{"id":"2065145486890164524","url":"https://x.com/angeldot_/status/2065145486890164524","text":"","author":{"name":"angel","username":"angeldot_","avatarUrl":"https://pbs.twimg.com/profile_images/2075917252306571264/whuKX6wm_200x200.jpg"},"createdAt":"Thu Jun 11 18:53:47 +0000 2026","engagement":{"replies":29,"retweets":160,"likes":943,"views":2682444},"article":{"title":"Cómo crear Loops en Fable 5","previewText":"DEJA DE HACER PROMPTS. EMPIEZA A DISEÑAR LOOPS.\nAnthropic acaba de publicar cómo trabajan internamente con Fable 5.\nY la conclusión es clara: el prompt ha muerto como unidad de trabajo.\nLo nuevo se","coverImageUrl":"https://pbs.twimg.com/media/HKjezJHXsAEk5s7.jpg","content":"# DEJA DE HACER PROMPTS. EMPIEZA A DISEÑAR LOOPS.\n\nAnthropic acaba de publicar cómo trabajan internamente con Fable 5.\n\nY la conclusión es clara: el prompt ha muerto como unidad de trabajo.\n\nLo nuevo se llama Loop Engineering.\n\nTe explico qué es, cómo funciona y cómo montarte uno hoy mismo\n\n## \nEL PROBLEMA: TÚ ERES EL LOOP\n\nAsí hemos trabajado con agentes los últimos dos años:\n\n→ Escribes un prompt → El agente responde → Tú revisas → Tú corriges → Tú vuelves a escribir otro prompt\n\n¿Ves el patrón? El cuello de botella eres tú.\n\nCada iteración pasa por tus manos. El agente no aprende nada entre intentos. Y tu tiempo se va en revisar trabajo a medias.\n\nUn prompt le da instrucciones al agente. Un loop le da un trabajo.\n\n## \nQUÉ ES UN LOOP (EXPLICADO FÁCIL)\n\nUn loop es un ciclo de feedback que el agente repite solo hasta cumplir un objetivo verificable.\n\nTodos los loops, simples o complejos, pasan por las mismas 5 etapas:\n\nDESCUBRIR → PLANIFICAR → EJECUTAR → VERIFICAR → ITERAR\n\nSi pasa la verificación: termina. Si falla: vuelve a empezar con el feedback del fallo.\n\nLa clave está en la palabra \"verificable\". No es \"haz una landing bonita\". Es \"todos los tests de /auth pasan y el lint está limpio\".\n\nEl agente sabe exactamente cuándo ha terminado. Y tú no estás en medio.\n\n## \nPOR QUÉ FABLE 5 CAMBIA EL JUEGO\n\nAquí viene lo interesante. Anthropic probó Fable 5 contra Opus 4.7 en un reto real: Parameter Golf.\n\nEl reto: entrenar el mejor modelo posible que quepa en 16MB, en menos de 10 minutos, sobre 8 GPUs H100.\n\nEl agente tenía que editar el código de entrenamiento, lanzar el training, leer los logs, ver el score y decidir el siguiente experimento. Durante 8 horas. Solo.\n\nResultado:\n\n→ Fable 5 mejoró el pipeline ~6 veces más que Opus 4.7\n\nPero lo importante no es el número. Es el CÓMO:\n\n![](https://pbs.twimg.com/media/HKjbvIvWcAE4uIl.jpg)\n\n→ Opus 4.7 encontró una pequeña mejora al principio y repitió la misma plantilla 20 veces: tocar un parámetro, medir, quedarse con lo que sume → Fable 5 apostó por cambios estructurales grandes (arquitectura, no constantes) y aguantó una regresión de cuantización que acabó siendo su mayor victoria\n\nFable 5 no solo itera. Asume riesgos y se recupera de los fallos dentro del propio loop.\n\n## \nLA REGLA DE ORO: EL QUE HACE NO ES EL QUE JUZGA\n\nEste es el detalle que casi todo el mundo se salta.\n\nLos modelos son malos criticando su propio trabajo. Son demasiado buenos consigo mismos. Es como corregir tu propio examen.\n\nLa solución de Anthropic: un subagente verificador independiente, con su propio contexto, que decide si el trabajo cumple o no.\n\nEn la práctica tienes dos formas de montarlo:\n\n→ /goal en Claude Code: defines una condición medible y un modelo independiente decide si se cumplió. Si no, arranca el siguiente turno solo → Outcomes en Claude Managed Agents: defines una rúbrica con criterios evaluables y un subagente la corrige en cada iteración\n\nEn el experimento de Parameter Golf, el verificador no dejó parar a Fable 5 hasta cumplir los 9 criterios de la rúbrica.\n\nSin juez independiente: el agente deriva. Con juez independiente: el agente mejora.\n\n## \nMEMORIA: EL LOOP QUE SOBREVIVE ENTRE SESIONES\n\nAquí está el segundo hallazgo brutal del experimento.\n\nProbaron Fable 5, Opus 4.7 y Sonnet 4.6 en Continual Learning Bench: preguntas secuenciales sobre una base de datos SQL, donde cada pregunta es una sesión nueva pero la memoria se comparte.\n\nResultados finales (score medio):\n\n→ Fable 5: 0.839 → Opus 4.7: 0.700 → Sonnet 4.6: 0.364\n\n![](https://pbs.twimg.com/media/HKjcFPTXsAAeSoy.jpg)\n\n¿Por qué tanta diferencia? Porque usar bien la memoria tiene 5 niveles:\n\n1. Fallar y documentarlo\n\n1. Investigar por qué fallaste\n\n1. Verificar la causa hasta convertirla en hecho\n\n1. Destilar el hecho en una regla general\n\n1. Consultar la regla en vez de rederivarla cada vez\n\nSonnet 4.6 se queda en el nivel 1: apunta fallos y suposiciones, pero casi nunca relee sus notas.\n\nOpus 4.7 llega al nivel 3: crea referencias con dudas marcadas, pero solo verifica un ~17% de las veces.\n\nFable 5 completa el ciclo: verifica hasta el 73% de sus diagnósticos y los convierte en reglas que reutiliza en tareas futuras.\n\nEl modelo olvida entre sesiones. El archivo de memoria no. Esa es la diferencia entre un agente que empieza de cero cada día y uno que acumula conocimiento.\n\n## \nLOOPS ABIERTOS VS CERRADOS\n\nAntes de montar el tuyo, la distinción práctica más importante:\n\nLOOP ABIERTO → Le das un objetivo amplio y dejas al agente explorar → Potente, pero quema tokens a lo bestia → Sin estándares claros se convierte en una máquina de slop\n\nLOOP CERRADO → Tú diseñas el camino: objetivo claro, pasos definidos, evaluación en cada paso, punto de parada → Fiable, mejora con cada pasada y cabe en un presupuesto normal\n\nLa recomendación: empieza con loops cerrados. Cuando tengas quality gates que funcionen, abre el espacio.\n\n## \nLOS 6 BLOQUES DE TODO BUEN LOOP\n\nEsto es lo que construyes de verdad:\n\n1. AUTOMATIZACIONES El latido del loop. Un prompt + una cadencia + un objetivo. /goal sigue hasta que la condición sea cierta. Tú te vas.\n\n1. WORKTREES Agentes en paralelo sin pisarse. Cada uno con su directorio aislado en su propia rama de git.\n\n1. SKILLS Conocimiento del proyecto escrito una vez y leído en cada ciclo. VISION.md, ARCHITECTURE.md, RULES.md. Sin esto, el loop rederiva todo tu proyecto desde cero cada vez.\n\n1. CONECTORES (MCP) Un loop que solo ve el filesystem es un loop pequeño. Con conectores lee tu issue tracker, consulta la base de datos, abre la PR y avisa en Slack cuando el CI está en verde.\n\n1. SUBAGENTES El que verifica nunca es el que hizo el trabajo. Un modelo fresco decide si el loop terminó.\n\n1. MEMORIA Un simple markdown fuera de la conversación. Qué se probó, qué pasó, qué queda abierto. El loop del día 47 sabe todo lo que probaron los días 1 a 46.\n\n## \nCÓMO MONTAR TU PRIMER LOOP (PASO A PASO)\n\nVale, teoría clara. Ahora vamos a montarlo de verdad.\n\nHay dos formas oficiales de hacerlo con Fable 5. Empezamos por la fácil.\n\nOPCIÓN A: /goal EN CLAUDE CODE\n\nPASO 1: Define qué significa \"terminado\"\n\nEsta es la parte donde la gente falla. El objetivo tiene que ser VERIFICABLE, no una opinión.\n\nMal: \"mejora el código de autenticación\" Bien: \"todos los tests de tests/auth pasan y el lint está limpio\"\n\nSi no puedes comprobarlo con un comando, no es un objetivo. Es un deseo.\n\nPASO 2: Dale contexto al agente\n\nAntes de lanzar nada, crea estos archivos en tu repo:\n\n→ VISION.md: cómo se ve el éxito → ARCHITECTURE.md: stack y estructura de carpetas → RULES.md: lo que el agente nunca puede tocar\n\nCinco minutos escribiéndolos. Te ahorran que el loop rederive tu proyecto desde cero en cada vuelta.\n\nPASO 3: Lanza el loop\n\nAbre Claude Code y escribe:\n\n/goal todos los tests de tests/auth pasan y el lint está limpio. Máximo 30 turnos.\n\nFíjate en la última frase: SIEMPRE pon un límite de turnos o de tiempo dentro de la condición. Es tu freno de emergencia.\n\nPASO 4: Deja que el sistema trabaje\n\nA partir de aquí el ciclo es automático:\n\n→ El agente trabaja hacia el objetivo → Un modelo independiente (no el que hizo el trabajo) evalúa si la condición se cumple → Veredicto \"no cumplido\" = arranca el siguiente turno solo, con el feedback del juez → Veredicto \"cumplido\" = el goal se limpia automáticamente y el loop para\n\nTú vuelves cuando está en verde. Y si quieres cortarlo antes: /goal clear.\n\nOPCIÓN B: RÚBRICA + OUTCOMES EN CLAUDE MANAGED AGENTS\n\nPara tareas largas (horas, no minutos) la opción es CMA, que te da el harness y el sandbox alojado.\n\nAquí en vez de una condición escribes una RÚBRICA: un archivo con criterios evaluables, uno por línea.\n\nEjemplo real del experimento de Anthropic (el de Parameter Golf):\n\n→ Ejecutar un baseline antes de tocar nada → Correr 20 experimentos → Documentar cada resultado → ...hasta 9 criterios verificables\n\nConfiguras max_iterations como límite, y Outcomes lanza un subagente corrector que evalúa la rúbrica en cada vuelta. El agente no puede parar hasta que todo pase.\n\nAsí corrió Fable 5 durante 8 horas solo. Sin nadie mirando.\n\n![](https://pbs.twimg.com/media/HKjb711WwAAgYy5.jpg)\n\nPASO EXTRA: AÑÁDELE MEMORIA\n\nSi tu loop va a correr varios días, crea un MEMORY.md con tres secciones:\n\n→ PROBADO: qué experimentos se hicieron y su resultado → VERIFICADO: hechos confirmados (no suposiciones) → ABIERTO: qué queda por intentar\n\nY añade una regla en RULES.md: \"antes de empezar, lee MEMORY.md. Antes de terminar, actualízalo.\"\n\nEso es literalmente lo que hace Fable 5 mejor que nadie: convertir fallos en reglas verificadas y consultarlas en vez de rederivarlas.\n\n## \nTU PRIMER LOOP EN 10 MINUTOS\n\nSi quieres empezar hoy sin complicarte:\n\n1. Elige una tarea con verificación automática (tests, lint, un script que devuelva pass/fail)\n\n1. Escribe el objetivo como condición comprobable + límite de turnos\n\n1. Lánzalo con /goal\n\n1. Revisa el resultado final, no los pasos intermedios\n\nEmpieza pequeño. Un loop que funciona en una tarea aburrida vale más que diez loops ambiciosos que nunca terminan.\n\n## \n4 LOOPS REALES QUE PUEDES MONTAR HOY\n\n- EL LOOP DE CÓDIGO\n\nLee contexto → planifica el cambio → edita → ejecuta tests → si fallan, lee el error y corrige → si pasan, resume y para. Sin humano en medio.\n\n- EL LOOP DE INVESTIGACIÓN\n\nDefine la pregunta → busca fuentes → resume → verifica afirmaciones contra las fuentes → compara contradicciones → sintetiza → para cuando la confianza supera el umbral.\n\n- EL LOOP DE CONTENIDO\n\nTema + audiencia + objetivo → borrador → un agente crítico lo revisa → reescritura → puntuación contra criterios de éxito → si pasa, publica. Si no, otra vuelta.\n\n- EL LOOP DE VENTAS\n\nPerfil de cliente ideal → encuentra leads → enriquece con datos → cualifica → personaliza el mensaje → revisión de calidad → envía o escala a un humano.\n\nTodos tienen el mismo esqueleto:\nObjetivo → Acción → Verificación → Corrección → Repetir hasta terminar.\n\n## \nPROMPT ENGINEER VS LOOP ENGINEER\n\nEl gap de skills que se está abriendo en 2026:\n\nPROMPT ENGINEER → Escribe mejores instrucciones → Revisa cada output a mano → Él es el feedback loop\n\nLOOP ENGINEER → Diseña mejores ciclos de feedback → Los tests revisan automáticamente → El sistema es el feedback loop\n\nUno pide: \"escríbeme una función\". El otro diseña: \"escribe → testea → corrige hasta que esté en verde\".\n\nLas herramientas son las mismas. La mentalidad es completamente distinta.\n\n## \nEL MATIZ FINAL (QUE NADIE DICE EN VOZ ALTA)\n\nDos personas pueden montar exactamente el mismo loop y obtener resultados opuestos.\n\nUna lo usa para ir más rápido en trabajo que entiende a fondo. La otra lo usa para no entender el trabajo en absoluto.\n\nEl loop no sabe la diferencia. Tú sí.\n\nDiseña loops como alguien que piensa seguir siendo el ingeniero. No como quien solo pulsa el botón.\n\nPorque un loop fiable vale más que mil prompts perfectos."}}