RESEARCH — Wiki interna

Este documento presenta un análisis técnico detallado de la arquitectura interna de Claude Code CLI, la herramienta de codificación asistida por IA de Anthropic. Se han examinado más de 800 archivos fuente para descubrir cómo funciona realmente el sistema: desde la gestión de memoria y contexto hasta la ejecución especulativa y el modo coordinador. El análisis revela características avanzadas como la predicción de comandos del usuario, la compresión progresiva del contexto en cuatro niveles, y un sistema de memoria que 'sueña' para consolidar información. Para Cadences, estos hallazgos tienen aplicaciones directas en productos como Radia y Synapse, especialmente en optimización de caché de prompts y gestión de sesiones largas.

• Se identificaron dos versiones del producto: una pública y otra interna para empleados de Anthropic con instrucciones de 'nunca rechazar'.
• El sistema usa un límite dinámico en el prompt del sistema para optimizar la caché entre turnos de conversación.
• Cuenta con cuatro sistemas de memoria independientes, incluyendo un proceso nocturno de 'sueño' que consolida recuerdos.
• La ejecución especulativa permite que la IA anticipe el siguiente comando del usuario y trabaje en él mientras lee la respuesta.
• El modo coordinador orquesta múltiples agentes especializados para tareas complejas en paralelo.

Este documento revela las capacidades ocultas y experimentales de Claude Code, la herramienta de asistencia para programación de Anthropic. Describe funciones como la ejecución especulativa, donde el sistema anticipa lo que el usuario va a pedir y empieza a trabajar antes de que escriba el comando, reduciendo drásticamente los tiempos de espera. También explica el modo KAIROS, un asistente persistente que puede dormir, despertarse, enviar notificaciones y ejecutar tareas programadas, funcionando como un colaborador autónomo. Además, detalla la orquestación multi-agente, habilidades empaquetadas como `/batch` para refactorizaciones masivas en paralelo, y características internas exclusivas de Anthropic. Para un equipo comercial o directivo, esto muestra cómo Claude Code no es solo un chat, sino una plataforma de automatización inteligente que puede transformar la productividad del desarrollo de software.

• Ejecución especulativa: el sistema predice el siguiente paso del usuario y trabaja por adelantado, usando un sistema de archivos virtual para aislar cambios hasta que se confirme la predicción.
• Modo KAIROS: asistente siempre activo con ciclos de sueño/despertar, notificaciones push, webhooks de PR, registros diarios y consolidación nocturna de memoria.
• Modo Coordinador: orquestación de múltiples agentes trabajadores que ejecutan tareas en paralelo, con informes de estado cada 30 segundos.
• Habilidad `/batch`: lanza entre 5 y 30 agentes en worktrees de git aislados para refactorizaciones masivas en paralelo.
• Características internas 'Ant-only': herramientas como verificación automática, diagnóstico de sesiones congeladas y un modo que obliga al modelo a intentar cualquier acción y mostrar errores en lugar de negarse.

Este documento analiza cómo Claude Code construye su identidad, comportamiento y capacidades a través de un sistema de prompts ensamblados en secciones. Explica el pipeline de montaje del prompt del sistema, la optimización mediante caché con un límite dinámico, y las secciones condicionales que se activan según características o modos. También detalla los patrones de ingeniería de prompts utilizados, como restricciones cuantitativas, taxonomía de riesgos y la instrucción de no rechazar tareas. Es relevante para entender cómo un asistente de IA puede ser configurado para tareas de ingeniería de software de manera eficiente y segura.

• El prompt del sistema se ensambla a partir de secciones memoizadas en un orden estricto, con un límite dinámico que separa contenido estático (cacheable) del dinámico (por sesión).
• Se incluye una taxonomía de riesgos (bajo, medio, alto) para que el modelo evalúe acciones sin juicios subjetivos.
• Las instrucciones ant-only son más agresivas: minimizan comentarios, exigen ser exhaustivo y prohíben rechazar tareas.
• El sistema de compactación preserva obligatoriamente todos los mensajes del usuario, incluso al resumir el contexto.
• Los agentes secundarios (memoria, compactación, documentación) comparten la caché del prompt principal para ahorrar tokens.

Este documento analiza si el sistema tiene memoria persistente, concluyendo que sí la tiene en múltiples capas, contrario a lo que indica la documentación actual. Se detallan cinco tipos de memoria: conversacional por proyecto, contexto de negocio, historial de interacciones, threads persistentes y variables de workflow. Además, se identifican mejoras potenciales como búsqueda semántica y resumen automático. El documento recomienda actualizar la documentación y priorizar la implementación de mejoras para igualar capacidades de competidores como ChatGPT.

• El sistema tiene 5 capas de memoria persistente: aiInteractions, projectAIContext, conversation_threads, localStorage e IndexedDB.
• La documentación actual es incorrecta al afirmar que no hay memoria persistente.
• Se identifican mejoras como búsqueda semántica, resumen automático y aprendizaje de preferencias de usuario.
• Comparado con ChatGPT, faltan búsqueda semántica, resumen automático, memoria cross-project, memory decay y feedback learning.
• Se recomienda actualizar la documentación y dedicar una semana a implementar mejoras clave.

Este documento audita las operaciones que los usuarios pueden ejecutar mediante inteligencia artificial en la plataforma. Identifica que de 20 operaciones documentadas, 12 están completamente implementadas, 5 faltan por completo y 3 están parcialmente implementadas. Las operaciones faltantes, como actualizar o eliminar filas en tablas de datos y enviar WhatsApp, limitan la utilidad del sistema para los usuarios. Se recomienda implementar primero las operaciones críticas para tablas de datos y la integración con WhatsApp, lo que tomaría aproximadamente 2 horas y mejoraría significativamente la experiencia del usuario.

• 12 operaciones implementadas completamente (tareas, proyectos, usuarios, formularios, dashboards, filas de datos).
• 5 operaciones faltantes críticas: update_data_row, delete_data_row, create_workflow_execution, send_email, send_whatsapp.
• 3 operaciones parciales: create_task (faltan campos como asignación y etiquetas), create_project (faltan tipos Kanban, Timeline, Calendario), update_task (faltan comentarios y adjuntos).
• Se propone implementar primero las operaciones de tablas de datos y WhatsApp (Fase 1, ~2 horas).
• El documento incluye código de implementación propuesto y tests sugeridos.

Este documento analiza el código fuente de Claude Code CLI de Anthropic para identificar patrones reutilizables en los productos de CadencesLab. Describe sistemas como permisos, plugins, hooks, MCP, gestión de sesiones, configuración en cascada, telemetría, tareas, skills y agentes enjambre. El objetivo es extraer lecciones de arquitectura y seguridad que puedan aplicarse a Cadences, Synapse Studio y NutriNen Baby, priorizando aquellos con mayor impacto comercial como el sistema de hooks para automatización multi-tenant y la sincronización offline sin conflictos.

• El análisis cubre ~800+ archivos TypeScript de Claude Code CLI, identificando 10 sistemas clave reutilizables.
• Se priorizan 8 patrones para adaptación inmediata: Hook System, JSONL offline sync, Config cascading, Plugin/Marketplace, Permission rules, Dependency graph, Approval bridge y AsyncLocalStorage isolation.
• El sistema de permisos con tri-estado (allow/deny/ask) y clasificador AI es un modelo para RBAC flexible en Cadences.
• El sistema MCP multi-transport permite integrar servicios externos con interfaz unificada, aplicable a pagos, calendarios y CRMs.
• Se incluyen recomendaciones de seguridad como sanitización Unicode multi-pass y stale-while-error cache para storage.
• El documento también detalla deep dives en UI/UX (virtual scrolling, theming accesible) y bash safety.

Este documento analiza la arquitectura interna de Claude Code, la herramienta de terminal de Anthropic para asistencia de codificación con IA. Revela que existen dos versiones del producto: una interna para empleados de Anthropic con más de 20 funciones adicionales, y la pública. El sistema está construido con Bun, React e Ink, y utiliza un sistema de banderas de funcionalidad tanto en tiempo de compilación como en ejecución para activar o desactivar capacidades. El documento detalla cómo se gestionan las conversaciones, las herramientas disponibles, y los patrones de diseño clave como el uso de agentes bifurcados y límites dinámicos en los prompts del sistema. Entender esta arquitectura es importante para el negocio porque muestra cómo un producto de IA puede segmentar funcionalidades para diferentes audiencias y escalar mediante un diseño modular.

• Existen dos builds: ant-only (empleados Anthropic) y external (público), con diferencias sustanciales en funcionalidades.
• El sistema usa Bun como runtime y bundler, con eliminación de código muerto en compilación mediante banderas.
• La interfaz de terminal está construida con React 18 e Ink, permitiendo componentes UI reactivos.
• Cuenta con más de 40 herramientas y un sistema de banderas de funcionalidad en tiempo de ejecución con GrowthBook/Statsig.
• El patrón de agente bifurcado permite ejecutar tareas en segundo plano compartiendo caché de prompt para eficiencia.

Este documento explica cómo Claude Code recuerda información entre sesiones mediante cuatro sistemas de memoria que trabajan juntos. La memoria automática extrae datos del usuario y del proyecto durante la conversación, la memoria de sesión toma notas periódicas en sesiones largas, los Magic Docs mantienen actualizados archivos clave del código, y el proceso de 'sueño' consolida y organiza los recuerdos cada 24 horas o tras varias sesiones. Esto permite que el asistente ofrezca un servicio más personalizado y coherente sin necesidad de que el usuario repita información constantemente.

• Cuatro sistemas de memoria: Auto-Memory, Session Memory, Magic Docs y Auto-Dream.
• Auto-Memory extrae en segundo plano preferencias del usuario, feedback, contexto del proyecto y referencias externas.
• Session Memory toma instantáneas periódicas del estado de la sesión en 11 secciones predefinidas.
• Magic Docs son archivos marcados con '# MAGIC DOC:' que se actualizan automáticamente al cambiar el código.
• Auto-Dream consolida memorias dispersas cada 24 horas o tras 5 sesiones, fusionando y eliminando duplicados.

Este documento detalla cómo Claude Code organiza y controla el acceso a sus herramientas. Explica que cada herramienta tiene propiedades de seguridad (si es de solo lectura, si puede ejecutarse en paralelo, si requiere confirmación del usuario) y que el sistema evalúa permisos en cascada desde la plataforma hasta el usuario. También describe modos especiales como el modo plan (donde el modelo solo propone acciones) y el modo simple (que reduce las herramientas al mínimo). Para el negocio, esto es clave porque garantiza que el asistente actúe de forma segura y controlada, evitando cambios no deseados en el código o el sistema.

• Cada herramienta tiene propiedades de concurrencia, solo lectura, destructividad y comportamiento ante interrupción.
• El sistema de permisos evalúa reglas en cascada: plataforma, organización, proyecto y usuario.
• Existe un clasificador automático (yolo) que decide si una operación es segura sin preguntar al usuario.
• Herramientas diferidas se cargan bajo demanda para reducir el consumo de tokens en la API.
• Modos especiales como REPL, simple, coordinador y plan alteran el conjunto de herramientas disponibles.

Este estudio analiza cómo reducir el consumo de tokens en las respuestas de la IA al cambiar el formato de las operaciones de JSON a alternativas más compactas. Actualmente, JSON desperdicia entre un 30% y 35% de tokens en formato, lo que incrementa los costos operativos. Se evaluaron opciones como YAML, TOML, un DSL propio, JSON abreviado y MessagePack, siendo YAML la más equilibrada por su ahorro del 24%, buena legibilidad y soporte nativo de los principales modelos de IA. La implementación recomendada es un sistema híbrido que acepte tanto YAML como JSON, con un ahorro estimado del 22% en tokens totales, lo que se traduce en un ahorro de aproximadamente 7.50 USD por cada 1,000 consultas en GPT-4.

• JSON actual desperdicia 30-35% de tokens en formato (llaves, comillas, comas).
• YAML ofrece un ahorro del 24% de tokens manteniendo buena legibilidad y soporte de LLMs grandes.
• Se recomienda implementar YAML como formato híbrido con fallback a JSON para garantizar retrocompatibilidad.
• El ahorro estimado es del 22% de tokens totales, equivalente a ~7.50 USD por cada 1,000 consultas en GPT-4.
• No se recomiendan DSL custom ni MessagePack por falta de soporte de LLMs y complejidad de implementación.

Este artículo explica cómo Claude Code gestiona más de 40 herramientas con un sistema de permisos que decide qué acciones puede realizar la inteligencia artificial. El sistema clasifica las herramientas en seis conjuntos de acceso, desde las más básicas hasta las más avanzadas, y utiliza un motor de permisos en cascada que permite a la empresa, al equipo y al usuario definir reglas. Además, incluye un clasificador de riesgo que evalúa automáticamente si una operación es segura, y un modo 'plan' donde la IA propone cambios antes de ejecutarlos. Esto es clave para que las empresas puedan delegar tareas a la IA sin perder el control sobre operaciones críticas.

• Claude Code tiene más de 40 herramientas organizadas en 6 conjuntos de acceso con diferentes niveles de permisos.
• El motor de permisos evalúa en cascada: primero deniega, luego permite, y finalmente decide según el modo o un clasificador de IA.
• El 'Yolo Classifier' es una inteligencia artificial que juzga si otra IA puede ejecutar una acción sin intervención humana.
• La taxonomía de riesgo clasifica operaciones como LOW, MEDIUM o HIGH, con confirmación explícita para las más peligrosas.
• El modo 'Plan' obliga a la IA a proponer cambios antes de ejecutarlos, ideal para equipos y auditoría.

Este documento explica cómo Claude Code gestiona su memoria de trabajo para mantener conversaciones largas sin perder información importante. El sistema usa cuatro niveles de compresión progresiva: desde simplemente borrar resultados antiguos hasta resumir toda la conversación en un formato estructurado de 9 secciones. Esto permite que el asistente recuerde instrucciones del usuario, archivos clave y errores previos, incluso después de muchas interacciones. Para el negocio, esto significa que Claude Code puede manejar proyectos complejos sin reiniciar ni perder el hilo, lo que ahorra tiempo y evita errores.

• Cuatro niveles de compresión: microcompact, API-native, compactación completa y compactación por memoria de sesión.
• El sistema preserva siempre todos los mensajes del usuario, incluso tras resumir la conversación.
• Después de una compactación completa, se restauran hasta 5 archivos recientes para mantener la capacidad de trabajo.
• Incluye un interruptor automático que desactiva la compactación tras 3 fallos consecutivos para evitar bucles infinitos.
• Se puede ajustar el umbral de activación mediante variables de entorno como CLAUDE_AUTOCOMPACT_PCT_OVERRIDE.

Este artículo revela cómo Anthropic ensambla el system prompt de Claude Code, compuesto por 18 secciones en orden estricto. Explica la separación entre contenido estático, que se puede cachear entre turnos, y contenido dinámico que cambia por sesión, optimizando así los costes de procesamiento. También describe la filosofía de código anti-sobreingeniería, la taxonomía de riesgo para operaciones y el sistema de memoización. Es útil para desarrolladores que quieran entender y aplicar patrones avanzados de ingeniería de prompts en sus propios agentes.

• El system prompt de Claude Code tiene 18 capas ensambladas en orden estricto.
• Una frontera dinámica separa contenido cacheable (estático) del que cambia por sesión, reduciendo costes.
• Incluye instrucciones explícitas para evitar sobreingeniería (anti-YAGNI).
• Clasifica operaciones en riesgo bajo, medio y alto para controlar acciones peligrosas.
• Usa un sistema de memoización para cachear secciones del prompt entre turnos.

Este documento propone crear una aplicación de escritorio que permita ejecutar flujos de trabajo de forma local, sin depender de servidores en la nube. La aplicación se instala en un PC y ofrece una interfaz para lanzar procesos automatizados que pueden incluir inteligencia artificial, control de dispositivos del hogar o envío de mensajes, todo sin conexión a internet. Esto reduce costes operativos, mejora la privacidad de los datos y elimina la latencia de red. Además, se puede controlar desde un móvil a través de la red local, lo que abre casos de uso como la automatización del hogar o el procesamiento de datos sin conexión.

• Ejecución local de workflows sin depender de Cloudflare Workers, eliminando costes de infraestructura.
• Integración con ML Trainer Local para inteligencia artificial completamente offline.
• Control remoto desde móvil vía API REST y WebSocket en la red local.
• Soporte para programación de tareas mediante cron jobs y ejecución de scripts Python/Node/Bash.
• Ahorro estimado de 50 a 200 dólares al mes en workflows intensivos.

Este artículo explica cómo Claude Code logra mantener conversaciones largas sin perder información clave, usando un sistema de cuatro capas de compresión progresiva. Desde una limpieza inicial de resultados de herramientas hasta un resumen completo con restauración posterior, el sistema asegura que ninguna instrucción del usuario se pierda. Es una arquitectura aplicable a cualquier aplicación de inteligencia artificial que enfrente límites de contexto, y demuestra que la gestión eficiente de memoria es clave para experiencias de usuario fluidas.

• Cuatro capas de compresión: Microcompact, API-Native, Compactación Total y Post-Compact Recovery.
• La capa de Compactación Total preserva obligatoriamente todos los mensajes del usuario.
• Incluye un circuit breaker para evitar bucles infinitos de compactación fallida.
• Post-Compact Recovery restaura archivos recientes y skills activos para mantener el contexto.
• El sistema es trasladable a otras aplicaciones AI que necesiten manejar grandes volúmenes de conversación.

Este artículo compara cómo Cadences Platform y Claude Code gestionan los permisos de acceso. Cadences usa un sistema tradicional de roles por cliente (RBAC multi-tenant), mientras que Claude Code introduce un modelo novedoso con tres estados (permitir, denegar, preguntar) y un clasificador de IA que decide automáticamente en algunos casos. La combinación de ambos enfoques permite diseñar un sistema de permisos más flexible y seguro para herramientas de IA en entornos SaaS, donde acciones de alto riesgo pueden requerir confirmación humana o evaluación automática.

• Cadences usa RBAC multi-tenant con roles jerárquicos y permisos binarios (allow/deny) por recurso.
• Claude Code emplea un sistema en cascada con cuatro fuentes (plataforma, organización, proyecto, usuario) y tres estados: allow, deny, ask.
• El estado 'ask' permite pedir confirmación humana para operaciones sensibles, algo que falta en la mayoría de RBAC tradicionales.
• El clasificador 'yolo' de Claude Code puede auto-aprobar ciertas acciones, reduciendo fricción sin sacrificar seguridad.
• Se propone un patrón híbrido AI-Enhanced RBAC que añade 'ask', fuentes en cascada y un clasificador de IA con circuit breaker.

Este artículo compara dos sistemas de orquestación de múltiples agentes de inteligencia artificial: Synapse Studio, que gestiona agentes en un mapa interactivo en tiempo real, y Claude Code, que coordina agentes que escriben código en entornos aislados. Ambos resuelven el mismo problema de colaboración entre IAs, pero con enfoques radicalmente distintos: uno visual y geoespacial, el otro textual y centrado en código. El análisis revela lecciones cruzadas valiosas para mejorar ambos productos y propone un diseño híbrido ideal.

• Synapse Studio usa un pipeline centralizado con hasta 50 agentes por mapa, comunicación WebSocket en tiempo real y estado persistente en base de datos.
• Claude Code emplea un patrón coordinator/worker con 5-30 agentes por batch, comunicación asíncrona mediante XML y estado en memoria sin persistencia.
• Synapse puede aprender de Claude Code: separar orquestador de workers, usar informes de estado breves y aislar contextos de trabajo.
• Claude Code puede aprender de Synapse: contexto geoespacial, retroalimentación visual en tiempo real, estado persistente y máquinas de estado para comportamientos de agentes.
• Se propone un diseño híbrido que combine el patrón coordinator con pipeline geoespacial, aislamiento de workers y retroalimentación visual.

Este artículo compara tres enfoques para mantener la documentación técnica actualizada automáticamente: los Magic Docs de Claude Code, los changelogs y arquitecturas auditadas de Synapse, y el indexador semántico Codex. Propone combinarlos en un sistema llamado 'Magic Codex' que genera, actualiza, audita e indexa la documentación sin intervención manual. Incluye una hoja de ruta concreta para implementarlo en CadencesLab, lo que reduciría drásticamente la desactualización de la documentación y mejoraría la productividad del equipo.

• Compara tres enfoques de documentación viva: Magic Docs (IA mantiene archivos), Synapse (auditoría manual estructurada) y Codex (búsqueda semántica con embeddings).
• Propone 'Magic Codex', un sistema de cuatro capas que combina headers auto-mantenidos, plantillas versionadas, indexación semántica y CI/CD con auto-PR.
• Incluye tabla comparativa detallada y hoja de ruta de implementación de 1 mes para CadencesLab.
• El artículo es el cierre de una serie de 4 comparativas entre CadencesLab y Claude Code.

Este artículo revela capacidades avanzadas de Claude Code que Anthropic no ha anunciado públicamente. Incluye ejecución especulativa, donde el sistema anticipa tus próximas acciones y prepara respuestas mientras lees, usando un sistema de archivos temporal para evitar errores. También describe KAIROS, un asistente que puede programar tareas, enviar notificaciones y trabajar incluso cuando no estás frente al ordenador. Finalmente, explica un modo de coordinación multi-agente que permite ejecutar múltiples tareas en paralelo, como tener un equipo de asistentes trabajando simultáneamente. Estas funciones apuntan a un futuro donde las herramientas de IA son proactivas y siempre están disponibles.

• Ejecución especulativa: Claude Code predice tu siguiente petición y ejecuta acciones en un entorno aislado, ofreciendo respuestas instantáneas si acierta.
• KAIROS: asistente always-on con capacidad de dormir y despertar, enviar notificaciones al móvil, y ejecutar tareas programadas mediante cron.
• Modo coordinador: arquitectura multi-agente con un coordinador y varios trabajadores que ejecutan tareas en paralelo, reportando cada 30 segundos.
• 18 beta headers: características experimentales como ventana de 1M tokens, modo AFK, y control de esfuerzo de pensamiento.
• Build interno de Anthropic: diferencias entre la versión interna y la pública, como la instrucción 'never refuse' y el modo REPL.
• Implicaciones futuras: la ejecución especulativa y los asistentes always-on definirán la próxima generación de herramientas de IA.

Este artículo revela que Claude Code tiene dos versiones: una para empleados de Anthropic y otra para el público. La versión interna incluye instrucciones más directas, herramientas exclusivas como un modo REPL y creación automática de PRs, y un canal de Slack para reportar bloqueos. Estas diferencias muestran cómo Anthropic equilibra seguridad y productividad, y anticipan funciones que podrían llegar a la versión pública en el futuro. El análisis es relevante para entender la estrategia de producto y las tensiones éticas en herramientas de IA.

• Claude Code tiene dos builds: uno para empleados de Anthropic (ant) y otro para usuarios externos.
• Las diferencias incluyen instrucciones de sistema más permisivas, herramientas como REPL y creación de PRs, y un comando /stuck que reporta a Slack interno.
• El build ant usa compile-time feature gates que eliminan código no utilizado, haciendo que ciertas funciones ni siquiera existan en la versión pública.
• Anthropic dogfoodea una herramienta significativamente más potente, lo que sugiere su hoja de ruta futura.
• El artículo plantea preguntas éticas sobre si es correcto tener builds diferenciados y qué funciones deberían migrar al público.

Este artículo explica cómo Claude Code recuerda información entre sesiones usando cuatro sistemas de memoria independientes. Incluye un sistema de 'sueños' que reorganiza memorias automáticamente por la noche, similar a la consolidación de memoria humana. El objetivo es mostrar cómo un asistente de IA puede mantener conocimiento persistente sin intervención manual, lo que mejora la continuidad y personalización en proyectos de desarrollo.

• Claude Code tiene cuatro sistemas de memoria: Auto-Memory, Session Memory, Magic Docs y Auto-Dream.
• Auto-Memory extrae automáticamente preferencias y feedback del usuario al final de cada interacción.
• Session Memory guarda notas periódicas de la sesión actual con un template de 11 secciones.
• Magic Docs son archivos que se auto-mantienen cuando el código cambia, ideales para documentación viva.
• Auto-Dream consolida y organiza memorias cada 24 horas o cada 5 sesiones, imitando el sueño humano.

Este documento es un plan editorial para una serie de 10 artículos que analizan el código fuente de Claude Code y comparan sus mecanismos internos con los productos de CadencesLab. La serie busca posicionar a la empresa como referencia en ingeniería inversa de herramientas de IA, atrayendo a una audiencia técnica y comercial. Los artículos cubren desde la construcción del prompt del sistema hasta los sistemas de memoria y permisos, y concluyen con comparaciones directas con Synapse, NutriNen y Cadences. El plan detalla el orden de publicación, el formato bilingüe y las métricas de éxito, con el objetivo de generar autoridad y tráfico SEO.

• Serie de 10 artículos bilingües (ES/EN) sobre el funcionamiento interno de Claude Code.
• Primer bloque de 6 artículos técnicos sobre prompt engineering, compresión de contexto, memoria y herramientas ocultas.
• Segundo bloque de 4 artículos comparando Claude Code con productos de CadencesLab (Synapse, NutriNen, Cadences).
• Orden de publicación estratégico: empezar con contenido viral (hidden features) y cerrar con comparaciones comerciales.
• Basado en ~1900 líneas de análisis técnico del código fuente de Claude Code.

Este artículo compara cómo dos productos de Cadences, NutriNen Baby y Claude Code, gestionan conversaciones largas con contexto limitado. NutriNen usa un perfil persistente en base de datos para no perder información crítica como alergias, mientras que Claude Code emplea compresión progresiva en cuatro niveles. La comparación revela que ambos pueden aprender el uno del otro: NutriNen podría beneficiarse de compresión progresiva para consultas extensas, y Claude Code podría adoptar datos estructurados persistentes. El artículo propone un patrón híbrido que combina almacenamiento persistente para datos sagrados, compresión progresiva para el contexto de trabajo e inyección bajo demanda de conocimiento de dominio.

• NutriNen Baby usa un perfil persistente en D1 para datos críticos como alergias, sin compresión.
• Claude Code emplea 4 niveles de compresión progresiva para manejar sesiones de hasta 8 horas.
• Ambos productos definen 'datos sagrados' que nunca deben perderse: alergias en NutriNen, mensajes del usuario en Claude Code.
• El artículo propone un patrón híbrido: datos sagrados en almacenamiento persistente, contexto de trabajo con compresión progresiva y conocimiento de dominio inyectado bajo demanda.
• La comparación es útil para cualquier aplicación profesional de LLM que necesite gestionar conversaciones largas.