> ## Content Index
> Fetch the complete content index at: https://ksnk.es/llms.txt
> Use this file to discover other available public pages before exploring further.

# Siete horas para un script simple: lecciones reales de control sobre Claude Code
- URL: https://ksnk.es/siete-horas-para-un-script-simple-lecciones-reales-de-control-sobre-claude-code/
- Published: 2025-11-17T09:00:00.000Z
- Updated: 2026-04-04T17:15:01.000Z
- Description: Un módulo de lectura que parecía sencillo acabó en siete horas de caos. Lecciones prácticas sobre control de IA, backups y uso multi-modelo.
- Author: Aleksandr Kosenko
- Tags: Blog

Me senté a leer un libro en español y pensé: "Necesito una herramienta para esto. La monto ahora mismo — nada del otro mundo, un script y un prompt." Acabé tirándome siete horas. Todavía no tengo muy claro adónde se fue el tiempo.

## Plan de la sesión

Quería añadir un Módulo de Lectura a mi tutor de idiomas — un módulo que ayudase a desgranar frases de libros. Parecía sencillo: escribir un prompt para el módulo, pulir un poco la metodología y conectar la llamada del subsistema al sistema de control principal del bot. En paralelo, guardar resultados en PostgreSQL para analizarlos después.

Hice una mini-revisión: cogí tres enfoques distintos para explicaciones gramaticales, filtré lo que sobraba y monté una versión final. Es la v1 — cuento con ir refinándola con el tiempo.

## Cómo fue en realidad

Siempre le pido al modelo que confirme y narre el plan antes de hacer nada, pero a veces Claude Code me sorprende. Le pedí un subsistema con un solo script — y lo que obtuve fue un sistema de control del bot roto. Claude Code decidió reemplazar el núcleo entero con este mini-módulo. Que resultó no ser tan mini. Después empezó a ejecutar sin mi aprobación, y no llegué a pararlo a tiempo. De repente estoy dando vueltas entre configuraciones de Docker Compose y restaurando sistemas desde cero — unos desde una rama de backup, otros de nuevo. Qué

## Momentos destacados

### Momento 1\. "Pruebas" de que Sonnet 4.5 existe

El glitch más raro en bastante tiempo. Claude Code concluyó de pronto que mi "plan" de API solo permite Haiku y no Sonnet 4.5\. Costó muchas iteraciones:

- Convencer al modelo de que los "planes" no existen en ese sentido (Anthropic expone una sola API).
- Quitar el nombre del modelo que estaba hardcodeado en el código.
- Traer "pruebas" de otro proyecto (base de datos de CVs) donde Sonnet funciona.
- Añadir detección automática de modelos disponibles.

Hubo un momento en que estaba literalmente pegando logs de otro servicio: "Mira, aquí tienes una petición exitosa a claude-sonnet-4-5-20250929." Después volví a comprobarlo — y todo funcionaba. Sigo sin saber qué pasó "en la cabeza de la IA," pero fue una lección sobre el valor de los proof-of-concepts en sistemas reales.

### Momento 2\. El prompting como control de calidad

No tengo "prompts mágicos que siempre funcionan." Lo que sí tengo es un control estricto cada vez:

- "Explícame con tus palabras qué has entendido de la tarea."
- "¿Qué archivos vas a modificar y por qué?"
- "Repite el plan de acción antes de ejecutar."

Hoy me ayudó mucho usar Claude desktop en paralelo para partes aisladas. Por ejemplo, le pedí a Opus que evaluase la calidad de las explicaciones pedagógicas — me dio recomendaciones que luego implementé a través de Claude Code.

Cambiar de modelo con criterio funciona mejor que intentar "exprimir todo" de uno solo:

- Haiku — para tareas rápidas
- Sonnet — para desarrollo
- Opus — para revisión crítica

## Frases del día que funcionaron

### Cuando la base de datos no guardaba nada

Esta formulación empujó a la IA a mirar el problema de forma sistémica en vez de ir parcheando agujeros.

### Para actualizar documentación

La palabra "quirúrgicamente" marcó el tono adecuado: ediciones precisas en vez de reescribir el documento entero.

## Sin esto ya no puedo vivir — y tú tampoco deberías

Los desarrolladores profesionales hacen esto de forma automática, pero para mí fue un "ajá" genuino: crear ramas de backup después de cada hito relevante.

## Conclusiones

- Las pruebas reales ganan a los argumentos. Cuando la IA insistía en que el modelo no estaba disponible, solo los logs de otro proyecto ayudaron.
- Las ramas de backup te salvan la vida. Crea ramas de backup en GitHub después de cada hito importante. El V0.5.5-reading-SQL de hoy es un punto de restauración seguro si las cosas se tuercen.
- El control gana a los "prompts mágicos." Haz que la IA reformule la tarea con sus palabras antes de ejecutar — los malentendidos salen a la superficie pronto.
- El modo multi-modelo es más potente. La combinación Haiku → Sonnet → Opus da mejores resultados que depender de un solo modelo.