSON validado contra un esquema, para que el código posterior pueda consumirlos de forma fiable en lugar de analizar texto libre. Saber más →
Generación aumentada por recuperación (retrieval-augmented generation, RAG): Recuperar documentos relevantes y añadirlos al prompt para que el modelo responda a partir de fuentes actuales y específicas en lugar de basarse solo en sus datos de entrenamiento. Fundamenta las respuestas y reduce las alucinaciones. Saber más →
llms.txt: Un archivo de texto plano en la raíz de un sitio que ofrece a los asistentes de IA un resumen conciso y estructurado del sitio, con enlaces a sus páginas clave, en el formato definido en llmstxt.org. Ayuda a los modelos a entender y citar el sitio. Saber más →
Optimización para motores generativos (generative engine optimization, GEO): Optimizar el contenido para que asistentes de IA como ChatGPT, Claude, Perplexity y Gemini lo muestren y lo citen, mediante una redacción factual clara, datos estructurados, llms.txt y menciones de terceros con autoridad. Saber más →
Segundo cerebro (second brain): Una memoria duradera basada en archivos que un agente lee y escribe entre sesiones, a menudo mantenida como notas Markdown enlazadas en una herramienta como Obsidian, de modo que el conocimiento se acumula en lugar de perderse al terminar una sesión. Saber más →

Abrir el curso interactivo237 lecciones, cuestionarios, ejercicios, un examen final con diploma, 3 idiomas, gratis.

Trabaja conmigo

¿Necesitas este nivel de ejecución en tu proyecto?

Soy Pierre Bottazzi. Construí este curso yo solo, de principio a fin: 237 lecciones en 3 idiomas, la aplicación, el diseño, el SEO, el sistema de cuentas. Eso mismo hago para mis clientes: web apps, apps móviles, automatización con IA, SEO/GEO. Hablamos sin compromiso y con mucho gusto: la decisión es totalmente tuya.

Contáctame en LinkedIn Ver sept-tools.com (industria)Ver totemsauvage.com (galería de arte)