Guía de Claude AI: Consejos y Tutoriales Prácticos

Intentas abrir Claude Desktop en Windows y lo que aparece es un cuadro de diálogo titulado «No se puede abrir esta aplicación» que te pide ir a las opciones avanzadas de Claude y elegir Reparar; y hacer exactamente lo que dice funciona. Sin desinstalar nada y sin recurrir a Restablecer, que sí tira tus datos a la basura. Hay, eso sí, un paso intermedio en el que la gente se atasca de verdad, y es el centro de este artículo. Al pulsar Reparar puedes encontrarte con un aviso de que la aplicación sigue en ejecución, aunque no tengas ninguna ventana de Claude abierta por ninguna parte. La causa es que Claude Desktop se queda residente en la bandeja del sistema después de que cierres su ventana, y mientras ese proceso mantiene abiertos los archivos del paquete la reparación no puede completarse. La solución es sencilla: cierra los procesos de forma explícita y después pulsa Reparar. Y ese hecho apunta a la causa del fallo en sí, porque el mismo proceso rompió la actualización y luego bloqueó la reparación. El artículo responde además a lo que casi todo el mundo pregunta primero: ¿se borran tus sesiones? La respuesta se divide en tres. Tu historial de conversaciones de claude.ai está en los servidores de Anthropic y no se toca. Las sesiones de Claude Code viven en %USERPROFILE%\.claude\projects\, fuera del paquete de la aplicación, así que sobreviven a una reparación, a un restablecimiento e incluso a una desinstalación (un equipo real acumulaba 2.977 archivos, unos 3,0GB, repartidos en 52 proyectos). Lo único en riesgo son los ajustes del lado de la aplicación en %APPDATA%\Claude, y Reparar conserva incluso eso: Windows deja escrita la diferencia en la propia pantalla, donde junto a Reparar advierte de que los datos de la aplicación no se verán afectados y junto a Restablecer, de que se eliminarán. A partir de ahí cubre la comprobación de estado en PowerShell de solo lectura, una rutina de copia de seguridad, una escalada por pasos cuando la aplicación sigue sin abrirse (revisar que vmcompute y hns estén en marcha, reinstalar con -PreserveApplicationData), la causa deducida de un MSIX registrado a medias junto a las incidencias de GitHub (#55465, donde la instalación fue correcta pero no se creó ningún punto de entrada, más #50285 y #48437, todas cerradas como closed as not planned y sin corrección oficial), cómo reducir las probabilidades de que se repita y una comparación con la versión del instalador antiguo, donde la última entrega MSIX y un equipo con el formato antiguo medían ambos 1.24012.9.

Claude Code se detiene a mitad de una respuesta con «API Error: Connection closed mid-response. The response above may be incomplete.» No es un problema de prompting: la conexión que transportaba la respuesta en streaming se cerró mientras la respuesta todavía llegaba. Este artículo se apoya únicamente en la referencia de errores oficial, el changelog oficial y reportes respaldados por capturas de paquetes. Empieza por las definiciones oficiales: Connection closed significa que el enlace se cortó, Response stalled que se quedó en silencio y Server error que llegó un 5xx a mitad de stream; y explica por qué la salida parcial se conserva deliberadamente (reenviar podría ejecutar dos veces las mismas llamadas a herramientas) y que el paso de recuperación documentado es responder continue. Después separa las tres capas donde puede originarse el cierre (tu equipo y la suspensión, un corte por inactividad en un proxy o VPN, o un cierre iniciado por el servidor) y presenta las mediciones publicadas por quien reportó el issue #67766: los diez incidentes fueron cierres limpios del servidor, el error salió entre 3 y 105 ms después del FIN, ya se habían entregado entre 7 y 20 KB de la respuesta, el cuerpo de la petición pesaba entre 1 y 2,5 MB, una conexión nueva funcionó en unos 20 ms y aparecieron 200 errores en 171 incidentes a lo largo de 23 días de transcripciones, 87 de ellos a menos de cinco segundos de la llamada anterior. El núcleo práctico es una cronología de entradas reales del changelog —2.1.179 conserva lo parcial, 2.1.185 pasa el aviso de estancamiento de 10 a 20 segundos, 2.1.198 reintenta los cortes transitorios con backoff, 2.1.199 conserva lo parcial ante errores de servidor a mitad de stream y 2.1.214 desactiva el pool keep-alive tras un error de conexión obsoleta— contrastada con las versiones de los reportes (2.1.173, 2.1.181 y 2.1.183), todas anteriores a la 2.1.198. Cierra con las condiciones que suben la probabilidad, una lista de comprobación de ocho pasos, seis pautas para desarrolladores, cómo distinguirlo de Unable to connect y Prompt is too long, y una separación clara entre lo confirmado oficialmente y lo que no.

Anthropic lanzó Claude Opus 5 el 24 de julio de 2026 y su propia documentación lo describe como un salto cualitativo, no como una mejora incremental sobre Opus 4.8. Aun así, el precio no se mueve: $5 de entrada y $25 de salida por millón de tokens, exactamente la mitad que el buque insignia Fable 5 ($10 / $50). Este artículo contrasta el anuncio oficial y la documentación con varias informaciones de prensa y repasa las especificaciones principales (claude-opus-5, una ventana de 1M de tokens que es a la vez el valor por defecto y el máximo, 128K de salida máxima y un corte de conocimiento en mayo de 2026), el precio incluidas las tarifas de caché y el modo rápido (unas 2.5 veces la velocidad al doble de precio, solo en la Claude API), los benchmarks (Anthropic afirma en su propio texto que Frontier-Bench es más del doble que Opus 4.8, que CursorBench 3.2 se queda a menos de un 0.5% de Fable 5, que ARC-AGI 3 triplica al segundo clasificado y que OSWorld 2.0 supera a Fable 5 a alrededor de un tercio del coste; entre las cifras leídas de las gráficas por la prensa están Frontier-Bench 43.3%, ARC-AGI-3 30.2%, GDPval-AA 1,861 y OSWorld 70.6%) y también los terrenos donde sigue perdiendo (68.8% frente al 72.7% de GPT-5.6 Sol en DeepSWE v1.1, la seguridad ofensiva y la investigación biológica de largo recorrido donde lidera Mythos 5, y escenarios en los que el effort max puntúa por debajo de niveles inferiores). Después aborda los dos cambios de la API que rompen compatibilidad (el thinking viene activo por defecto, así que los presupuestos ajustados de max_tokens acaban truncados, y desactivarlo solo se permite con effort high o inferior, porque xhigh o max devuelve un error 400), cómo elegir entre los cinco niveles de effort, novedades como el cambio de herramientas a mitad de conversación, el mínimo de caché de 512 tokens y el modo de reserva por defecto, y el giro de personalidad hacia respuestas más largas, más narración, más delegación y autoverificación no solicitada, con la regla de oro de que migrar consiste en quitar texto del prompt y no en añadirlo. Cierra con quién debería migrar ya y una lista de seis pasos para hacerlo.

Abres Hugging Face para ejecutar un LLM local y el mismo modelo tiene un muro de archivos (Q4_K_M, Q5_K_S, GPTQ, AWQ, IQ3_M) y te quedas paralizado. Este artículo responde, de forma práctica, qué archivo cuantizado descargas para que funcione, dejando el concepto de qué es la cuantización para otro artículo y centrándose en elegir el formato. La elección son dos pasos: qué formato (= en qué motor lo ejecutas) y luego qué profundidad de bits. El hecho más importante es que un archivo cuantizado solo funciona en los motores que admiten su formato. GGUF es el único formato todoterreno local que funciona en CPU, Mac y GPU parcial (llama.cpp/Ollama); GPTQ/AWQ/EXL2 son de GPU en primer lugar (vLLM/TGI); bitsandbytes cuantiza al cargar en Transformers sin calibración. El nombre GGUF Q4_K_M son tres partes: Q4 (4 bits nominales, más alto = mejor y más grande), K (K-quant sobre superbloques; sin sufijo/_0/_1 son heredados), M (S/M/L = cuánto se mejoran algunos tensores importantes; los bits efectivos quedan por encima de la etiqueta, Q4_K unos 4,5 bpw). La familia IQ (I-quants) baja aún más de tamaño con los mismos bits, pero es más pesada en inferencia y necesita un imatrix (una matriz de importancia de la calibración que protege los pesos que importan). GPTQ minimiza el error capa por capa; AWQ protege los pesos relevantes mediante las activaciones (ninguno es mejor de forma universal). Para la profundidad de bits, ante la duda elige Q4_K_M (predeterminado de Ollama para muchos modelos), sube a Q5_K_M/Q6_K con VRAM de sobra, Q8_0 es casi sin pérdidas pero no recomendado, e IQ2/IQ3 solo para meter un modelo grande. En torno a 4,5 a 5 bpw es la banda sabrosa (una heurística). Encuentra archivos con library=gguf, bartowski/mradermacher (la actividad varía) o etiquetas de Ollama model:size-variant-quant. Los números son aproximados y varían según el modelo y la compilación.

Ahora que "pregúntale a la IA" y "que lo escriba todo la IA" son lo predeterminado, la pregunta contraria tiene filo: ¿es esta de verdad una situación en la que debería usar la IA? Este artículo no está en contra de la IA; trata de mantener el "no usarla" como una opción, precisamente para sacarle el máximo partido. La IA no es algo que usas por defecto, sino una herramienta que eliges a propósito, y usarla bien y elegir no usarla son dos caras de lo mismo. Seis situaciones donde no usarla gana: 1. aprendizaje que construye bases (el proceso de escribir para pensar es el objetivo), 2. introducir datos confidenciales o personales (no pegues nada sin revisar términos y retención), 3. decisiones finales fatales si fallan (medicina, derecho, seguridad y dinero no deben delegarse sin verificar), 4. tareas ligeras que no compensan el coste, 5. trabajo donde la confianza o la creatividad humana son el centro (disculpas, contrataciones, autoría), 6. cuando no quieres añadir un punto único de fallo (continuidad del negocio). Decide rápido con tres preguntas: ¿puedes verificar tú mismo el resultado, son solo datos que se pueden compartir y es el proceso algo que deberías estar entrenando ahora mismo? Si puedes verificarlo, los datos se pueden compartir y no necesitas entrenar, usa la IA; si no, sáltala o inserta una revisión humana. Las desventajas del uso excesivo (descarga cognitiva, aceptar errores plausibles, dependencia) se presentan como puntos de debate, no como cifras exactas. Saltarse la IA a propósito no es un freno, sino la habilidad de la otra cara que te permite ir a por todas donde encaja, y una cobertura frente a depender en exceso de la IA.

Justo después de actualizar Claude Desktop (Windows), al abrir la app aparece «Hay otro programa que está usando este archivo en este momento» y no arranca, y se queda así hasta que reinicias el PC. Es un fallo conocido de la versión de Microsoft Store (MSIX) (GitHub #53247 y otros). Lo clave: no hace falta necesariamente reiniciar por completo el PC; en muchos casos basta con cerrar la sesión de Windows y volver a iniciarla para recuperarlo (no es reiniciar el PC ni cerrar sesión en Claude), porque el handle huérfano que hay detrás persiste por sesión de usuario de Windows. Detener CoworkVMService o volver a registrar el paquete se reporta que NO funciona. Pese al texto del diálogo, está verificado que no hay ningún bloqueo de archivo en el espacio de usuario (handle.exe / Process Explorer): el fallo real está en la capa de contenedor de AppX/Desktop Bridge, en la conversión Job Object → Silo (0x80070020 = ERROR_SHARING_VIOLATION, eventos 215/208). El desencadenante tiene dos explicaciones sin resolver —el servicio reteniendo el Job Object (#57221) frente a un fallo al arrancar que deja la limpieza sin hacer (#53247)— y no se ha publicado corrección oficial. La solución permanente es cambiar a la versión Squirrel (instalador). Basado en un equipo (Windows 11 Home 10.0.26200) contrastado con issues de GitHub; con etiquetas de confianza a lo largo del texto.

Tras trabajar mucho rato con Claude Code, la respuesta se pone a repetir «court court court…» decenas o cientos de veces y termina deteniéndose con «API Error: Response stalled mid-stream. The response above may be incomplete.». No es un fallo de tu prompt: son dos errores conocidos que se encadenan —un bucle de repetición (degeneración) del modelo, con etiqueta area:model y bug, y la detención del stream del lado del transporte—. Este artículo explica qué es cada capa, qué la desencadena (sesiones largas, contexto grande, conexión inestable), cómo detenerla al instante (Esc → sesión nueva o /clear), cómo prevenirla desde la API/SDK (timeout de lectura, detección de repetición, límite de max_tokens) y cómo distinguirla del bug de fuga de etiquetas court/invoke.

El buque insignia de OpenAI, GPT-5.6 «Sol», frente a Claude Fable 5, la gama alta de Anthropic: no es un duelo dentro del mismo rango de precio, sino la disyuntiva entre coste y capacidad. Fable 5 domina la codificación de nivel de producción real (SWE-Bench Pro 80.3%) y la autonomía prolongada de hasta 12 horas; Sol lidera el manejo de terminal (TerminalBench 88.8%), la amplitud como agente y la relación coste-eficacia a mitad de precio. Analizamos benchmarks, coste por tarea completada y cómo repartir el uso de estos dos gigantes asimétricos según cada caso.

Comparación a fondo de los dos gigantes de la programación con IA en 2026: Claude Opus 4.8 (28 de mayo) y el modelo tope de gama Sol de GPT-5.6 (9 de julio). Sus puntos fuertes son casi opuestos: Sol lidera en operación de terminal y capacidad agéntica global (TerminalBench 2.1 88.8% vs 78.9% de Opus, Agents' Last Exam 53.6, Coding Agent Index 80), mientras que Opus 4.8 lidera en programación de nivel producción, matemáticas y contexto largo (SWE-bench Pro 69.2% vs 64.6% de Sol, USAMO 2026 96.7%, GraphWalks 1M 68.1%) y pone en primer plano la honestidad (exceso de confianza reducido a una décima parte, 0% de reporte sin crítica de resultados defectuosos). Además, OpenAI deja sin publicar muchos benchmarks de Sol (SWE-bench Pro, GPQA, AIME, MMLU), así que en el corazón de la programación el ya divulgado Opus tiene la ventaja. Cubrimos la tabla de especificaciones, el detalle de los benchmarks, el problema de los benchmarks no publicados, el coste real ($25 vs $30 de precio unitario frente a +54% de eficiencia de tokens), un mapa de fortalezas y debilidades, la elección por caso de uso y una estrategia de doble proveedor.

El «API Error: 400 Output blocked by content filtering policy» que aparece de golpe en Claude Code o en la API no es un límite de uso ni un exceso de contexto: es el estado en que el filtro de seguridad detuvo la «salida» que Claude iba a devolver. Su objetivo principal es evitar la reproducción literal de obras protegidas ya existentes, y es frecuente que se produzca un falso positivo (false positive) sin ninguna mala intención al generar el texto completo de licencias estándar como MIT/Apache, en tareas de «hacer coincidir» con una fuente existente o al duplicar documentos largos. Este artículo organiza, a partir de la explicación oficial (el filtro de la fase de salida detecta la reproducción de obra protegida y bloquea con un 400), los patrones de falso positivo vistos en los issues reales de Claude Code (preparación inicial de un repositorio OSS, cotejo de listas, y el diagnóstico erróneo como límite de tokens al final de ejecuciones largas de agente), cómo solucionarlo ahora mismo (obtener con herramientas en vez de copiar literalmente, reformular el prompt hacia generar/resumir, detener el bucle de reintentos con Esc, dividir la tarea, reportar los falsos positivos al soporte) y cómo distinguirlo de Prompt is too long, usage limit, 529 Overloaded y max_tokens.

Alcanzas el límite semanal de tokens de Claude Code y, aun así, la asignación se recupera por completo antes de que pasen siete días, y más de una vez. En Internet incluso hay textos sobre un "mecanismo oculto" que afirman que el límite semanal se reinicia cada 72 horas. ¿Es cierto? Este artículo rastrea el fenómeno hasta sus fuentes primarias. Pero Anthropic no ha documentado el mecanismo interno de reinicio, y los límites cambian constantemente, así que etiquetamos con claridad tres tipos de información: hechos verificables en fuentes oficiales, sucesos que múltiples usuarios observan de forma reproducible pero que Anthropic nunca abordó, y especulación de una sola fuente y sin confirmar. La clave: la recuperación total anticipada es, en la mayoría de los casos, fruto de los reinicios globales irregulares de Anthropic (anunciados en repetidas ocasiones por @ClaudeDevs); el tiempo de reinicio mostrado también es demostrablemente inestable; y la "cadencia de 72 horas" que circula es de observación única, no reproducida y contradicha por otra observación (24 h), por lo que no puede tomarse como un hecho. Cuando algo no se puede afirmar, lo decimos: una investigación de julio de 2026.

Si usas Claude Code el tiempo suficiente, te topas con un dilema: una confirmación en cada comando interrumpe tu flujo, pero desactivarlas todas con la omisión es peligroso. El sandbox rompe ese binario delimitando qué se puede tocar a nivel del sistema operativo, de modo que los comandos se ejecutan con libertad dentro sin confirmaciones y nada llega al exterior. Esta guía cubre los dos aislamientos (sistema de archivos y red), los primeros pasos con /sandbox (macOS funciona sin más, Linux/WSL2 necesita bubblewrap+socat, Windows nativo no es compatible), el modo de autoaprobación frente al normal, la configuración de settings.json (allowWrite/denyRead, credentials, allowedDomains), cómo complementa a los modos y reglas de permisos como una tercera capa impuesta por el sistema operativo, sus límites (TLS sin inspeccionar, sockets Unix) y cuándo recurrir a contenedores de desarrollo o máquinas virtuales. Anthropic informa de que redujo las confirmaciones de permisos en un 84% en su uso interno.