Explicación del prompt del sistema de Claude Fable 5.1: por qué los entornos de agentes son cada vez más grandes

Una descarga del prompt de Claude de 269 KB es el tipo de cifra que llama la atención de inmediato. Da la impresión de que Fable 5.1 necesita un pequeño libro de instrucciones ocultas antes de poder responder una pregunta.

Esa no es la parte interesante. La captura difundida se entiende mejor como una instantánea del entorno de ejecución alrededor del modelo: instrucciones, herramientas, búsqueda, comportamiento de la memoria, Skills, permisos y lógica del producto. La historia más amplia es casi la contraria a la del titular. Los armazones de los agentes son cada vez más grandes, mientras que los buenos agentes intentan cada vez más cargar menos de esa maquinaria de una sola vez.

¿Cuál es el prompt del sistema de Claude Fable 5.1?

Un prompt del sistema es la capa de instrucciones de alta prioridad que determina cómo se comporta un modelo dentro de un producto. Anthropic proporciona públicamente los prompts del sistema principales de Claude utilizados en Claude.ai y sus aplicaciones móviles, incluido Fable 5.1.

Ese prompt no es el modelo en sí. No contiene los pesos de Claude ni los datos de entrenamiento, y tampoco es todo el entorno de ejecución de Claude. Cuando un agente empieza a buscar, leer archivos, descubrir herramientas, cargar Skills o recuperar estados, mucho más contexto puede rodear las instrucciones principales.

¿El prompt del sistema de Fable 5.1 realmente tiene 270.000 caracteres?

Se informó que una captura de Fable 5.1 difundida públicamente tenía aproximadamente 269 KB y 2.195 líneas. Llamar a todo ello «el prompt del sistema» resulta práctico, pero técnicamente confuso.

La captura del entorno de ejecución de Fable incluye material relacionado con herramientas, memoria, búsqueda, archivos, comportamiento del producto y otros componentes del entorno de ejecución. Un modelo mental más adecuado es el de un paquete de prompts del entorno de ejecución: las instrucciones del modelo más fragmentos del entorno que se le expone.

También existe una distinción de seguridad importante. Extraer instrucciones del entorno de ejecución no demuestra por sí mismo que se hayan vulnerado los pesos del modelo de Anthropic, las conversaciones de los usuarios, las credenciales o las bases de datos de producción.

¿Qué hay dentro del entorno de ejecución de un agente de IA moderno?

Un chatbot puede trabajar con instrucciones, una pregunta y el historial de la conversación. Un agente también puede necesitar herramientas, acceso a archivos, búsqueda, memoria, estado de las tareas, permisos, servicios externos y lógica de recuperación. Esas capas son las que convierten un modelo que responde en uno que puede actuar repetidamente.

Anthropic presenta cada vez más este concepto como ingeniería del contexto. El problema ya no consiste solo en cómo redactar un prompt, sino en decidir qué merece entrar en una ventana de contexto finita en este paso concreto.

¿Qué es un armazón de agente de IA?

Un armazón de agente es el software que rodea al modelo y decide qué contexto recibe, qué herramientas puede usar, cómo se ejecutan las acciones y qué estado persiste después. El modelo aporta el razonamiento; el armazón convierte ese razonamiento en un flujo de trabajo.

Por eso el mismo modelo subyacente puede sentirse muy diferente en distintos productos. Un armazón de programación puede exponer repositorios, pruebas, shells y el estado de la tarea. Un armazón de investigación puede exponer búsquedas, recuperación de información, citas y agentes paralelos. Añade Skills de agentes de IA y los procedimientos reutilizables se convierten en otra capa que el armazón puede descubrir cuando sea necesario.

La calidad del modelo sigue siendo importante. Pero, cuando los modelos adquieren suficiente capacidad para usar herramientas de forma fiable, la orquestación empieza a contribuir mucho más al comportamiento del producto.

¿Por qué son cada vez más grandes los armazones de agentes de IA?

Cada nueva capacidad conlleva una sobrecarga de contexto. Una herramienta puede necesitar un nombre, un esquema, argumentos, reglas de uso, permisos y ejemplos. Una Skill añade procedimientos y recursos. Las tareas largas acumulan historial, resultados de herramientas, artefactos y estados sin terminar.

Anthropic ofrece una referencia útil de escala: conectar GitHub, Slack, Sentry, Grafana y Splunk puede exponer 58 herramientas cuyas definiciones ocupan aproximadamente 55.000 tokens de contexto antes de que comience el trabajo útil. La limitación ya no es el almacenamiento del modelo, sino cuánta información operativa compite por su atención en cada paso de inferencia.

Los agentes de larga duración amplifican ese problema. El armazón debe conservar suficiente estado para continuar el trabajo sin arrastrar cada observación anterior, intento fallido, resultado de herramienta e instrucción a cada llamada futura.

¿Un armazón de agente más grande mejora la IA?

No. Un entorno disponible más grande puede hacer que un agente sea más capaz; un contexto activo más grande puede hacerlo más lento, costoso y menos centrado.

Las herramientas irrelevantes compiten con las relevantes. Los recuerdos antiguos compiten con las pruebas actuales. Las instrucciones repetidas consumen tokens sin añadir información nueva. Por eso el contexto repetido de los agentes también tiene importancia económica: un agente puede volver a procesar las mismas instrucciones y esquemas estables en muchas llamadas al modelo.

Por lo tanto, el objetivo no es maximizar el contexto, sino lograr un contexto mínimo suficiente: el conjunto más pequeño de instrucciones, herramientas, memorias y pruebas con una alta proporción de información relevante que pueda completar el paso actual.

¿Cómo reducen Agent Skills el tamaño del contexto?

Las Anthropic Agent Skills utilizan la divulgación progresiva. Inicialmente, el agente puede ver metadatos ligeros que describen una Skill y, después, cargar su SKILL.md solo cuando la tarea hace relevante esa Skill. Los scripts y referencias de apoyo pueden permanecer fuera del contexto hasta que se necesiten.

Eso cambia la ecuación del escalado. Un agente puede acceder a una amplia biblioteca de procedimientos sin pagar el coste contextual de leer toda la biblioteca en cada solicitud. La misma idea resulta útil para los flujos de trabajo de IA local, donde los procedimientos, scripts y recursos privados pueden seguir siendo reutilizables en lugar de convertirse en un único prompt permanente gigantesco.

¿Cómo reduce Tool Search el uso de tokens de los agentes?

Las herramientas avanzan en la misma dirección. En lugar de cargar el esquema de cada herramienta conectada en el contexto inicial, Claude Tool Search permite que el agente descubra primero las capacidades relevantes y cargue sus definiciones completas solo cuando sea necesario.

Anthropic informa que su conjunto de herramientas de ejemplo pasa de unos 55.000 tokens a aproximadamente 8.700 tokens con Tool Search, una reducción del 85 %. Más importante aún, un menor número de herramientas irrelevantes facilita el proceso de selección.

La regla arquitectónica es sencilla: que algo esté disponible no significa que tenga que estar cargado. Un agente capaz puede tener acceso a cientos de servicios y, aun así, exponer solo unos pocos al modelo para la tarea actual.

¿Por qué los agentes de larga duración necesitan un estado persistente?

Fable 5.1 admite una ventana de contexto de 1 millón de tokens, pero una ventana más grande no resuelve todas las tareas de larga duración. El contexto sigue volviéndose ruidoso, costoso y obsoleto.

El trabajo de Anthropic sobre entornos de ejecución de agentes de larga duración apunta, en cambio, hacia un estado externo. Los agentes pueden dejar archivos de progreso, listas de tareas, código, pruebas y otros artefactos para sesiones posteriores, en lugar de trasladar todo el historial de trabajo como tokens.

Esa distinción es importante. La capacidad de memoria y la memoria útil no son lo mismo. El estado persistente debe almacenarse fuera del prompt activo y recuperarse cuando sea relevante.

¿Dónde deberían residir la memoria, las habilidades y los datos de RAG del agente?

Cuando el contexto se vuelve modular, el modelo ya no necesita controlar todo el entorno del agente. Las habilidades pueden existir como archivos. La memoria puede residir en bases de datos. Las fuentes de RAG pueden permanecer en almacenamiento privado. Los servidores MCP y las API pueden exponer servicios solo cuando el entorno de ejecución los necesita.

Un flujo de trabajo de RAG privado facilita ver esta separación: los documentos fuente y los índices pueden permanecer locales, mientras que solo se envía el contexto seleccionado a un modelo de vanguardia para tareas de razonamiento más complejas.

La ventaja práctica es la portabilidad. El modelo de razonamiento puede cambiar, mientras los archivos, flujos de trabajo, Skills, memoria y datos de referencia del usuario permanecen intactos.

¿Puede un servidor doméstico convertirse en una capa de ejecución para agentes?

Sí, pero no porque 269 KB de texto necesiten un servidor. El requisito de almacenamiento del prompt en sí es trivial. El caso de uso del servidor doméstico comienza cuando el agente depende de archivos persistentes, índices, bases de datos, herramientas, registros, artefactos y servicios que deben sobrevivir independientemente de una sesión del modelo.

Un servidor de IA doméstico puede alojar esa capa duradera, mientras los modelos en la nube o locales se encargan del razonamiento. Si las herramientas pueden modificar esos recursos, el diseño de permisos también es importante; comenzar con herramientas de agente de solo lectura limita el daño que puede causar una instrucción incorrecta o un resultado de recuperación defectuoso.

Para los usuarios que quieren un sistema siempre activo para el almacenamiento y los servicios autoalojados, ZimaCube 2 encaja de forma más natural en esa capa persistente que pretender que sustituya a Fable 5.1. El modelo de frontera puede seguir siendo remoto; los archivos, servicios, datos de RAG y artefactos no tienen por qué serlo.

¿Se están convirtiendo los prompts del sistema en un sistema operativo para agentes?

La analogía solo resulta útil hasta cierto punto. Un prompt del sistema es texto. No puede imponer permisos de almacenamiento, aislar procesos ni controlar el acceso a la red como lo hace un sistema operativo.

El sistema de soporte más amplio se parece más a un sistema operativo. Decide qué puede ver el modelo, qué capacidades están disponibles, qué autoridad reciben las herramientas, cómo persiste el estado y cómo continúa el trabajo entre llamadas al modelo. Por eso la automatización con agentes de IA es, en última instancia, un problema de permisos e infraestructura, no solo de calidad del modelo.

Por lo tanto, la historia de Fable 5.1 apunta en una dirección diferente de «las indicaciones seguirán haciéndose más largas». El entorno total del agente seguirá expandiéndose, pero los mejores sistemas de soporte recuperarán cada vez más la Skill, la herramienta, la memoria y la evidencia adecuadas solo cuando el paso actual las necesite.

Preguntas frecuentes

¿Es público el prompt de sistema de Claude Fable 5.1?

Anthropic publica el prompt de sistema básico utilizado por Fable 5.1 en Claude.ai y sus productos móviles. Ese prompt oficial debe distinguirse de las capturas más extensas de entornos de ejecución de terceros que contienen contexto de herramientas y productos.

¿Han hackeado Claude Fable 5.1?

La extracción de un prompt del entorno de ejecución no demuestra por sí sola una intrusión en la infraestructura de Anthropic. No hay pruebas públicas vinculadas a esta captura del prompt que indiquen que se hayan comprometido los pesos del modelo, las conversaciones privadas, las bases de datos de clientes o las credenciales.

¿Cuánto mide el prompt de sistema de Fable 5.1?

No existe una única cifra útil sin definir qué se está midiendo. Se informó de que una captura del entorno de ejecución de terceros tenía aproximadamente 269 KB y 2.195 líneas, pero contiene más que las instrucciones básicas del sistema de Anthropic.

¿El prompt de Fable 5.1 expuso las memorias de los usuarios?

El material del entorno de ejecución incluye instrucciones que describen el comportamiento de la memoria. Las instrucciones sobre un sistema de memoria no son lo mismo que las memorias almacenadas de usuarios concretos, y no hay pruebas públicas en esta captura de que se hayan volcado memorias privadas de usuarios.

¿Cuál es la diferencia entre un prompt de sistema y un arnés de agente?

Un prompt de sistema proporciona al modelo instrucciones de alta prioridad. Un arnés de agente es la capa de software más amplia que gestiona las instrucciones, las herramientas, la recuperación, la memoria, los permisos, la ejecución y el estado persistente alrededor del modelo.

¿Un prompt de sistema más largo utiliza más tokens?

Sí, si ese texto se incluye realmente en el contexto activo del modelo. Por eso son importantes las Skills, la recuperación, Tool Search, la caché y la compactación del contexto: mantienen las capacidades disponibles sin cargarlo todo cada vez.

¿Las herramientas MCP consumen tokens de contexto?

Sí. Las descripciones y los esquemas de las herramientas deben presentarse al modelo cuando este necesite seleccionarlas y utilizarlas. El descubrimiento dinámico y la carga diferida reducen el coste de exponer catálogos de herramientas grandes.

¿Puede almacenarse localmente la memoria de un agente de IA?

Sí. La memoria puede almacenarse en archivos locales, bases de datos, almacenes vectoriales u otros servicios persistentes, y recuperarse de forma selectiva para tareas posteriores. El problema más difícil es decidir qué debe almacenarse, en qué confiar, cuándo caduca y qué debe recuperarse.

¿Puede Claude Fable 5.1 ejecutarse localmente?

Fable 5.1 no está disponible como pesos públicos del modelo para su implementación local convencional. Una configuración híbrida aún puede usar Fable 5.1 para el razonamiento avanzado, mientras mantiene los datos privados, las fuentes RAG, las Skills, la memoria y los servicios autoalojados en la infraestructura local.