Ser claro y directo

Objetivo

Al terminar sabrás por qué "ser directo" es la primera técnica de prompt engineering que Anthropic recomienda para Claude 4.x, qué diferencia operativa hay entre un prompt vago y uno directo (con números reales de tokens y costo), y tendrás un check-list de 5 puntos que podés aplicar a cualquier prompt que escribas a partir de hoy.

Concepto

¿Qué significa "directo" técnicamente?

Anthropic documenta una regla muy simple para Claude 4.x: decile al modelo exactamente lo que querés, con verbos imperativos, sin cortesía, y con el outcome explícito medible. No es una opinión estilística — es la técnica que más reduce varianza de output en los benchmarks internos.

Lo que cuenta como "directo":

Por qué importa: el modelo "rellena los huecos" con sus priors

Si tu prompt deja huecos, Claude 4.x no te pregunta — completa con lo que estadísticamente le parece. Y sus priors están calibrados por el corpus de entrenamiento: markdown con headings, tablas, emojis, preámbulos tipo "¡Claro! Acá tenés...". Para un humano leyendo en Workbench puede estar bien. Para tu app que hace JSON.parse() sobre la respuesta, es un bug.

El costo del hueco no es solo "formato feo". Es:

1. Tokens de output malgastados en estructura que no necesitás.
2. Varianza altísima entre llamadas: dos llamadas con el mismo prompt vago pueden devolver formatos diferentes.
3. Imposibilidad de postprocesar con reglas determinísticas: si a veces hay heading y a veces no, tu parser se rompe.
4. Debugging difícil: cuando el output cambia y no sabés si fue el modelo, la temperatura o tu prompt, la primera variable a controlar es la claridad del prompt.

El check-list de 5 puntos

Antes de mandar cualquier prompt a producción, pasalo por estas 5 preguntas:

1. ¿Arranca con un verbo imperativo? Si empieza con ¿Podrías..., Me gustaría que..., Necesito..., reescribilo.
2. ¿El outcome es medible? Si la evaluación "¿cumple?" no se puede hacer con una regex o un contador de bullets, no es medible.
3. ¿Está fijado el formato de salida? Markdown, JSON, texto plano, CSV — elegí uno y escribilo.
4. ¿Están las restricciones negativas importantes? Sin preámbulo, sin emojis, sin markdown si vas a parsear, sin saludos.
5. ¿Claude sabe para quién es el output? Un parser, un humano, un template — si no lo decís, va a asumir "humano leyendo Workbench".

Si un prompt no pasa los 5, reescribilo antes de correrlo. Vale diez minutos de iteración local más que mil llamadas en producción con output inconsistente.

"Directo" no es "rudo" ni "corto"

Confusión común: "directo" no significa "resume esto". Significa "Resumí el siguiente texto en 3 bullets de máximo 15 palabras cada uno, sin preámbulos, para copiar-pegar a Slack". El segundo es más largo que el primero, pero es directo. Podés escribir un prompt de 200 palabras que sea perfectamente directo si cada palabra aporta una restricción concreta.

La otra confusión: "directo" no significa maleducado. Al modelo le da igual — pero tampoco ganás nada con "Hacelo YA y no me jodas con preámbulos". Los verbos imperativos neutrales (Resumí, Generá, Listá) son óptimos.

Ejecución real

Vamos a tomar el mismo texto y pedirlo con dos prompts: uno vago y uno directo. El texto es un párrafo sobre retries con exponential backoff (de hecho, sacado del propio Módulo 1 de este curso).

Paso 1 — Prompt vago

curl -s https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-4-5",
    "max_tokens": 400,
    "messages": [{
      "role": "user",
      "content": "Resume este texto: Los retries con exponential backoff son críticos cuando una API de IA responde 429 o 529. En vez de reintentar inmediatamente, cada intento espera el doble que el anterior más un jitter aleatorio. Sin jitter, múltiples clientes chocan simultáneamente al reintentar. El límite típico es 5 intentos con ceiling de 60 segundos."
    }]
  }'

Output real:

# Resumen

**Retries con exponential backoff para APIs de IA:**

- **Cuándo usarlo:** Ante errores 429 (rate limit) o 529 (servicio no disponible)
- **Cómo funciona:** Cada reintento espera el doble que el anterior, más un jitter aleatorio
- **Por qué el jitter:** Evita que múltiples clientes reintenten simultáneamente
- **Límites típicos:** 5 intentos máximo con espera máxima de 60 segundos

usage: input_tokens=105, output_tokens=139
stop_reason: "end_turn"

Claude eligió: un heading # Resumen, una línea en negrita como título, 4 bullets con **término:** en cada uno. Ni lo pediste, ni probablemente lo querías. Si tu app lo consume, tenés que limpiar headings, negritas y ese **Cuándo usarlo:** al inicio de cada bullet.

Paso 2 — Prompt directo

curl -s https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-4-5",
    "max_tokens": 400,
    "messages": [{
      "role": "user",
      "content": "Resumí el siguiente texto en exactamente 3 bullets de máximo 15 palabras cada uno. Sin preámbulos, sin cierre, sin headings, sin negritas. Solo los 3 bullets con guión.\n\nTexto: Los retries con exponential backoff son críticos cuando una API de IA responde 429 o 529. En vez de reintentar inmediatamente, cada intento espera el doble que el anterior más un jitter aleatorio. Sin jitter, múltiples clientes chocan simultáneamente al reintentar. El límite típico es 5 intentos con ceiling de 60 segundos."
    }]
  }'

Output real:

- Los retries con exponential backoff evitan sobrecargar APIs de IA ante errores 429 o 529.
- Cada intento espera el doble que el anterior, más jitter aleatorio para evitar colisiones simultáneas.
- El límite típico es 5 intentos con techo máximo de 60 segundos entre reintentos.

usage: input_tokens=156, output_tokens=91
stop_reason: "end_turn"

Exactamente 3 bullets. Cada uno con guión. Sin preámbulo. Sin heading. Sin negritas. Parseable con output.split('\n- ') y listo.

Paso 3 — La comparación numérica (que no es obvia)

	Vago	Directo	Delta
input_tokens	105	156	+51
output_tokens	139	91	−48
Formato	1 heading + 1 title + 4 bullets con negritas	3 bullets planos
Parseable en 1 línea	❌	✅
Varianza entre llamadas	alta	muy baja

Dos observaciones importantes:

1. El prompt directo gastó 51 input tokens más, porque dejaste explícitas todas las restricciones. Eso no es malo — es diseño.
2. Ahorró 48 output tokens. Como el output es típicamente ~5x más caro que el input (ver pricing de Haiku 4.5 y Sonnet 4.6), incluso en este ejemplo trivial el prompt directo salió más barato: 51 × 1x − 48 × 5x = +51 − 240 = −189 tokens de costo equivalente. A escala, esto se multiplica por miles de llamadas.
3. La varianza no se ve acá, pero si corrés el Paso 1 diez veces vas a ver diez formatos distintos (a veces tabla, a veces prosa, a veces solo bullets). El Paso 2 vas a ver casi siempre el mismo shape. Esa estabilidad vale más que los tokens ahorrados para cualquier sistema que parsea el output.

Anti-patterns

• ❌ Empezar con ¿Podrías...? o Me gustaría que.... Claude los ignora semánticamente pero gasta tokens parseándolos y puede interpretar el tono como "hay margen para preámbulos amables en la respuesta".
• ❌ "Sé breve", "No seas verboso", "Sé conciso" como única instrucción de longitud. Son subjetivas. Usá máximo N palabras, en 3 bullets, en ≤ 200 tokens.
• ❌ Dejar el formato sin especificar cuando el output lo consume otro sistema. Si lo va a leer un parser, decilo explícitamente: responde solo con JSON, solo texto plano, solo una lista CSV. Si no, el modelo elige.
• ❌ Mezclar instrucciones y el contenido a procesar sin separador. Ya lo viste en los ejemplos: "Resumí lo siguiente en 3 bullets.\n\nTexto: ..." con un newline explícito es 10x más confiable que "Resumí en 3 bullets: ...". En la Lección 05 vas a ver la versión definitiva con XML tags.
• ❌ Restringir negativamente cosas triviales y dejar libre lo importante. Decir no uses emojis mientras no especificás cuántos bullets querés es optimizar ruido y dejar abierto lo que duele.
• ❌ Asumir que el modelo "entiende lo que quise decir". Claude 4.x es bueno inferiendo contexto, pero la diferencia entre un prompt medible y uno vago se paga en varianza. Si tu evaluación "¿salió bien?" requiere leerlo y opinar, tu prompt no es directo.
• ❌ Reescribir tu prompt después de ver un output feo, en lugar de antes. "Iterar contra el modelo hasta que sale bien" es cómo se pierden tardes. Pasá el check-list de 5 puntos antes de la primera llamada.

Recap

• "Ser directo" es técnica 1 de Anthropic para Claude 4.x porque es la que más reduce varianza — no es opinión estilística.
• Verbo imperativo + outcome medible + formato fijado + restricciones negativas concretas + audiencia implícita. Esas son las 5 piezas.
• Un prompt directo gasta más input tokens pero ahorra output tokens y estabiliza el shape — suele ser más barato neto.
• "Directo" no es "corto" ni "rudo": es explícito. Un prompt de 200 palabras puede ser perfectamente directo si cada palabra aporta una restricción.
• Pasá cualquier prompt por el check-list de 5 puntos antes de mandarlo por primera vez, no después del primer output feo.

---

Fuente oficial: platform.claude.com/docs/en/build-with-claude/prompt-engineering/be-clear-and-directEjercicio: