El equipo de Claude Code deja que Claude escriba el 90% de su código: así verifica que funcione

How the Claude Code team thinks about verification

En el equipo de Claude Code, cerca del 90% del código lo escribe y revisa Claude. Para poder delegar a decenas o cientos de agentes en paralelo, la clave son los bucles de verificación: pruebas E2E difíciles de engañar, pruebas de propiedades y pruebas diferenciales. Además, un skill de verificación que ejecuta la app de punta a punta, revisiones en varias rondas y comprobaciones que no pueden modificar el propio cambio. Un evaluador separado llegó a mejorar el éxito de las tareas hasta 10 puntos.

Si un cambio puede modificar la comprobación que lo juzga, la comprobación está rota.
  1. OtherShrezzing

    Este artículo parece el resultado de tener tokens ilimitados a tu disposición. Tiene algunas prácticas muy caras, donde prácticas casi gratuitas producirían los mismos o mejores resultados.

    Hay una larga sección en el medio donde el artículo describe la verificación por cambio mediante archivos de habilidades y "pedirle a Claude que use la herramienta chrome-for-Claude" al comprobar si los cambios han introducido regresiones.

    Pero ya existen herramientas que hacen esto sin gastar tokens. Playwright logrará la misma calidad pero con resultados deterministas en los mismos intentos de verificación. Es de escribir una vez y usar a menudo, así que tiene un coste marginal cercano a cero.

  2. tshaddox

    ¿Se considera que Claude Code es un software fiable hoy en día?

    Dejé de usarlo como mi herramienta principal hace unos 9 meses, y en ese momento se sentía muy pesado/torpe y parecía tener errores muy regulares y cambios de interfaz que rompían cosas.

    ¡Me encantaría saber que ha mejorado!

  3. girvo

    > Con ellos, puedes ejecutar docenas o cientos en paralelo.

    Ya estoy gastando mis $2k USD al mes en tokens con solo uno o dos agentes. ¿Cómo esperan que haga eso?

  4. koolba

    > Nadie puede leer cada cambio, así que usamos los fallos como una forma de decidir qué necesita una persona.

    Que un humano pueda o deba revisar cada diff es una decisión consciente a nivel de proyecto. Todavía no he visto un proyecto donde no sea factible. El truco está en dividir las cosas en piezas lo suficientemente pequeñas como para poder revisarlas. Justo como uno haría si estuviera haciendo esos cambios manualmente. Nadie en su sano juicio realiza cambios no mecánicos de cientos de archivos.

  5. Narann

    Cuanto más leo artículos como este, más me doy cuenta de que Claude es bueno para prototipar procesos, pero necesitas "hornear" el proceso con código/scripts/organización planos para reducir costes.

    El futuro de la IA sería en realidad prototipar a gran escala fácilmente, aún más como Python era un lenguaje de prototipado.

  6. asmvolatile

    Al equipo de Claude Code no le importa una mierda. Interactuar con los equipos de Anthropic deja claro que nadie en esa empresa tiene idea de cómo funciona su software.

  7. FartyMcFarter

    > Los tests inestables reciben el mismo trato. Claude no puede saltárselos, añadir esperas ni reintentar hasta que pasen. Si no puede encontrar la causa raíz, elimina el test y anota por qué.

    Si los tests son herméticos, siempre deberías poder encontrar la causa raíz (haciendo bisección para determinar cuándo el test se volvió inestable).

    Si los tests no son herméticos, aún debería ser posible identificar la dependencia que los está haciendo inestables, y usar eso como justificación si todavía tiene sentido eliminar el test.

  8. hliyan

    En mi opinión, la salida de un proceso estocástico solo puede verificarse de verdad mediante un proceso determinista. Los tests ya hacen esto para la precisión funcional. Los linters pueden hacerlo para el código a nivel de línea, tratando el código como texto. Pero actualmente no existe tal método de verificación determinista para la estructura de todo el programa, o más importante aún, la viabilidad de la arquitectura cuando añades conectividad y IOPS.

    Quizás necesitamos un nivel por encima de los linters: una herramienta que construya el árbol de sintaxis abstracta y verifique sus diversas ramas contra reglas deterministas.

    Cómo hacer esto para la arquitectura: no estoy seguro.

Más de este día

2026-11-17