Guía de Indicaciones para Claude Fable 5.2: 15 Mejores Prácticas para Mejores Resultados
Aprende a indicar a Claude Fable 5.2 para codificación, investigación y flujos de trabajo de agentes utilizando criterios de éxito claros, esfuerzo calibrado, herramientas y verificación.

Claude Fable 5.2 está diseñado para razonamiento exigente y trabajo a largo plazo, pero un modelo capaz aún necesita un trabajo bien definido. El mejor prompt no es el más largo. Le da al modelo suficiente contexto para actuar, hace que el éxito sea comprobable y separa las restricciones estrictas de las preferencias.
Esta guía se centra en los flujos de trabajo de API y agentes. Fable 5.2 utiliza pensamiento adaptativo siempre activo, por defecto establece el esfuerzo en high en la API de Claude, y no acepta temperature, top_p ni top_k. El diseño de indicaciones y la configuración del esfuerzo resuelven problemas diferentes: el indicador define el trabajo; el esfuerzo controla cuánto trabajo del modelo se aplica.
1. Empieza con el resultado
Débil:
Revisa este repositorio.
Más fuerte:
Identifica el cambio seguro más pequeño que corrija la prueba de pago fallida. Devuelve la causa raíz, los archivos modificados, la evidencia de la prueba y cualquier riesgo no resuelto. No refactorices código no relacionado.
La versión más sólida define el éxito, la evidencia y el alcance sin imponer una solución no verificada.
2. Explica por qué la restricción es importante
Los modelos siguen las restricciones de manera más fiable cuando su propósito está claro.
Conserva el esquema de respuesta actual porque tres clientes móviles lo consumen y no se puede actualizar en esta versión.
Esto es más útil que "no cambies el esquema", porque ayuda al modelo a rechazar opciones aparentemente elegantes pero incompatibles.
3. Separa los requisitos de las preferencias
Usa etiquetas:
- Obligatorio: las pruebas de aceptación pasan; sin tiempo de inactividad de la base de datos; mantener la compatibilidad hacia atrás.
- Preferir: la diferencia más pequeña; reutilizar las abstracciones actuales.
- Evitar: nuevas dependencias a menos que sea necesario.
Cuando todo se presenta como igualmente importante, las compensaciones se vuelven impredecibles.
4. Proporcione contexto autorizado, no un volcado de documentos
Nombra la fuente de verdad e identifica material potencialmente desactualizado.
Trata
contracts/v3/openapi.yamly las pruebas de migración como autoritativos. La página wiki es solo de referencia y puede estar desactualizada.
Una ventana de contexto de un millón de tokens hace posibles las entradas grandes, no automáticamente relevantes.
5. Solicita un plan breve antes de una acción de alto impacto
Para migraciones, escrituras externas o refactorizaciones amplias, solicita un mapa de dependencias conciso y un plan antes de los cambios. Para tareas rutinarias y reversibles, una planificación excesiva puede ralentizar el flujo de trabajo. Ajusta el punto de control al riesgo.
6. Define los permisos de las herramientas explícitamente
Indica al agente qué puede leer, modificar, ejecutar o contactar. Solicita aprobación antes de comandos destructivos, compras, mensajes, despliegues o escrituras en producción. Las salvaguardas del modelo no reemplazan los permisos a nivel de aplicación.
7. Describe la línea de meta para los agentes
Con esfuerzo bajo o medio, Anthropic recomienda una instrucción de finalización explícita para tareas agentivas. Por ejemplo:
Continúa hasta que el cambio solicitado esté implementado y las pruebas relevantes se hayan ejecutado. Si una prueba no puede ejecutarse, reporta el bloqueador exacto y la evidencia recopilada en lugar de detenerte después del primer intento.
Esto reduce la transferencia prematura sin autorizar una expansión no relacionada.
8. Pide evidencia, no confianza
No preguntes "¿Estás seguro?" Pide resultados de prueba, citas de fuentes, cálculos o una comparación con los criterios de aceptación. La confianza autoinformada es más débil que la evidencia observable.
9. Mantén un objetivo principal por turno
“Arregla el error, rediseña la arquitectura, mejora el rendimiento, actualiza la documentación y sugiere un plan de marketing” crea líneas de meta en competencia. Divide los resultados independientes en etapas o solicitudes separadas.
10. Usa ejemplos para definir formatos ambiguos
Un par representativo de entrada/salida puede aclarar el tono, la granularidad, las etiquetas y los casos límite. Evita muchos ejemplos casi idénticos que consumen contexto y fomentan la imitación en lugar del razonamiento.
11. Controlar la longitud de la respuesta en el prompt
El esfuerzo apenas cambia la longitud de la respuesta visible. Si necesitas un resultado compacto, dímelo:
Devuelve una tabla de riesgos de cinco filas seguida de una recomendación de no más de 150 palabras.
Usa el esfuerzo para controlar la profundidad del razonamiento, no la verbosidad.
12. Verificación de solicitud como parte de la tarea
Para código:
Ejecuta las pruebas específicas, luego la suite de regresión relevante más pequeña. Inspecciona el diff final en busca de cambios no relacionados.
Para investigación:
Respalda las afirmaciones del material con fuentes primarias, distingue los hechos de las fuentes de las inferencias y enumera los conflictos no resueltos.
13. Dile al modelo cómo manejar la ambigüedad
Especifica qué suposiciones son seguras y cuándo se requiere aclaración.
Si la elección es reversible y no cambia la API pública, asume la suposición razonable más pequeña y regístrala. Detente para aclarar si el comportamiento de migración de datos o las semánticas de facturación cambiarían.
14. Diseñar una instrucción de recuperación
El trabajo de larga duración necesita una política para fallos:
Cuando una herramienta falla, inspecciona el error, prueba una alternativa segura y conserva el trabajo completado. No repitas la misma llamada sin cambiar una condición relevante.
Esto evita costosos bucles de reintento.
15. Evalúa los cambios de prompt en tareas reales
No optimices en torno a un resultado impresionante. Mantén un conjunto de tareas típicas, difíciles y que hayan fallado anteriormente. Compara la tasa de aceptación, el éxito de la herramienta, la latencia, el uso de tokens y el tiempo de corrección humana con un esfuerzo fijo.
Un modelo de prompt reutilizable
Objetivo <Cómo se ve el trabajo completado>
Contexto y fuentes de verdad <Archivos, documentos, sistemas y actualidad relevantes>
Requisitos
Restricciones y permisos <Límites de alcance, seguridad, compatibilidad y aprobación>
Proceso <Plan/puntos de control solo donde sea útil>
Salida <Formato, extensión, citas, pruebas o artefactos>
Regla de finalización <Cuándo continuar, detenerse o solicitar información>
Para equipos creativos, Fable puede ayudar a analizar investigaciones, guiones y restricciones de producción antes de que los materiales aprobados pasen a [Elser AI](https://www.elser.ai/) o a un flujo de trabajo estructurado de [ElserStudio](https://elserstudio.ai/). Confirma la ruta de integración real en lugar de dar a entender que Fable está integrado de forma nativa.
## Preguntas frecuentes
### ¿Deberían los prompts indicarle a Claude que "piense paso a paso"?
Fable 5.2 ya utiliza el pensamiento adaptativo. Define el objetivo y la evidencia en lugar de exigir la divulgación del razonamiento privado.
### ¿Un prompt más largo produce una mejor respuesta?
Solo cuando el contenido añadido es relevante. Un contexto contradictorio, desactualizado o repetitivo puede hacer que la tarea sea más difícil y costosa.
### ¿Puede la indicación reemplazar un nivel de esfuerzo mayor?
No. La instrucción aclara la tarea; el esfuerzo controla la profundidad del razonamiento, el uso de herramientas, la latencia y el consumo de tokens. Ajusta ambos en el mismo conjunto de evaluación.

















































































































