Entorno de Desarrollo e Infraestructura para IA

Hay dos formas de usar Claude sin salir de tu facturación de Google Cloud: la versión gestionada por Google, que Google opera como parte de Agent Platform (antes Vertex AI), y la versión gestionada por Anthropic, disponible de forma general desde el 22 de octubre de 2026. Claude Code funciona con la versión gestionada por Google y se configura con CLAUDE_CODE_USE_VERTEX y ajustes relacionados (si lo despliegas para varias personas, se recomienda fijar los modelos). Si necesitas la Files API, Agent Skills, Managed Agents, el modo rápido y funciones similares, elige la versión gestionada por Anthropic. En el endpoint global de la versión gestionada por Google, Opus 5.5, Sonnet 5.5 y Haiku 5.5 cuestan lo mismo que en la API de Claude, mientras que las multirregiones us y eu cuestan 1,1 veces. La versión gestionada por Anthropic se mide en CCU, y la documentación oficial no incluye una lista de precios por token. A partir de la documentación oficial (consultada el 26 de octubre de 2026), este artículo explica las diferencias y cómo elegir, los precios, las regiones, los primeros pasos, los SDK, la configuración de Claude Code y cómo afrontar las cuotas y los errores 429.

Si la API de Claude muestra «`temperature` is deprecated for this model.», la causa es enviar valores distintos al predeterminado en temperature, top_p o top_k a un modelo Claude 4.7 o posterior; basta con quitar los tres de la solicitud. Con la nueva versión de API 2026-10-21, cualquier modelo devuelve un error 400 si se envían estos parámetros, incluso con sus valores predeterminados. Este artículo explica cómo encontrar el código afectado, qué versiones del SDK de Python (por ejemplo, anthropic 2.0.0) envían 2026-10-21 automáticamente y cómo corregir el error relacionado «anthropic-version: header is required», según la documentación oficial de Anthropic consultada el 26 de octubre de 2026.

Resumimos las causas y soluciones de la lentitud de Codex según el síntoma. Si tarda en responder, revisa incidencias y saturación, baja el esfuerzo de razonamiento (reasoning effort) según la tarea, usa un modelo más ligero o el modo rápido (Fast consume 2,5 veces más cuota) y abre un hilo nuevo para cada tarea, como recomienda el equipo de OpenAI. Si tarda en iniciarse, desactiva los servidores MCP que no uses con enabled = false y actualiza la CLI; si la app va pesada o se bloquea, actualízala, reiníciala (uno de los fallos de Windows se corrigió en v26.825.32147) y archiva las tareas programadas que ya no necesites, porque acumulan worktrees. Si los comandos van lentos en WSL, guarda los archivos en el sistema Linux. Todo se basa en la documentación oficial de OpenAI y en las respuestas de su equipo en GitHub (consultadas el 25 de octubre de 2026).

Al preparar el destino, Windows desmontó toda la unidad y afectó a Docker y Unity. Reconstruimos la secuencia y recuperamos el motor sin borrar datos.

Colocamos la aplicación y sus datos principales en D y conservamos los entornos activos en C. Qué copiamos, trasladamos y comprobamos.

Explica cómo dejar Codex (app, IDE y CLI) y Claude Code (Claude Desktop, VS Code, web y móvil) en modo de solo investigación. Incluye la diferencia entre solo lectura y Plan, el alcance de los ajustes, la limitación de herramientas, una solicitud lista para usar y cómo revisar los cambios.

Repasa la denegación de lectura, la separación del entorno, las aprobaciones y los límites de red en Codex. Incluye un ejemplo de perfil de permisos, las rutas de .env, las variables de entorno y las limitaciones de cada sistema operativo. También explica cómo confirmar la denegación con archivos ficticios, sin usar secretos reales.

Puedes delegar el desarrollo en las sesiones en la nube de Claude Code sin abrir una nueva vía de entrada a producción: guarda el código en un repositorio privado de GitHub, instala la Claude GitHub App solo en ese repositorio y haz que el servidor de producción solo haga pull con una deploy key de solo lectura. Este artículo es mi registro de cuando empecé a usar las sesiones en la nube en otro proyecto de desarrollo el 4 de octubre de 2026, contrastado con el texto original de la documentación oficial en esa fecha. Explica que claude --cloud sin GitHub envía el historial de todas las ramas y los cambios sin confirmar en archivos rastreados (en Windows, sea cual sea el nombre del archivo), cómo resolverlo cuando hay conectada otra cuenta de GitHub, «Only select repositories» y por qué aparecen repositorios públicos en la lista, por qué conviene crear un entorno nuevo por proyecto si cualquiera que use un entorno puede leer sus variables de entorno, que los archivos locales no son visibles y que en la nube Accept edits se detiene en cada comando mientras que Auto sigue adelante, todo ello reunido en una lista de comprobación previa. También comparte un caso real en el que una sola instrucción ejecutada de forma autónoma consumió 226 $ de crédito por tiempo limitado antes de que le dijera que parara a mitad, por qué el crédito se gasta tan rápido y formas de reducir el coste.

Que tus conversaciones con Claude Code se usen para entrenar modelos de IA depende de tu plan y del ajuste de tu cuenta. En los planes de consumo Free, Pro y Max, tus datos solo se usan para entrenar mientras el ajuste de mejora del modelo de la privacidad de claude.ai está activado (se guardan 5 años), y desactivarlo detiene el entrenamiento (se guardan 30 días). El ajuste pertenece a tu cuenta, así que no hace falta cambiar archivos de configuración en el ordenador donde se ejecuta Claude Code. A partir del texto original de la página "Data usage" de la documentación de Claude Code, del Privacy Center de Anthropic y de la página "API and data retention" de Claude Platform a 4 de octubre de 2026, este artículo explica dónde está el ajuste y cómo desactivarlo, por qué desactivarlo no retira tus datos de entrenamientos anteriores, cómo se tratan las valoraciones 👍👎, /feedback y las conversaciones marcadas como infracción de la política, y el entrenamiento y la conservación por plan, incluidos Team, Enterprise, la API y Bedrock. También aclara que las entradas y salidas de la API no se usan para entrenar por defecto y se eliminan en un plazo de 30 días, qué cubre el ZDR y por qué los Covered Models como Fable exigen 30 días de conservación, las variables de entorno que detienen las métricas de uso y los informes de errores que se envían aparte del entrenamiento, las transcripciones guardadas en texto plano en tu propio ordenador y cómo elegir la configuración para trabajo confidencial.

El /doctor prompt-audit de Claude Code (/checkup prompt-audit es lo mismo) hace que Claude lea CLAUDE.md, CLAUDE.local.md, AGENTS.md y las reglas, skills, comandos y subagentes de .claude/, busque prompting escrito para modelos antiguos, referencias a archivos o comandos que no existen e instrucciones que se contradicen, y devuelva un informe con diffs propuestos. No cambia nada hasta que lo pidas y requiere v2.1.283 o posterior. A partir de la documentación oficial y el CHANGELOG consultados a 3 de octubre de 2026 y de la guía de auditoría incluida en Claude Code, este artículo explica cómo ejecutarlo y acotarlo con una ruta, qué considera obsoleto (redacción demasiado enfática, rutas inexistentes, conflictos entre archivos y más), su norma de no borrar el contexto ni las prohibiciones que existen por un motivo, los seis campos del informe y cómo leer los niveles de confianza, y en qué se diferencia de /doctor, /claude-api prompt-audit y el comando claude doctor de la terminal. También cuenta qué pasó al ejecutarlo sobre los archivos de instrucciones de este sitio (7 de 9 hallazgos aplicados, entre ellos un desfase real: una explicación que olvidamos reescribir tras añadir una regla) y precauciones como el consumo de la cuota de uso, la variación entre ejecuciones y el esfuerzo de revisar los hallazgos antes de aplicarlos.

/code-review de Claude Code es una skill integrada que lee los commits que van por delante de upstream más los cambios sin confirmar (o el PR, la rama o la ruta que le pases), busca errores de corrección y te los informa. /review es un alias, la revisión se ejecuta como un subagente en segundo plano y su coste cuenta dentro de tu uso normal. Este artículo explica cómo indicar el objetivo, cómo elegir entre low (solo los hallazgos más seguros) y de medium a max (más cobertura, aunque hay que filtrar los resultados), la regla de que, si no indicas el nivel, se reutiliza el último que escribiste, la advertencia de que las ediciones de --fix hechas en segundo plano no se pueden deshacer con /rewind, y dónde publica --comment en GitHub y GitLab. También explica ultra, en el que varios agentes en la nube devuelven solo hallazgos verificados (unos 15 a 25 minutos; 3 ejecuciones gratuitas únicas en Pro y Max y, después, normalmente entre 5 y 25 $ por ejecución en créditos de uso), y en qué se diferencia /code-review de /simplify, /security-review, Code Review de la app de GitHub y claude-code-action, a partir del texto original de la documentación oficial y del CHANGELOG a 2 de octubre de 2026 (la descripción de los niveles, a 14 de octubre). Por último, comparte los resultados de ejecutar una vez /code-review high sobre el código del detector de imágenes IA de este sitio (9 de 10 hallazgos eran errores reales, y se corrigieron todos) y las desventajas, como el consumo de uso, el trabajo de comprobar los hallazgos y cómo deshacer --fix.

Le encargué a Projects de Claude Code (beta pública) una web entera para consultar cuánta memoria necesitan los LLM locales. De la creación a la última fusión pasaron unas 20 horas: 10 hilos, 11 PR, unas 23.000 líneas y unos 190 millones de tokens (el 97,7 % fueron lecturas de caché). Tres tareas avanzaron en paralelo durante la noche, los hilos se coordinaron entre sí a través del coordinador y, cuando cambié a unas instrucciones que le dejaban hacer, decidió él solo las siguientes tareas. En cambio, en la frontera entre los hilos de recogida de datos y de páginas nadie construyó el proceso que decide «¿se puede publicar esto?», y en producción se mostraban 0 modelos. Los datos reales también sacaron fallos que las pruebas con datos de muestra nunca mostraron, y publicar en un servidor al que solo se entra por SSH se quedó atascado. Lo registro todo con datos medidos: dónde tropecé al empezar, la diferencia entre aprobarlo todo y dejarle hacer, cómo se gastó el crédito de configuración y para qué trabajos sirve y para cuáles no.