Claude Sonnet

En el Radar compartido: Trial (valoración de la edición aportada).

Cómo funciona

El modelo recibe instrucciones y contexto y produce una respuesta o llamadas a herramientas cuando la integración lo permite. La aplicación determina permisos y flujo de ejecución.

Ejemplo de uso

Evaluar un conjunto de cambios de código con defectos conocidos. Comparar detección, falsos positivos, latencia y coste con otras opciones usando el mismo contexto.

Lugar en la familia Claude

Anthropic ofrece modelos en varios niveles. Los de nivel Opus priorizan capacidad máxima en razonamiento y tareas largas; Sonnet equilibra capacidad, velocidad y coste, y suele ser la opción por defecto para agentes de código y aplicaciones de producción; Haiku prioriza latencia y coste en tareas de alto volumen. Las versiones, ventanas de contexto y precios cambian: consulta siempre la tabla oficial de modelos.

Acceso

Disponible mediante la API de Anthropic, Amazon Bedrock, Google Cloud Vertex AI y Microsoft Foundry, además de productos como Claude Code. Cada proveedor usa identificadores de modelo propios; fíjalos en configuración y no en el código.

Ejemplo con el SDK de Python

import anthropic

client = anthropic.Anthropic()  # lee ANTHROPIC_API_KEY del entorno

respuesta = client.messages.create(
    model="claude-sonnet-5-5",
    max_tokens=1024,
    system="Eres un revisor de código. Responde en español y cita líneas.",
    messages=[{"role": "user", "content": f"Revisa este diff:\n{diff}"}],
)
print(respuesta.content[0].text)

Capacidades de la API que conviene conocer

Capacidad	Para qué
Tool use	El modelo propone llamadas a funciones definidas por ti (function calling)
Structured outputs	Respuestas que cumplen un JSON Schema (structured output)
Prompt caching	Reutilizar prefijos largos (instrucciones, documentos) con menor coste y latencia
Extended thinking	Razonamiento previo más largo en problemas complejos
Batch API	Procesamiento asíncrono de grandes volúmenes con descuento
Visión y PDF	Analizar imágenes, capturas y documentos

Optimizar coste y latencia

• Coloca el contenido estable (instrucciones, ejemplos, documentación) al principio del prompt para aprovechar la caché.
• Usa un modelo más pequeño para clasificación o enrutado y reserva Sonnet u Opus para los pasos difíciles.
• Limita max_tokens y pide formatos concisos cuando la salida se procese automáticamente.
• Mide tokens de entrada y salida por caso de uso con herramientas de observabilidad como Langfuse o LangSmith.

Evaluar antes de cambiar de versión

Construye un conjunto de casos representativos con resultados esperados y ejecútalo contra la versión actual y la candidata. Usa métricas automáticas, LLM as a judge y revisión humana de una muestra. Herramientas como DeepEval facilitan integrarlo en CI.

Criterios de implementación

Fijar identificadores de modelo y repetir la evaluación al migrar. Aplicar validación y revisión humana a resultados críticos, sin trasladar rankings generales al caso propio.