Optimización de Claude: -9.5% tokens en frases

# Optimización de Prompts para Claude: Reduce 9,5% de Tokens en Frases de Relleno

Modelos como Claude Sonnet desperdician hasta un 11% de los tokens de salida en saludos iniciales, comentarios meta y despedidas corteses. Pruebas con 500 prompts demostraron cómo tres líneas en el prompt del sistema eliminaron este desperdicio sin perder valor en las respuestas.

El análisis reveló un 11,3% de 'relleno' en las respuestas: el modelo empezaba con "¡Claro!" o "¡Buena pregunta!", añadía explicaciones de pensamiento en voz alta y terminaba con "Espero que te sirva". Para integraciones backend con análisis JSON, eso es puro sobrecoste.

Metodología de Medición

Recolectamos 500 tareas típicas: clasificación de tickets, extracción de campos de documentos, resúmenes de emails y respuestas basadas en políticas. Configuración: claude-sonnet-4-5, temperature=0.2, prompt del sistema estándar.

Un script en Python con regex analizó las salidas:

FILLER_PATTERNS = [
    r"^(¡Claro|Absolutamente|Por supuesto|Vale)[,!.]",
    r"^(¡Genial|¡Buena pregunta|Excelente)[!.]",
    r"^(Encantado de|Feliz de)",
    r"^(Vamos a|Permíteme)",
    r"(Espero que esto (ayude|te ayude)")",
    r"(Si tienes (más )?preguntas)",
    r"(Dime si)",
]

Revisión manual de 50 respuestas confirmó un 94% de precisión. El resto es subcuento.

Desglose del relleno:

• Frases de apertura ("¡Claro!", "¡Genial!") — 28%
• Comentarios meta ("déjame pensar…") — 34%
• Frases de cierre ("espero que te sirva") — 22%
• Reformulación de preguntas — 16%

Limpieza manual de 100 respuestas preservó el significado central.

Optimización del Prompt del Sistema

Prompt original:

Eres un asistente para procesar [DOMINIO]. Responde con precisión,
basándote solo en el contexto proporcionado. Si no hay datos — dilo con honestidad.

Añadido:

Formato de respuesta:
- Sin intros, alabanzas a la pregunta ni explicaciones de "esto es lo que haré".
- Sin cierres como "espero que te sirva".
- Directo al grano. Listas primero si hace falta. Números primero si hace falta.

Reejecución en 500 prompts: relleno bajó a 1,8%. Ahorro de tokens: 9,5%.

Ejemplo de coste:

| Consultas/Día | Respuesta Media (Tokens) | Ahorro Mensual ($) |

|---------------|--------------------------|--------------------|

| 2000 | 400 | ~50 |

| 20000 | 400 | ~500 |

Proyecto real: $55/mes ahorrados. Además, contexto más corto en seguimientos.

Limitaciones y Retrocesos

No para todos los casos:

• Chat con clientes: Sin cortesía sonaba grosero. Bajó la satisfacción — revertido.
• Cadenas de uso de herramientas: El modelo confundía herramientas sin descripción meta del plan. Revertido por fiabilidad.

Consejo: Úsalo en tareas máquina a máquina (JSON, API). Manténlo en chats con usuarios.

Lecciones Clave

• 11,3% de tokens en relleno en Claude Sonnet base.
• Ahorro del 9,5% con tres líneas de prompt.
• Regex captura el 94% de basura.
• Seguro para la esencia de la respuesta, riesgoso en cadenas de herramientas y chats UX.
• Próximo: Limpiar tokens de entrada de preámbulos de usuario.

— Editorial Team