10 técnicas para programar directamente desde Claude Code
10 Técnicas Ninja para Programar con Claude Code, Según Sus Creadores
Cuando uno de los creadores de una herramienta revela sus trucos del oficio, valdría la pena escuchar. Boris Chenry, figura clave en el desarrollo de Claude Code, ha compartido recientemente en X diez técnicas que podrían cambiar radicalmente la forma en que programamos con IA. No se trata de simples sugerencias de manual, sino de verdaderas estrategias nacidas de la experiencia cotidiana de quien ha construido esta herramienta y la usa al límite de sus posibilidades.
Lo que hace estas indicaciones particularmente valiosas es su naturaleza pragmática. No estamos hablando de teorías abstractas sobre inteligencia artificial, sino de soluciones concretas a problemas reales que todo desarrollador enfrenta cotidianamente. Y quizás la verdadera revolución está precisamente aquí: en aprender a pensar en la programación asistida por IA no como un simple autocompletado potenciado, sino como una nueva forma de colaboración que requiere métodos y estrategias propias.
El Multitasking Reinventado: Trabajar en Paralelo
La primera técnica que Chenry propone da la vuelta completamente a la idea tradicional del flujo de trabajo secuencial. Abrir de tres a cinco git worktree simultáneamente, cada uno con su propia sesión de Claude activa, representa lo que él mismo define como "el mayor salto de productividad posible". No es una frase hecha: estamos hablando de gestionar simultáneamente diferentes ramas de desarrollo, diferentes funcionalidades, diferentes experimentos, sin perder el contexto de ninguno.
La integración nativa de los worktree en la app de escritorio de Claude Code no es casual. Nació precisamente de la observación de cómo trabajaba realmente el equipo. Algunos miembros incluso han desarrollado alias de shell (za, zb, zc) para saltar instantáneamente de un entorno a otro. Es fascinante ver cómo herramientas pensadas para la IA terminan moldeando también nuestros hábitos más arraigados, como la organización del workspace.
Esta modalidad de trabajo paralelo no sería posible con un asistente humano, no a la misma escala. Aquí la IA demuestra una de sus ventajas más subestimadas: la capacidad de mantener múltiples contextos completamente separados sin confundirse, sin fatigarse, sin perder coherencia. Es como tener múltiples versiones de uno mismo trabajando en problemas diferentes simultáneamente.
La Planificación Antes de la Acción
La segunda técnica introduce un concepto que debería ser familiar para cualquiera que haya gestionado proyectos complejos: separar la estrategia de la ejecución. El modo "Plan" de Claude Code no es un capricho, es una necesidad para las tareas que requieren arquitectura y reflexión.
Concentrar la energía en la estrategia permite a Claude ejecutar la implementación al primer intento, lo que Chenry llama "1-shot". Pero hay una indicación aún más importante: si las cosas empiezan a ir mal, volver inmediatamente al modo plan. No obstinarse. Es un consejo que vale oro, y no solo en el contexto de la IA.
Esta separación refleja una verdad profunda sobre la naturaleza de la resolución de problemas: a menudo fallamos no porque la ejecución es deficiente, sino porque la estrategia estaba equivocada desde el principio. Pedir a Claude que use el modo plan también para las fases de verificación, no solo para la escritura del código, significa tratar el testing como lo que debería ser: una actividad tan estratégica como el desarrollo mismo.
La Evolución Continua a través de CLAUDE.md
El tercer consejo es quizás el más sutil y poderoso: invertir en el archivo CLAUDE.md. La idea es simple pero revolucionaria: después de cada corrección, pedir a Claude que actualice este archivo para no repetir el mismo error. En otras palabras, enseñar a la IA a aprender de sus propias experiencias específicas en vuestro proyecto.
Chenry subraya que "Claude es increíblemente bueno escribiendo reglas para sí mismo". Esta capacidad de autorreflexión y automejora es lo que distingue a un asistente de IA verdaderamente útil de un simple generador de código. El archivo CLAUDE.md se convierte en una especie de memoria institucional del proyecto, pero escrita por la propia IA.
Un ingeniero del equipo va un paso más allá: mantiene un directorio de "notas" para cada proyecto, actualizado después de cada pull request, y apunta el archivo CLAUDE.md hacia él. Es un enfoque sistemático de la gestión del conocimiento que transforma cada commit en una oportunidad de aprendizaje. La tasa de error cae visiblemente con el tiempo, no porque la IA se vuelva mágicamente más inteligente, sino porque se vuelve más consciente del contexto específico en el que opera.
Skills Personalizadas: La Verdadera Extensibilidad
La cuarta técnica introduce el concepto de skills personalizadas reutilizables. Si haces algo más de una vez al día, conviértelo en una skill o en un comando. Es el principio DRY (Don't Repeat Yourself) aplicado a la interacción con la IA.
Los ejemplos proporcionados son reveladores: comandos /techdebt para eliminar código duplicado, o comandos que sincronizan Slack, Google Drive y GitHub en un único bloque de contexto. Este último ejemplo es particularmente significativo porque demuestra cómo las skills pueden fungir como puente entre diferentes herramientas, creando flujos de trabajo que de otra manera requerirían una coordinación manual constante.
Subir estas skills a git para reutilizarlas en cada proyecto transforma la inversión inicial en la creación de la skill en una ventaja multiplicada. Es el equivalente a construir una librería personal de funciones, pero a un nivel de abstracción superior. No estás automatizando operaciones individuales, estás automatizando patrones enteros de trabajo.
Corrección de Bugs: Delegar sin Micromanagement
La quinta técnica aborda uno de los aspectos más frustrantes del desarrollo de software: el debugging. El enfoque sugerido por Chenry es radical en su simplicidad: habilitar el MCP de Slack, pegar el hilo del bug y decir simplemente "fix". Cero distracciones.
Aún más interesante es la indicación: "Ve a arreglar los tests de la CI que están fallando". No hagas micromanagement sobre el "cómo". Esta filosofía representa un cambio de paradigma en la relación con las herramientas de IA. Ya no estamos dando instrucciones detalladas paso a paso, estamos definiendo objetivos y dejando que la IA encuentre el mejor camino.
Apuntar a Claude hacia los logs de Docker para el troubleshooting de sistemas distribuidos es otro ejemplo de cómo la IA puede gestionar complejidades que tradicionalmente requieren horas de análisis manual. Los sistemas distribuidos son notoriamente difíciles de debuggear porque los errores pueden propagarse a través de múltiples componentes. Tener un asistente que puede analizar logs de diferentes fuentes simultáneamente cambia completamente el juego.
El Arte del Prompting Avanzado
La sexta técnica eleva el prompt engineering a forma de arte. "Hazme un tercer grado sobre estos cambios y no hagas la PR hasta que no supere tu test". Usar a Claude como revisor, no solo como ejecutor, significa aprovechar su capacidad de evaluación crítica.
El "enfoque elegante" es particularmente interesante: después de una solución mediocre, pedir "Sabiendo lo que sabes ahora, tira todo y implementa la solución más elegante". Esta técnica reconoce que a menudo la primera solución es solo una exploración del problema. Una vez comprendido el espacio del problema, se puede apuntar a una solución verdaderamente óptima.
La especificidad sigue siendo fundamental: cuanto más detalladas sean las especificaciones, mejor será el output. No es una limitación de la IA, es la naturaleza misma de la comunicación. Incluso entre seres humanos, las instrucciones vagas producen resultados impredecibles. La diferencia es que con la IA, tenemos la posibilidad de iterar rápidamente hasta alcanzar la precisión necesaria.
Optimizar el Entorno de Trabajo
La séptima técnica se concentra en la configuración del terminal, un aspecto a menudo descuidado pero crucial. Al equipo le encanta Ghostty por el renderizado sincronizado y el soporte unicode, detalles técnicos que marcan la diferencia en la experiencia cotidiana.
Usar /statusline para mostrar siempre el uso del contexto y la rama git actual transforma información potencialmente oculta en feedback constante. Es el tipo de transparencia que previene errores y confusión.
La sugerencia sobre el dictado por voz es reveladora: se habla tres veces más rápido de lo que se escribe, y los prompts dictados tienden a ser mucho más detallados. Es un recordatorio de que la interfaz con la que interactuamos con la IA no tiene que ser necesariamente textual. La tecla fn presionada dos veces en macOS para activar el dictado podría parecer un detalle menor, pero cambia radicalmente el flujo de trabajo.
Sub-Agentes: Divide y Vencerás
La octava técnica introduce el concepto de sub-agentes, una arquitectura que refleja patrones consolidados en la ingeniería de software. Añadir "use subagents" a cualquier solicitud dedica más potencia de cálculo al problema, pero sobre todo mantiene limpia y focalizada la ventana de contexto del agente principal.
Esta separación de responsabilidades no es solo organizativa, es estratégica. Mover tareas individuales a los sub-agentes previene la contaminación del contexto, uno de los problemas más insidiosos en el trabajo con IA en proyectos complejos. Cuanta más información añadimos al contexto, más difícil se vuelve para la IA mantener el foco en lo que es realmente relevante.
Dirigir las solicitudes de permisos a Opus 4.5 mediante un hook para escanear posibles ataques y aprobar automáticamente los seguros es un ejemplo de cómo los sub-agentes pueden gestionar aspectos de seguridad de forma transparente. Es automatización aplicada a la supervisión, un meta-nivel que raramente consideramos.
Datos y Analytics: Una Nueva Relación con las Bases de Datos
La novena técnica se refiere a datos y analytics, y contiene una declaración sorprendente: "Personalmente no escribo una línea de SQL desde hace más de 6 meses". No es pereza, es eficiencia. Pedir a Claude Code que use la CLI de BigQuery para analizar métricas al vuelo significa eliminar el cambio de contexto entre pensar en el problema y pensar en la sintaxis SQL.
Esta técnica funciona con cualquier base de datos que tenga una CLI, un MCP o una API. La universalidad del enfoque es importante: no estamos hablando de una solución específica para una herramienta específica, sino de un patrón aplicable a todo el ecosistema de herramientas de datos.
Hay algo profundamente liberador en poder interrogar los datos usando lenguaje natural sin sacrificar precisión o potencia. No estamos bajando el listón técnico, estamos elevando el nivel de abstracción de modo que podamos concentrarnos en las preguntas que queremos hacer a los datos en lugar de en cómo formularlas sintácticamente.
Aprender con la IA: Cerrar el Círculo
La última técnica cierra el círculo llevándonos de vuelta al aprendizaje. Habilitar el estilo "Explanatory" o "Learning" en /config transforma a Claude de ejecutor a maestro, ayudándonos a entender el porqué detrás de las modificaciones.
Pedir a Claude que genere presentaciones visuales en HTML o diagramas ASCII para explicar codebases desconocidas es un uso brillante de la IA como herramienta de documentación activa. No estamos leyendo documentación estática escrita hace meses, estamos generando explicaciones a medida para lo que necesitamos entender en este momento.
Crear una skill de aprendizaje con repetición espaciada, donde explicamos lo que hemos entendido y Claude nos hace preguntas para llenar las lagunas, es quizás la aplicación más sofisticada de todas. Estamos usando la IA no para reemplazar nuestro aprendizaje, sino para reforzarlo a través del testing activo de nuestra comprensión.
Más Allá de las Técnicas: Una Nueva Mentalidad
Estas diez técnicas, en su conjunto, dibujan algo más grande que la suma de las partes. Representan un enfoque fundamentalmente diferente del trabajo con IA, uno que reconoce la importancia del método tanto como la de la herramienta.
Lo que emerge con claridad es que la eficacia en el uso de la IA para la programación no depende de la capacidad de escribir prompts mágicos, sino de la construcción de sistemas y hábitos que permitan a la IA operar de la mejor manera. Es una inversión en infraestructura cognitiva, si queremos llamarla así.
La verdadera lección de Chenry no está en las técnicas individuales, por valiosas que sean. Está en mostrar que trabajar eficazmente con la IA requiere intencionalidad, experimentación y la voluntad de repensar flujos de trabajo que dábamos por sentados. No estamos simplemente añadiendo una herramienta a nuestro arsenal, estamos redefiniendo qué significa programar.
Y quizás este es el punto más importante: la IA no nos hace programadores peores si dependemos demasiado de ella, ni nos hace automáticamente mejores solo porque la usamos. Nos hace diferentes, y nos corresponde a nosotros decidir si ese "diferente" representa una evolución o solo un cambio superficial. Las técnicas de Chenry sugieren que la evolución es posible, pero requiere el mismo rigor y la misma disciplina que siempre hemos aplicado a nuestro oficio.
En definitiva, estos consejos nos recuerdan que la inteligencia artificial es, paradójicamente, tanto más útil cuanto más inteligentemente la usamos. Y la inteligencia, en este caso, no está en el prompt perfecto, sino en la construcción paciente de un ecosistema de prácticas, herramientas y hábitos que amplifican lo que la IA hace mejor, mitigando lo que hace peor. Es trabajo humano, profundamente humano, el que hace que la inteligencia artificial sea verdaderamente inteligente.
